Liquid AI เปิดตัว LFM2.5-VL-3B โมเดล Vision-Language ไซส์จิ๋วแต่ทรงพลังสำหรับ Edge Device

LFM2.5-VL-3B คือโมเดล Vision-Language ประสิทธิภาพสูงสุดที่ออกแบบมาเพื่อให้คุณสามารถรันบนฮาร์ดแวร์ของตัวเองได้โดยตรง ตัวโมเดลมีความเชี่ยวชาญในการเข้าใจทั้งเอกสารและหน้าจอดิจิทัล สามารถระบุตำแหน่งวัตถุ (Grounding) และเรียกใช้เครื่องมือ (Tool Call) ได้อย่างแม่นยำ

หัวใจสำคัญของ LFM2.5-VL-3B คือการตอบสนองที่รวดเร็วแบบเรียลไทม์สำหรับแอปพลิเคชันบนอุปกรณ์พกพา โดยเน้นการตอบคำถามโดยตรงแทนการใช้กระบวนการให้เหตุผล (Reasoning) ที่ซับซ้อนเกินจำเป็น ช่วยลดความหน่วงในการทำงานได้อย่างมีนัยสำคัญ

การพัฒนาในรุ่น 2.5 นี้มีการขยายขีดความสามารถหลัก 4 ด้าน ได้แก่ ความเข้าใจหน้าจอและ UI ที่แข็งแกร่งขึ้นในทุกอุปกรณ์, ระบบ Grounding ที่ตรวจจับวัตถุผ่านคำสั่งภาษาธรรมชาติได้ดีกว่าเดิม, การรองรับอินพุตหลายรูปภาพที่พัฒนาขึ้น และความสามารถในการเรียกใช้ฟังก์ชัน (Function Calling) ที่ทรงพลังทั้งในรูปแบบข้อความและภาพ

กระบวนการฝึกฝนโมเดล Vision-Language ระดับท็อป

LFM2.5-VL-3B เกิดจากการจับคู่ระหว่าง SigLIP2 400M NaFlex vision encoder เข้ากับโครงสร้างหลัก (Backbone) แบบเดียวกับโมเดลข้อความ LFM2.5-2.6B ผ่านการฝึกฝนด้วยโทเคนมหาศาลถึง 34T พร้อมเพิ่มข้อมูลด้านการมองเห็นมากขึ้นถึง 4 เท่า

นอกจากนี้ยังมีการเพิ่มคลังคำศัพท์เป็น 128K เพื่อรองรับอักษรที่ไม่ใช่ละตินผ่านเทคนิคการ ขยาย Tokenizer ในตำแหน่งเดิม ช่วยให้ไม่ต้องเริ่มฝึกใหม่ตั้งแต่ต้น ส่วนขั้นตอน Post-training ได้ใช้ทั้งการปรับจูนแบบมีผู้สอน (SFT) ร่วมกับการถ่ายทอดความรู้จากโมเดลครู และปิดท้ายด้วยการเรียนรู้แบบเสริมกำลัง (RL) เพื่อประสิทธิภาพสูงสุด

ผลการทดสอบประสิทธิภาพ (Benchmark)

จากการประเมินผล LFM2.5-VL-3B ขึ้นแท่นเป็นผู้นำในกลุ่มโมเดลขนาดเดียวกันสำหรับงานด้านภาพในโลกแห่งความเป็นจริง ไม่ว่าจะเป็นความเข้าใจภาพหลายภาษา, การให้เหตุผลทางคณิตศาสตร์และวิทยาศาสตร์ผ่านภาพ รวมถึงความเข้าใจเอกสารและแผนภูมิที่ซับซ้อน

ด้านการทดสอบเฉพาะข้อความ LFM2.5-VL-3B ยังทำคะแนนการปฏิบัติตามคำสั่ง (Instruction Following) ได้สูงขึ้นอย่างชัดเจน และมีความสามารถในการใช้เครื่องมืออยู่ในระดับเดียวกับโมเดลที่ใหญ่กว่าอย่าง Gemma-4-E2B และ Qwen3.5-2B

ความเร็วในการอนุมานบน CPU และ GPU

โมเดลนี้รองรับระบบนิเวศการอนุมาน (Inference) ที่หลากหลายตั้งแต่วันแรก ไม่ว่าจะเป็น llama.cpp, MLX, vLLM, SGLang และ ONNX

สำหรับการใช้งานบนอุปกรณ์ (On-device) LFM2.5-VL-3B สามารถทำความเร็วได้ถึง 228 tokens/s บนชิป M5 Max และ 116 tokens/s บน Ryzen AI Max+ โดยใช้หน่วยความจำเพียง 3 GB แม้แต่บนสมาร์ทโฟนอย่าง Galaxy S26 Ultra ก็ยังรันได้สูงถึง 20 tokens/s

เมื่อใช้งานบน GPU โมเดลนี้รักษาความหน่วงได้ต่ำอย่างสม่ำเสมอ โดยเฉพาะกับอินพุตแบบหลายเฟรม และยังทำสถิติ Output Throughput สูงสุดที่ 11K tokens/s ซึ่งเร็วกว่าโมเดลระดับ 4B ถึง 2 เท่า และเหนือกว่าโมเดลระดับ 2B บางรุ่นด้วยซ้ำ

วิธีใช้งาน LFM2.5-VL-3B

หากคุณต้องการโมเดลที่ชาญฉลาดและรองรับปริมาณงานสูงบนอุปกรณ์ LFM2.5-VL-3B คือคำตอบ

ติดตั้ง transformers เวอร์ชันล่าสุด:

%pip install -q torch torchvision accelerate "transformers>=5.10.1"

ตัวอย่างโค้ดสำหรับโหลดและรันโมเดล:

import torch
from transformers.image_utils import load_image
from transformers import AutoModelForImageTextToText, AutoProcessor
from IPython.display import display
 
MODEL_ID = "LiquidAI/LFM2.5-VL-3B"
 
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = AutoModelForImageTextToText.from_pretrained(
    MODEL_ID,
    device_map="auto",
    dtype="bfloat16",
)
 
img_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/coco_sample.png"
input_image = load_image(img_url)
display(input_image)
 
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": input_image},
            {"type": "text", "text": "Describe this image in two concise sentences."},
        ],
    }
]
 
inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)
 
with torch.inference_mode():
    outputs = model.generate(
        **inputs,
        do_sample=True,
        temperature=0.2,
        top_k=50,
        repetition_penalty=1.0,
        max_new_tokens=256,
    )
 
output = processor.batch_decode(outputs[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0]
print(output)

Two cats are sleeping on a pink couch with two remote controls.

คุณสามารถศึกษาข้อมูลเพิ่มเติมเกี่ยวกับการใช้งาน Multi-image, Grounding หรือ OCR ได้ที่ เอกสารของเรา หรือรับชมวิดีโอตัวอย่างได้ที่ บล็อกการเปิดตัว

เดโมและช่องทางการใช้งาน

สัมผัสพลังของ LFM2.5-VL-3B ได้ทันทีผ่านเดโมบนเว็บเบราว์เซอร์ ซึ่งรองรับการแชทและการทำงานร่วมกับภาพได้หลากหลายรูปแบบที่ Hugging Face Spaces

LFM2.5-VL-3B พร้อมให้ดาวน์โหลดแล้ววันนี้ โดยคุณสามารถ:

• ดาวน์โหลด: LFM2.5-VL-3B บน Hugging Face
• ทดลอง: รัน เดโม WebGPU ในเบราว์เซอร์ โดยไม่ต้องตั้งค่า
• ปรับจูน (Fine-tune): ศึกษา บทเรียนการปรับจูน เพื่อประยุกต์ใช้กับงานเฉพาะทางของคุณ

การอ้างอิง

Liquid AI, "LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge", Liquid AI Blog, Aug 2026.

@article{liquidAI2026VL3B,
  author  = {Liquid AI},
  title   = {LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge},
  journal = {Liquid AI Blog},
  year    = {2026},
  note    = {www.liquid.ai/blog/lfm2-5-vl-3b},
}