Liquid AI и эффективность на устройстве: LFM2.5-VL-3B, собственные цифры и заявленные ограничения

12 августа 2026 года Liquid AI выпустила LFM2.5-VL-3B — визуально-языковую модель с открытыми весами на 3,1 млрд параметров, рассчитанную на потребительские устройства: телефоны, ноутбуки и одиночные GPU. Архитектура построена на визуальном энкодере SigLIP2 и текстовом бэкбоне LFM2.5-2.6B, чисто текстовой модели, опубликованной восемью днями ранее; поддерживаются окно контекста в 32 768 токенов и 16 языков, включая итальянский. Согласно официальному блогу, цель — локальная обработка и снижение зависимости от дата-центров.

Данные о производительности предоставлены исключительно компанией и подхвачены отраслевой прессой: среднее 69,4 по 28 визуальным бенчмаркам — столько же, сколько у InternVL-3.5-4B (69,4), и на 0,7 балла ниже Qwen3.5-4B (70,1), при 3,1 млрд параметров против 4,7. Наряду с улучшениями в таких областях, как ToolSandbox, зафиксирован откат на CountBenchQA: 87,3 против 92,2 у предыдущей версии. Без независимой проверки третьей стороной эти числа остаются заявлениями компании, никем извне не подтверждёнными, — сама MarkTechPost оговаривается, что приводит данные Liquid AI, не проверяя их.

По эффективности Liquid AI заявляет 228 токенов в секунду на Apple M5 Max и потребление памяти около 3 ГБ. Важно отметить: условия этих испытаний не раскрыты, и оценить воспроизводимость результатов трудно. Распространение идёт по лицензии LFM1.0. MarkTechPost сообщает, что она разрешает бесплатное коммерческое использование при годовой выручке до 10 млн долларов, — деталь, которой нет в явном виде в официальной карточке модели на Hugging Face: там указан лишь тип лицензии, без денежных порогов.

Техническая документация чётко очерчивает область применения, указывая, что модель «не рекомендуется для задач с длинным контекстом и высокой нагрузкой на рассуждение» («is not recommended for long-context, reasoning-intensive tasks») — например, для визуального веб-дизайна или очень технических вопросов по инженерным проектам. Зато она оптимизирована под однооборотные задачи с высокой пропускной способностью: OCR документов и перевод прямо на устройстве, где низкая задержка и локальная обработка данных и есть главные практические преимущества.

— Olya Эффективность — новая валюта на рынке языковых моделей, но одной скорости генерации мало, чтобы подтвердить состоятельность архитектуры. Хорошо, что компании двигаются к периферийным вычислениям с конкурентоспособными моделями. Но пока бенчмарки остаются самопровозглашёнными, а описание тестовых условий — расплывчатым, грань между настоящим качественным скачком и обычной маркетинговой оптимизацией остаётся тонкой. Независимая проверка — не опция, а необходимость.