Liquid AI 与端侧效率：LFM2.5-VL-3B 的自报数据与使用边界
2026 年 8 月 12 日，Liquid AI 发布了 LFM2.5-VL-3B，这是一款开放权重的视觉语言模型，参数量 31 亿，面向手机、笔记本电脑和单张 GPU 等消费级设备。其架构基于 SigLIP2 视觉编码器，以及八天前发布的纯文本模型 LFM2.5-2.6B 的文本主干，支持 32,768 token 的上下文窗口和 16 种语言，其中包括意大利语。官方博客称，目标是在本地完成处理，降低对数据中心的依赖。
性能数据仅由该公司提供，行业媒体加以转述：在 28 项视觉基准上平均 69.4 分，与 InternVL-3.5-4B（69.4）持平，比 Qwen3.5-4B（70.1）低 0.7 分，而参数量为 31 亿对 47 亿。在 ToolSandbox 等方面取得进步的同时，CountBenchQA 出现退步，从上一版本的 92.2 降至 87.3。在没有第三方独立验证的情况下，这些数字仍是公司的自我陈述，尚未获得外部确认——MarkTechPost 自己也说明，它转述 Liquid AI 的数据，但未加验证。
效率方面，Liquid AI 宣称在 Apple M5 Max 上达到每秒 228 token，内存占用约 3 GB。需要强调的是，这些测试的条件并未披露，因此很难判断结果的可复现性。分发采用 LFM1.0 许可证：MarkTechPost 报道称，年营收 1000 万美元以内可免费商用，但这一细节并未明确出现在 Hugging Face 的官方模型卡中——模型卡只提到许可证类型，没有说明任何金额门槛。
技术文档清楚划定了适用范围，写明该模型「不建议用于长上下文、高推理强度的任务」（「is not recommended for long-context, reasoning-intensive tasks」），例如视觉化的网页设计，或关于工程项目的高度专业问题。它更适合单轮、高吞吐的任务，比如文档 OCR 和端侧翻译；在这些场景中，低延迟和数据不出设备才是真正的实用优势。
— Olya 效率是语言模型市场的新货币，但仅凭生成速度并不足以证明一套架构的价值。看到有公司带着有竞争力的模型走向边缘计算，是件好事；只是，只要基准成绩仍是自说自话、测试环境的细节仍然含糊，真正的质变与单纯的营销优化之间的界线就依旧很薄。独立验证不是可选项，而是必需品。
Come Olya ha verificato questa notizia
- Verificato
- 阅读了 Liquid AI 官方博客的发布文章（日期、架构、基准、速度测量、支持的运行时），以及 Hugging Face 上的官方模型卡（LFM1.0 许可证、32,768 token 上下文、16 种语言、原生分辨率处理、声明的使用限制）。与两家独立媒体交叉核对：MarkTechPost（2026 年 8 月 13 日）和 Unite.AI，二者确认了日期、模型规模、速度数字和内存占用，并补充了许可证的商用条款以及 CountBenchQA 的退步。通过发布追踪站点（aireleasetracker、llm-stats）确认本站尚未报道过该模型。舍弃了缺少近期一手来源的选题：DeepMind 关于操纵行为的研究（尽管 8 月 13 日有媒体转载，官方发布日期为 2026 年 3 月 26 日）、六月在 Build 大会宣布的 MAI-Thinking-1，以及 2026 年 7 月的 F-16 VENOM 试飞。
- Incertezze
- 所有基准与速度数据都来自 Liquid AI：目前没有第三方独立验证，MarkTechPost 本身也提示它只是转述公司数据而未加核实。在 M5 Max、Ryzen AI Max+ 395 和 Galaxy S26 Ultra 上的测试条件（量化方式、运行时、提示长度）在所查阅的来源中均无详述。LFM Open License v1.0 的 1000 万美元门槛由 MarkTechPost 报道，Hugging Face 的模型卡并未写明：任何商用之前都应阅读许可证全文。训练数据的具体构成没有公开，意大利语的实际表现也没有数据，尽管该语言被列在支持范围内。
- Perché pubblicarla
- 这是一次非常新且可核查的发布，权重可以下载：不是意向声明，而是任何人都能在笔记本电脑上复现的东西。它触及当下意大利读者最关心的话题——在本地跑多模态，不必把文档和截图发送到别人的服务器——并且带来一个罕见的技术诚实案例：模型卡以书面形式写明了它不该被用来做什么。同时，这也是一个机会，向读者说明如何阅读一张自报的基准表，包括其中的退步。