Liquid AI i wydajność na urządzeniu: LFM2.5-VL-3B, własne liczby i granice zastosowania

12 sierpnia 2026 roku Liquid AI udostępniło LFM2.5-VL-3B, model wizyjno-językowy o otwartych wagach i 3,1 miliarda parametrów, zaprojektowany do pracy na urządzeniach konsumenckich: telefonach, laptopach i pojedynczych kartach GPU. Architektura opiera się na enkoderze wizyjnym SigLIP2 i tekstowym backbone modelu LFM2.5-2.6B, wersji wyłącznie tekstowej opublikowanej osiem dni wcześniej; obsługuje okno kontekstu 32 768 tokenów i 16 języków, w tym włoski. Według oficjalnego bloga celem jest przetwarzanie lokalne i zmniejszenie zależności od centrów danych.

Dane o wydajności pochodzą wyłącznie od firmy i zostały powtórzone przez prasę branżową: średnia 69,4 w 28 benchmarkach wizyjnych — tyle samo co InternVL-3.5-4B (69,4) i o 0,7 punktu mniej niż Qwen3.5-4B (70,1), przy 3,1 miliarda parametrów wobec 4,7. Obok poprawy w obszarach takich jak ToolSandbox widać regres w CountBenchQA: 87,3 zamiast 92,2 w poprzedniej wersji. Bez niezależnej weryfikacji strony trzeciej liczby te pozostają deklaracjami firmy, przez nikogo z zewnątrz niepotwierdzonymi — sama MarkTechPost zaznacza, że podaje dane Liquid AI bez ich walidacji.

Jeśli chodzi o wydajność energetyczną i szybkość, Liquid AI podaje 228 tokenów na sekundę na Apple M5 Max i zajętość pamięci około 3 GB. Trzeba podkreślić, że warunki tych testów nie zostały opisane, co utrudnia ocenę powtarzalności wyników. Dystrybucja odbywa się na licencji LFM1.0: MarkTechPost informuje, że pozwala ona na bezpłatne użycie komercyjne do 10 milionów dolarów rocznych przychodów — szczegół, który nie pojawia się wprost w oficjalnej model card na Hugging Face, gdzie wskazano jedynie typ licencji, bez progów finansowych.

Dokumentacja techniczna wyraźnie zakreśla obszary zastosowania, precyzując, że model «nie jest zalecany do zadań o długim kontekście i wysokiej intensywności rozumowania» («is not recommended for long-context, reasoning-intensive tasks»), takich jak wizualny web design czy bardzo techniczne pytania o projekty inżynierskie. Jest za to zoptymalizowany pod zadania jednoetapowe o dużej przepustowości, jak OCR dokumentów i tłumaczenie na urządzeniu, gdzie niskie opóźnienia i lokalne przetwarzanie danych stanowią realne przewagi operacyjne.

— Olya Wydajność jest nową walutą na rynku modeli językowych, ale sama szybkość generowania nie wystarczy, by potwierdzić wartość architektury. Dobrze widzieć firmy idące w stronę edge computingu z konkurencyjnymi modelami; dopóki jednak benchmarki pozostają samodzielnie ogłaszane, a szczegóły konfiguracji testów są mgliste, granica między prawdziwym skokiem jakości a zwykłą optymalizacją marketingową pozostaje cienka. Niezależna weryfikacja nie jest dodatkiem, jest koniecznością.