/ Модель

Характеристики

Размер весов
6 ГБ
Лицензия
Своя лицензия
Архитектура
lfm2_vl · dense
Библиотека
transformers
Опубликована
22 окт 2025

LFM2-VL-3B

Изображение и текст → текст3 профессии

Мультимодальная модель Liquid AI на 3 млрд параметров для диалогового понимания изображений и ответов на вопросы по ним.

1 449скачиваний за 30 дней142лайкавеса обновлены30 мар 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

LFM2-VL-3B — мультимодальная модель Liquid AI для работы с текстом и изображениями, построенная на языковой основе LFM2 и визуальных энкодерах SigLIP2 NaFlex. Модель имеет гибридную архитектуру с сочетанием свёрточных слоёв и attention; в карточке указано 2,6 млрд параметров языковой части и энкодер зрения на 400 млн параметров. Она принимает изображения с разным соотношением сторон, обрабатывает разрешение до 512×512 пикселей и разбивает более крупные изображения на фрагменты с дополнительным обзорным миниатюрным изображением.

Модель предназначена для диалогового следования инструкциям, понимания изображений и лёгких агентных сценариев; её можно применять для описания изображений, визуальных вопросов и ответов, а также задач детального зрительного восприятия. Настройки числа визуальных токенов и фрагментов позволяют выбирать компромисс между скоростью и качеством. Основной поддерживаемый язык, указанный в README, — английский; метаданные также перечисляют японский, французский, испанский, немецкий, итальянский, португальский, арабский, китайский и корейский. Рекомендуется дообучать модель под узкие сценарии; она не предназначена для решений, критичных к безопасности. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

  • описание содержимого изображения
  • ответы на вопросы по фотографии или скриншоту
  • распознавание мелких визуальных деталей
  • анализ больших изображений с разбиением на фрагменты
  • создание лёгкого мультимодального чат-ассистента

Ограничения

Разработчик рекомендует дообучать модель для узких сценариев; модель не предназначена для решений, критичных к безопасности. README указывает английский как поддерживаемый язык, тогда как метаданные перечисляют дополнительные языки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LFM2‑VL

LFM2-VL-3B is the newest and most capable model in Liquid AI's multimodal LFM2-VL series, designed to process text and images with variable resolutions.
Built on the LFM2 backbone, it extends the architecture for higher-capacity reasoning and stronger visual understanding while retaining efficiency.

We are releasing the weights of the new 3B checkpoint—offering higher performance across benchmarks while remaining optimized for scalable deployment.

  • Competitive multimodal performance among lightweight open models.
  • Enhanced visual understanding and reasoning, particularly on fine-grained perception tasks
  • Retains efficient inference with the same flexible architecture and user-tunable speed-quality tradeoffs
  • Processes native resolutions up to 512×512 with intelligent patch-based handling for larger inputs

For more details, see the LFM2-VL-3B post and the LFM2 blog post.

📄 Model details

Due to their small size, we recommend fine-tuning LFM2-VL models on narrow use cases to maximize performance. They were trained for instruction following and lightweight agentic flows. Not intended for safety‑critical decisions.

PropertyLFM2-VL-450MLFM2-VL-1.6BLFM2-VL-3B
Parameters (LM only)350M1.2B2.6B
Vision encoderSigLIP2 NaFlex base (86M)SigLIP2 NaFlex shape-optimized (400M)SigLIP2 NaFlex large (400M)
Backbone layershybrid conv+attentionhybrid conv+attentionhybrid conv+attention
Context (text)32,768 tokens32,768 tokens32,768 tokens
Image tokensdynamic, user-tunabledynamic, user-tunabledynamic, user-tunable
Vocab size65,53665,53665,536
Precisionbfloat16bfloat16bfloat16
LicenseLFM Open License v1.0LFM Open License v1.0LFM Open License v1.0

Supported languages: English

Generation parameters: We recommend the following parameters:

  • Text: temperature=0.1, min_p=0.15, repetition_penalty=1.05
  • Vision: min_image_tokens=64 max_image_tokens=256, do_image_splitting=True

Chat template: LFM2-VL uses a ChatML-like chat template as follows:

<|startoftext|><|im_start|>system
You are a helpful multimodal assistant by Liquid AI.<|im_end|>
<|im_start|>user
<image>Describe this image.<|im_end|>
<|im_start|>assistant
This image shows a Caenorhabditis elegans (C. elegans) nematode.<|im_end|>

Images are referenced with a sentinel (<image>), which is automatically replaced with the image tokens by the processor.

You can apply it using the dedicated .apply_chat_template() function from Hugging Face transformers.

Architecture

  • Hybrid backbone: Language model tower (LFM2-2.6B) paired with SigLIP2 NaFlex vision encoders (400M shape-optimized)
  • Native resolution processing: Handles images up to 512×512 pixels without upscaling and preserves non-standard aspect ratios without distortion
  • Tiling strategy: Splits large images into non-overlapping 512×512 patches and includes thumbnail encoding for global context
  • Efficient token mapping: 2-layer MLP connector with pixel unshuffle reduces image tokens (e.g., 256×384 image → 96 tokens, 1000×3000 → 1,020 tokens)
  • Inference-time flexibility: User-tunable maximum image tokens and patch count for speed/quality tradeoff without retraining

Training approach

  • Builds on the LFM2 base model with joint mid-training that fuses vision and language capabilities using a gradually adjusted text-to-image ratio
  • Applies joint SFT with emphasis on image understanding and vision tasks
  • Leverages large-scale open-source datasets combined with in-house synthetic vision data, selected for balanced task coverage
  • Follows a progressive training strategy: base model → joint mid-training → supervised fine-tuning

🏃 How to run LFM2-VL

You can run LFM2-VL with Hugging Face transformers via installing Transformers from source as follows:

pip install git+https://github.com/huggingface/transformers.git@87be5595081364ef99393feeaa60d71db3652679 pillow

Here is an example of how to generate an answer with transformers in Python:

from transformers import AutoProcessor, AutoModelForImageTextToText
from transformers.image_utils import load_image

# Load model and processor
model_id = "LiquidAI/LFM2-VL-3B"
model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    device_map="auto",
    dtype="bfloat16"
)
processor = AutoProcessor.from_pretrained(model_id)

# Load image and create conversation
url = "https://www.ilankelman.org/stopsigns/australia.jpg"
image = load_image(url)
conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": "What is in this image?"},
        ],
    },
]

# Generate Answer
inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    return_tensors="pt",
    return_dict=True,
    tokenize=True,
).to(model.device)
outputs = model.generate(**inputs, max_new_tokens=64)
processor.batch_decode(outputs, skip_special_tokens=True)[0]

# This image captures a vibrant street scene in a Chinatown area. The focal point is a large red Chinese archway with gold and black accents, adorned with Chinese characters. Flanking the archway are two white stone lion statues, which are traditional guardians in Chinese culture.

You can directly run and test the model with this Colab notebook.

🔧 How to fine-tune

We recommend fine-tuning LFM2-VL models on your use cases to maximize performance.

NotebookDescriptionLink
SFT (TRL)Supervised Fine-Tuning (SFT) notebook with a LoRA adapter using TRL.

📈 Performance

ModelAverageMMStarRealWorldQAMM-IFEvalBLINKMMBench (dev en)OCRBenchPOPE
InternVL3_5-2B66.5057.6760.7847.3150.9778.18834.0087.17
Qwen2.5-VL-3B65.4256.1365.2338.6248.9780.41824.0086.17
InternVL3-2B67.4461.1065.1038.4953.1081.10831.0090.10
SmolVLM2-2.2B56.0146.0057.5019.4242.3069.24725.0085.10
LFM2-VL-3B69.0057.7371.3751.8351.0379.81822.0089.01

More benchmark scores are reported in our LFM2-VL-3B post. We obtained the scores for competitive models using VLMEvalKit. Qwen3-VL-2B is not listed in the results table, as its release occurred the day before.

📬 Contact

Citation

@article{liquidai2025lfm2,
 title={LFM2 Technical Report},
 author={Liquid AI},
 journal={arXiv preprint arXiv:2511.23404},
 year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2VlForConditionalGeneration
Ревизия весов
97a81f5

0 моделей