Liquid AI เปิดตัว LFM2.5-VL-3B โมเดล Vision ขนาดเล็ก 3B ที่อ่านหน้าจอและเรียกใช้เครื่องมือได้ในตัว

เมื่อวานนี้ Liquid AI ได้เปิดตัว LFM2.5-VL-3B โมเดล vision-language ขนาด 3.1 พันล้านพารามิเตอร์ที่ออกแบบมาสำหรับการใช้งานบนอุปกรณ์ (on-device) โดยเฉพาะ ความสามารถเด่นคือการอ่านหน้าจอดิจิทัลได้ทั้งบนมือถือ เว็บ และเดสก์ท็อป พร้อมระบุพิกัดวัตถุ (grounding) วิเคราะห์เอกสาร แผนภูมิ และเรียกใช้เครื่องมือ (tool calling) ผ่านข้อความหรือรูปภาพได้ทันที

โมเดลนี้ทำคะแนนเฉลี่ยด้านการมองเห็นได้ถึง 69.4 จาก 28 เบนช์มาร์ก ซึ่งเทียบเท่ากับโมเดลที่มีขนาดใหญ่อย่าง InternVL-3.5-4B และตามหลัง Qwen3.5-4B เพียงเล็กน้อย ทั้งนี้ LFM2.5-VL-3B ถูกออกแบบให้เป็นโมเดลแบบ non-reasoning เพื่อรักษาความหน่วง (latency) ให้ต่ำและตอบคำถามได้รวดเร็ว โดยใช้หน่วยความจำเพียง 3 GB และทำความเร็วได้ถึง 228 tokens/s บน Apple M5 Max

สามารถนำไปใช้งานได้จริงไหม?

คำตอบคือใช้งานได้ทันที โดย Liquid AI ปล่อยโมเดลออกมาถึง 4 รูปแบบ ได้แก่ native, GGUF, ONNX, และ MLX รองรับรันไทม์ยอดนิยมอย่าง llama.cpp, vLLM และ SGLang ตั้งแต่วันแรกที่เปิดตัว

สำหรับการใช้งานเชิงพาณิชย์ LFM Open License v1.0 อนุญาตให้นักพัฒนาอิสระ สตาร์ทอัพ และบริษัทขนาดเล็ก (SMB) ที่มีรายได้ต่อปีไม่เกิน 10 ล้านเหรียญสหรัฐ ใช้งานได้ฟรีโดยไม่มีค่าใช้จ่าย ส่วนองค์กรขนาดใหญ่ที่รายได้เกินเกณฑ์ต้องเจรจาสัญญาเพิ่มเติม ในขณะที่การใช้งานด้านการวิจัยและการศึกษาไม่มีข้อจำกัดใดๆ

กลุ่มอุตสาหกรรมที่ได้ประโยชน์ครอบคลุมตั้งแต่ ยานยนต์, อุตสาหกรรมและหุ่นยนต์, ไปจนถึง การดูแลสุขภาพ โดยสามารถประยุกต์ใช้เป็นเอเจนต์ควบคุมหน้าจอ การทดสอบ GUI อัตโนมัติ การทำ OCR แปลงเอกสาร PDF หรือแม้แต่การตรวจจับวัตถุแบบเรียลไทม์ในยานพาหนะและการแปลป้ายจราจรแบบออฟไลน์

มีอะไรใหม่บ้าง?

LFM2.5-VL-3B พัฒนาต่อยอดจาก LFM2-VL-3B ใน 4 ด้านหลัก ได้แก่ ความเข้าใจ UI ที่ทำคะแนน ScreenSpot-v2 ได้สูงถึง 80.7 การเพิ่มฟีเจอร์การเรียกใช้ฟังก์ชัน (Function calling) ที่รองรับรูปแบบ Pythonic การระบุพิกัดวัตถุ (Grounding) ที่แม่นยำขึ้น 30 จุดจากข้อมูลสังเคราะห์ และการรองรับอินพุตหลายรูปภาพที่ทำได้ดีขึ้นอย่างมาก

สถาปัตยกรรมและการฝึกฝน

โมเดลนี้ใช้ภาษาจาก LFM2.5-2.6B และส่วนวิชันใช้ SigLIP2 NaFlex encoder ขนาด 400M ที่สามารถจัดการรูปภาพความละเอียดสูงได้โดยการแบ่งเป็นแพตช์ขนาด 512×512 รองรับบริบท (Context length) สูงสุด 32,768 โทเค็น และรองรับการใช้งานถึง 16 ภาษา

กระบวนการฝึกฝนใช้โทเค็นมหาศาลถึง 34 ล้านล้านตัว พร้อมขยายคลังคำศัพท์ (tokenizer) เป็น 128K เพื่อรองรับอักษรที่ไม่ใช่ละตินได้ดีขึ้น นอกจากนี้ยังผ่านกระบวนการฝึกฝนหลังการเรียนรู้ ทั้ง SFT ด้วยการกลั่นกรองความรู้จากโมเดลขนาดใหญ่ และเทคนิค การฝึกแบบ Antidoom ควบคู่ไปกับการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning)

เบนช์มาร์ก

จากการทดสอบ 28 รายการพบว่า LFM2.5-VL-3B ทำผลงานได้โดดเด่น เช่น ใน RealWorldQA ทำได้ 73.1 คะแนน สูงกว่า InternVL-3.5-4B และใน TextVQA ทำได้ 84.3 คะแนน สูงกว่า Qwen3.5-4B ขณะที่ด้านข้อความล้วน (IFEval) ก็เพิ่มขึ้นมาอยู่ที่ 82.3 คะแนน สะท้อนถึงประสิทธิภาพที่รอบด้านในขนาดตัวที่กะทัดรัด

สรุปประเด็นสำคัญ

• ทำคะแนนเฉลี่ย 69.4 ในด้านการมองเห็น เทียบเท่าโมเดลขนาด 4.7B
• ความแม่นยำในการระบุพิกัด (RefCOCO) ก้าวกระโดดจาก 57.1 เป็น 87.9
• รองรับฟีเจอร์ใหม่ Tool calling สำหรับงานอัตโนมัติ (RPA)
• ประหยัดทรัพยากร ใช้แรม ~3 GB ประมวลผลบนมือถือได้ (20 tok/s บน S26 Ultra)
• ใช้งานเชิงพาณิชย์ฟรี หากรายได้บริษัทไม่เกิน 10 ล้านเหรียญสหรัฐต่อปี