/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
lfm2_vl · dense
Базовая модель
LFM2.5-VL-450M
Опубликована
26 сен 2026

LFM2.5-VL-450M-SFT-GGUF

Изображение и текст → текст3 профессии

Компактная мультимодальная модель на основе LiquidAI/LFM2.5-VL-450M для ответов на вопросы об изображениях, чтения текста и анализа диаграмм и схем.

333скачиваний за 30 дней0лайковвеса обновлены26 сен 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

Varun12387 опубликовал производную модель LiquidAI/LFM2.5-VL-450M: мультимодальную LFM2.5-VL-450M дообучили с помощью LoRA на 3 500 примерах с изображениями, а веса объединили и подготовили для локального запуска через llama.cpp. Модель принимает изображения и текстовые запросы, чтобы отвечать на вопросы о визуальном содержимом, читать текст, диаграммы и схемы, а также описывать сцены и объекты.

В основе — плотная архитектура LFM2-VL с языковой частью LFM2 и визуальным энкодером SigLIP2 NaFlex; указанный в README контекст — 128 000 токенов. Репозиторий содержит GGUF-варианты F16, Q8_0 и Q4_K_M, а также safetensors. Дообучение охватывало визуальные вопросы, анализ диаграмм и схем и локализованные описания. В приведённых автором тестах результаты ниже показателей базовой модели по RealWorldQA, OCRBench и POPE, поэтому точность на сложных визуальных задачах может быть ограничена. Лицензия указана как other; конкретные условия следует сверить с карточкой модели и лицензией базовой модели.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • чтение текста на изображениях и в диаграммах
  • объяснение схем и графиков
  • описание объектов и сцен на изображении

Ограничения

В указанных автором тестах модель уступила базовой версии по RealWorldQA, OCRBench и POPE. Лицензия обозначена как other, поэтому перед использованием следует проверить её условия.

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

LiquidAI LFM2.5-VL-450M-SFT-GGUF

This repository contains fine-tuned and merged weights for LiquidAI/LFM2.5-VL-450M, fine-tuned with multimodal LoRA and converted to GGUF format for local, edge-native inference with llama.cpp.


📊 Comprehensive Benchmark Suite (Evaluated on RTX 4050 GPU)

BenchmarkFocusOfficial Base (Paper)Original Base (Local)This Model (LoRA SFT)Delta
RealWorldQASpatial & Real-World Reasoning58.43%58.04%51.37%-6.67%
OCRBenchText, Chart & Diagram Reading684 / 1000612 / 1000451 / 1000-161 pts
POPEObject Hallucination Resistance86.93%79.40%74.00%-5.40%

Model Architecture & Training

  • Backbone: Liquid Foundation Model (LFM2 350M), hybrid 1D short convolutions + grouped-query attention
  • Vision Encoder: SigLIP2 NaFlex encoder (768 hidden dimension, 12 layers)
  • Multimodal Projector: 2-layer GELU spatial projection (downsample factor 2)
  • Fine-Tuning: LoRA (rank 16, alpha 16, dropout 0.05) on 3,500 multimodal samples across VQA, chart reasoning, diagram understanding, and localized narratives. Vision encoder kept frozen.
  • Context Length: 128,000 tokens

📁 Repository Files

1. GGUF Files (for llama.cpp / edge inference)

FileQuantizationSizeDescription
LFM2.5-VL-450M-Q4_K_M.ggufQ4_K_M218.69 MB4-bit quantized text backbone (recommended for edge deployment)
LFM2.5-VL-450M-F16.ggufF16678.53 MBFull precision 16-bit text backbone
mmproj-LFM2.5-VL-450M-F16.ggufF16180.36 MBFull precision SigLIP2 multimodal vision projector
mmproj-LFM2.5-VL-450M-Q8_0.ggufQ8_098.05 MB8-bit quantized multimodal vision projector

2. Standalone Hugging Face Checkpoint

  • model.safetensors (855.91 MB)
  • config.json, processor_config.json, tokenizer.json, tokenizer_config.json, chat_template.jinja, generation_config.json

💻 How to Run

Using llama.cpp (llama-mtmd-cli)

# Run with Q4_K_M text model + F16 vision projector:
llama-mtmd-cli \
  -m LFM2.5-VL-450M-Q4_K_M.gguf \
  --mmproj mmproj-LFM2.5-VL-450M-F16.gguf \
  --image /path/to/image.jpg \
  -p "Describe what you see in this image." \
  --temp 0.1 \
  --repeat-penalty 1.15

Using Python transformers

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForImageTextToText

model_id = "Varun12387/LFM2.5-VL-450M-SFT-GGUF"

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

image = Image.open("example.jpg")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "Describe this image in detail."}
        ]
    }
]

prompt = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)
inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)

with torch.no_grad():
    output = model.generate(**inputs, max_new_tokens=128)

print(processor.decode(output[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2VlForConditionalGeneration
Ревизия весов
cd35355

0 моделей