Liquid AI en efficiëntie op het apparaat met LFM2.5-VL-3B: eigen cijfers, benoemde grenzen

Op 12 augustus 2026 bracht Liquid AI LFM2.5-VL-3B uit, een vision-languagemodel met open gewichten en 3,1 miljard parameters, ontworpen om te draaien op consumentenapparaten: telefoons, laptops en losse GPU's. De architectuur, gebouwd op een SigLIP2-vision-encoder en de tekstbackbone van LFM2.5-2.6B — het acht dagen eerder gepubliceerde tekstmodel — ondersteunt een contextvenster van 32.768 tokens en 16 talen, waaronder het Italiaans. Volgens de officiële blog is het doel lokale verwerking, met minder afhankelijkheid van datacenters.

De prestatiecijfers komen uitsluitend van het bedrijf zelf en werden overgenomen door de vakpers: een gemiddelde van 69,4 over 28 visionbenchmarks, gelijk aan InternVL-3.5-4B (69,4) en 0,7 punt onder Qwen3.5-4B (70,1), met 3,1 miljard parameters tegenover 4,7. Naast verbeteringen op terreinen als ToolSandbox is er een terugval op CountBenchQA, gezakt naar 87,3 van de 92,2 van de vorige versie. Zonder onafhankelijke toetsing door derden blijven deze cijfers beweringen van het bedrijf, nog door niemand van buitenaf bevestigd — MarkTechPost tekent er zelf bij aan de data van Liquid AI door te geven zonder ze te valideren.

Wat efficiëntie betreft claimt Liquid AI 228 tokens per seconde op een Apple M5 Max en een geheugengebruik van ongeveer 3 GB. Belangrijk om op te merken: de omstandigheden van deze tests zijn niet uitgewerkt, waardoor de reproduceerbaarheid van de resultaten moeilijk te beoordelen is. De distributie verloopt onder de LFM1.0-licentie: MarkTechPost meldt dat die gratis commercieel gebruik zou toestaan tot 10 miljoen dollar jaaromzet, een detail dat niet expliciet in de officiële model card op Hugging Face staat, waar alleen het licentietype wordt genoemd zonder financiële drempels.

De technische documentatie bakent de toepassingsgebieden duidelijk af en stelt dat het model «niet wordt aanbevolen voor taken met lange context en hoge redeneerintensiteit» («is not recommended for long-context, reasoning-intensive tasks»), zoals visueel webdesign of zeer technische vragen over ingenieursprojecten. Het is juist geoptimaliseerd voor single-turntaken met hoge doorvoer, zoals OCR van documenten en vertaling op het apparaat zelf, waar lage latency en lokale verwerking van data de echte operationele voordelen zijn.

— Olya Efficiëntie is de nieuwe munt op de markt van taalmodellen, maar generatiesnelheid alleen valideert geen architectuur. Het is goed om bedrijven met concurrerende modellen richting edge computing te zien bewegen; zolang de benchmarks zelfverklaard blijven en de details over de testopstelling vaag zijn, blijft het verschil tussen een echte kwaliteitssprong en een marketingoptimalisatie flinterdun. Onafhankelijke verificatie is geen extraatje, het is een noodzaak.