/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
lfm2_vl · dense
Базовая модель
LFM2.5-VL-1.6B
Библиотека
transformers
Опубликована
26 мая 2026

LFM2.5-VL-1.6B-Extract

Изображение и текст → текст10 профессий

Компактная мультимодальная модель Liquid AI извлекает заданные поля из изображений и возвращает структурированный JSON.

377скачиваний за 30 дней72лайкавеса обновлены4 июн 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

LFM2.5-VL-1.6B-Extract — компактная модель Liquid AI для извлечения заданных пользователем полей из изображений. Пользователь перечисляет нужные поля и их описания в системном запросе в формате YAML, а модель возвращает объект JSON; для полей можно задавать допустимые варианты ответа. Модель предназначена для структурированного анализа изображений в производственных сценариях, например для выявления событий безопасности и автоматической разметки товаров.

Архитектура — плотная LFM2-VL для генерации текста по изображению; в README указаны визуальный энкодер SigLIP2 примерно на 400 млн параметров и гибридный свёрточно-внимательный бэкбон. Метаданные связывают модель с дообучением LiquidAI/LFM2.5-VL-1.6B. Модель принимает изображение и текстовую схему, выдаёт текст в виде JSON; указанный язык карточки — английский. README сообщает о высокой точности на внутреннем тесте формата «одно изображение, схема полей, плоский JSON», однако эти результаты не следует переносить на задачи рассуждения по нескольким изображениям или свободные ответы на вопросы. Для запуска требуется Transformers версии 5.1 или новее. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в карточке репозитория.

Сценарии применения

  • Извлечение атрибутов товаров из изображений для интернет-магазина
  • Выявление пожаров, падений и утечек на изображениях
  • Автоматическое заполнение заданных полей по фотографии
  • Подсчёт и структурированная классификация объектов на кадрах видео

Ограничения

Оценка в README относится к одному изображению, YAML-схеме полей и плоскому JSON; качество на многоизображенческом рассуждении и свободном визуальном вопросно-ответном диалоге не подтверждено. Условия лицензии «other» нужно уточнить в карточке модели.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LFM2.5-VL-1.6B-Extract

LFM2.5-VL-1.6B-Extract extracts user-defined fields from images and returns them as JSON. It is Liquid AI's first vision model in the Liquid Nanos collection—compact, task-specific models built for production workflows—and extends the Extract family alongside LFM2-1.2B-Extract for text documents.

⚙️ How it works

You specify what to extract as a YAML field list in the system prompt, and the model returns a JSON object with those fields. Structured outputs integrate cleanly with rule-based systems and downstream pipelines. Use it out of the box or fine-tune for domain-specific extraction.

  • System prompt:
wood_color: The overall coloration of the wood surface
wood_texture: The tactile quality of the wood surface 
wood_pattern: The partern types visible on the wood surface
  • User prompt:

  • Output:

{
  "wood_color": "light tan to beige with darker brown streaks",
  "wood_texture": "smooth with visible grain patterns",
  "wood_pattern": "wavy, linear, irregular"
}

Our model supports the enum feature, which lets you provide a list of possible choices alongside the field description as follows, and the model will return one of the listed values as its answer.

  • System prompt:
wood_color: The overall coloration of the wood surface, such as blue, red, or light tan
wood_texture: The tactile quality of the wood surface, select from smooth, rough, or grainy
wood_pattern: The partern types visible on the wood surface, e.g., straight, wavy, or curly

🌟 Use cases

  • Detecting safety-critical events in images (e.g. fallen person, fire, leakage) to trigger automated safety systems.
  • Collecting statistical information about objects across video frames for analytics pipelines.
  • Auto-tag product images with structured attributes for Retail/E-commerce.

📄 Model details

PropertyDetail
Parameters (LM only)1.2B
Vision encoderSigLIP2 (~400M, SigLIP-2 paper)
Backbone layershybrid conv+attention
Image inputSingle image, dynamic resolution
Context128,000 tokens
Vocab size65,536 (text)
Precisionbfloat16
LicenseLFM Open License v1.0

📊 Performance

We evaluated LFM2.5-VL-1.6B-Extract on a 2,000-sample benchmark of (image, schema, JSON) triples, with reference labels generated by an ensemble of frontier multimodal models. Predictions are scored on the following three dimensions:

  • JSON Validity — share of samples producing strict-parseable JSON
  • Schema Consistency F1 Score — set-level F1 over predicted vs requested field names, macro-averaged across samples
  • VLM Judge Score — match against the image directly, judged by a separate vision model (Qwen/Qwen3.5-35B-A3B)
ModelParamsJSON ValidityF1 ScoreVLM Judge Score
LFM2.5-VL-1.6B-Extract1.6B99.699.690.6
LFM2.5-VL-1.6B1.6B91.875.866.0
FastVLM-1.5B1.91B87.380.350.9
SmolVLM2-2.2B-Instruct2.25B84.482.964.8
Qwen3.5-2B2.27B97.997.789.7
gemma-4-E2B-it2.3B97.497.184.4
InternVL3_5-2B2.35B99.699.287.7
(ref) Qwen3-VL-4B-Instruct4.44B99.899.792.0
(ref) InternVL3_5-4B4.73B99.599.490.2

LFM2.5-VL-1.6B-Extract outperforms similarly-sized (~2B) open-source VLMs on this benchmark and is competitive with models 2× its size.

Reproducing these numbers: The full evaluation pipeline, which includes extraction, VLM judging, and metric aggregation, is bundled in this repository under model_eval/. Setup, configuration, and run instructions are in the folder's README.

Scope: These numbers characterize the model on the input/output form it is designed for: a single input image, a YAML field list as the schema, and a flat JSON object as the output. Performance is not expected to transfer to vastly different tasks, e.g. multi-image reasoning or free-form VQA.

🏃 How to run

You can run LFM2.5-VL-1.6B-Extract with Hugging Face transformers v5.1 or newer:

pip install transformers pillow
from transformers import AutoProcessor, AutoModelForImageTextToText
from transformers.image_utils import load_image

model_id = "LiquidAI/LFM2.5-VL-1.6B-Extract"
model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    device_map="auto",
    dtype="bfloat16",
    trust_remote_code=True,
)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

image = load_image("https://huggingface.co/LiquidAI/LFM2.5-VL-1.6B-Extract/resolve/main/sample_image.png")

fields_yaml = """wood_color: The overall coloration of the wood surface
wood_texture: The tactile quality of the wood surface
wood_pattern: The pattern types visible on the wood surface"""

system_prompt = f"""Extract the following from the image:

{fields_yaml}

Respond with only a JSON object. Do not include any text outside the JSON."""

conversation = [
    {"role": "system", "content": system_prompt},
    {"role": "user",   "content": [{"type": "image", "image": image}]},
]

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=512, do_sample=False)
response = processor.batch_decode(
    outputs[:, inputs["input_ids"].shape[1]:],
    skip_special_tokens=True,
)[0]
print(response)
# {
#   "wood_color": "light tan to beige with darker brown streaks",
#   "wood_texture": "smooth with visible grain patterns",
#   "wood_pattern": "wavy, linear, irregular"
# }

[!WARNING] The model is intended for single-turn conversations. We recommend using greedy decoding (temperature=0).

📬 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
21073aa

0 моделей