LFM2.5-VL-3B：エッジ向けの、より高性能で高速な視覚言語モデル
本日、当社で最も高性能なビジョン言語モデル LFM2.5-VL-3B を公開します。2 倍のサイズのモデルに匹敵するビジョン性能を発揮しながら、パラメータ数がより少ないモデルと比べても、さまざまな CPU および GPU 環境でより高速に動作します。
LFM2.5-VL-3B は前モデル LFM2-VL-3B をベースに、画面理解、グラウンディング、関数呼び出し、複数画像入力を大幅に改善しています。LFM2.5-VL-3B は推論（リーズニング）を行わずに直接回答する非推論モデルであり、リアルタイムおよびオンデバイスのアプリケーション向けにレイテンシを低く抑えます。
本モデルは本日より Hugging Face と当社の Playgroundで利用可能です。ローカルでの実行およびファインチューニング方法については、ドキュメントをご確認ください。
新機能
LFM2.5-VL-3B は、前リリースのビジョン言語機能を 4 つの大きな改善によって拡張しています。
画面/UI 理解。LFM2.5-VL-3B は、モバイル、Web、デスクトップにわたるデジタル画面を高度に理解します。ScreenSpot-v2 の平均スコアは 80.7 で、はるかに大きい Gemma-4-E4B（51.2）や Qwen 3.5 4B（78.5）を大きく上回り、より大きい InternVL-3.5-4B（84.1）に迫ります。
関数呼び出し。当社の VL ラインとして初めて、LFM2.5-VL-3B はテキストのみの入力とビジョン・テキスト入力の両方で、ツール使用と関数呼び出しの性能が大幅に向上しました。ToolSandbox は 26.4 から 59.5 へと 2 倍以上に、BFCL v4 は 20.5 から 32.5 へと向上し、Gemma-4-E2B と同等、Qwen3.5-2B を上回る水準に達しています。
グラウンディング。LFM2.5-VL-3B は、合成グラウンディングデータをスケールさせることで、グラウンディング性能を大幅に向上させました。RefCOCO の precision@1 は 57.1 から 87.9 へと上昇し、前リリースから 30 ポイント向上しています。
複数画像入力。複数画像にまたがる推論が改善され、BLINK は 50.2 から 61.5 へ、MUIRBench は 34.9 から 58.3 へと向上しました。
トレーニング
LFM2.5-VL-3B は、これまでの VLM である LFM2.5-VL-1.6B および LFM2.5-VL-450M と同じアーキテクチャを採用しています。先日リリースしたテキストモデル LFM2.5-2.6B と同じ事前学習済みベースを基盤とし、SigLIP2 400M NaFlex エンコーダーを統合しています。
前リリースの LFM2-VL-3B と比べ、約 34T トークンで事前学習されています。LFM2.5 で非ラテン文字をより適切にサポートするため、既存のトークナイザーをその場で拡張し、語彙を 128K へと倍増させました。
さらに、ビジョンの事前学習トークン数を 4 倍に拡大するとともに、厳選データと合成データからなる画像キャプション、OCR、グラウンディング、指示追従の大規模なデータ混合により、データ品質を向上させました。
ポストトレーニングのパイプラインは、より大きな教師モデルからの知識蒸留とAntidoom トレーニングを含む教師ありファインチューニング（SFT）と、それに続くマルチ報酬強化学習（RL）で構成されています。
ビジョンベンチマーク
LFM2.5-VL-3B を、多言語の視覚理解、指示追従、視覚的な数学・科学推論、文書理解、物体検出、複数画像理解、画面理解をカバーする 28 のベンチマークで評価しました。
LFM2.5-VL-3B は、物理世界とデジタル世界の両方の理解に特に優れています。RealWorldQA、POPE、RefCOCO などの実世界の画像タスクでは同サイズクラスでトップの性能を示し、文書やチャートから画面上の UI 要素まで、デジタルコンテンツでも高い性能を発揮します。これらのベンチマークの平均では、LFM2.5-VL-3B ははるかに大きい Gemma モデルを大きく上回り、より大きな 4.7B の Qwen 3.5 モデルとの差は 0.7% 以内です。1
タスク | ベンチマーク | LFM2.5-VL-3B (3.1B) | LFM2-VL-3B (3.1B) | gemma-4-E2B-it (5.1B) | gemma-4-E4B-it (8B) | InternVL 3.5 2B (2.4B) | InternVL 3.5 4B (4.7B) | Qwen3.5-2B (2.3B) | Qwen3.5-4B (4.7B) |
一般 | MMStar | 63.3 | 57.7 | 45.3 | 52.9 | 57.7 | 65.5 | 55.1 | 59.3 |
MME | 73.1 | 73.0 | 54.9 | 67.6 | 73.6 | 81.0 | 76.2 | 79.5 | |
RealWorldQA | 73.1 | 71.1 | 60.0 | 64.3 | 61.6 | 67.7 | 65.1 | 67.1 | |
SimpleVQA | 35.4 | 33.0 | 27.3 | 30.4 | 30.5 | 33.7 | 35.2 | 40.7 | |
SEED-Bench (image) | 77.7 | 76.6 | 71.4 | 75.3 | 75.4 | 76.4 | 75.8 | 76.1 | |
MMBench (dev EN v1.1) | 81.0 | 80.0 | 64.2 | 71.6 | 76.2 | 81.1 | 73.1 | 78.4 | |
CountBenchQA | 87.3 | 92.2 | 70.4 | 80.5 | 70.4 | 82.5 | 83.8 | 86.7 | |
多言語 | MMMB | 83.0 | 81.9 | 73.3 | 80.4 | 76.3 | 81.5 | 75.9 | 82.0 |
Multilingual MMBench | 79.5 | 76.3 | 62.8 | 71.2 | 70.9 | 76.6 | 69.9 | 77.0 | |
マルチモーダル指示追従 | MM-IFEval | 60.6 | 51.4 | 65.6 | 68.2 | 47.1 | 54.5 | 55.4 | 63.1 |
STEM | LogicVista | 37.4 | 32.2 | 29.5 | 34.5 | 30.9 | 36.2 | 34.0 | 37.6 |
MathVista (mini) | 68.5 | 62.1 | 37.8 | 45.2 | 56.8 | 67.1 | 48.7 | 63.6 | |
MMMU-Pro | 30.5 | 28.7 | 26.9 | 32.6 | 21.3 | 22.7 | 24.9 | 36.0 | |
MMMU (val) | 48.4 | 45.6 | 41.1 | 49.3 | 52.0 | 60.7 | 44.1 | 50.3 | |
文書・OCR・チャート | ChartQA (test) | 81.3 | 80.4 | 43.2 | 42.1 | 81.7 | 86.2 | 78.4 | 84.2 |
DocVQA (val) | 91.1 | 89.8 | 85.7 | 87.4 | 88.4 | 91.8 | 92.6 | 94.8 | |
InfographicVQA (val) | 70.2 | 67.8 | 54.4 | 60.9 | 69.3 | 76.9 | 73.5 | 80.3 | |
OCRBench v1 | 84.2 | 81.7 | 70.2 | 73.5 | 83.9 | 82.0 | 84.4 | 85.6 | |
OCRBench v2 (En) | 47.5 | 43.9 | 44.4 | 48.8 | 45.5 | 49.1 | 47.7 | 58.7 | |
TextVQA (val) | 84.3 | 83.0 | 62.5 | 69.0 | 76.6 | 77.5 | 77.3 | 81.2 | |
グラウンディング | RefCOCO-avg | 87.9 | 57.1 | 67.3 | 72.1 | 82.9 | 88.8 | 78.5 | 86.6 |
複数画像 | BLINK | 61.5 | 50.2 | 45.2 | 52.2 | 52.0 | 57.2 | 48.6 | 58.7 |
MuirBench | 58.3 | 34.9 | 32.9 | 51.8 | 45.0 | 53.5 | 48.2 | 62.0 | |
ハルシネーション | HallusionBench | 47.2 | 46.4 | 41.8 | 49.8 | 47.6 | 52.1 | 49.3 | 51.7 |
POPE | 88.7 | 89.2 | 84.0 | 86.9 | 88.0 | 88.9 | 88.6 | 86.0 | |
GUI | ScreenSpot-v2 Desktop | 78.7 | 6.0 | 28.1 | 45.8 | 79.9 | 82.0 | 63.8 | 76.3 |
ScreenSpot-v2 Mobile | 81.2 | 7.6 | 42.9 | 60.3 | 86.2 | 87.8 | 69.7 | 81.4 | |
ScreenSpot-v2 Web | 82.2 | 2.5 | 22.4 | 47.6 | 79.9 | 82.6 | 65.9 | 77.8 | |
平均 | - | 69.4 | 57.2 | 52.0 | 59.7 | 64.6 | 69.4 | 63.7 | 70.1 |
テキストベンチマーク
また、同じモデル群を対象に、指示追従とツール使用に関するテキストのみのベンチマークでも LFM2.5-VL-3B を評価しました。指示追従はすべての項目で向上し、ツール使用も大きく改善しており、ToolSandbox は 26.4 から 59.5 へと 2 倍以上になりました。ツール使用において、LFM2.5-VL-3B は Gemma-4-E2B および Qwen3.5-2B と同等の性能です。2
タスク | ベンチマーク | LFM2.5-VL-3B (3.1B) | LFM2-VL-3B (3.1B) | gemma-4-E2B-it (5.1B) | gemma-4-E4B-it (8B) | InternVL 3.5 2B (2.4B) | InternVL 3.5 4B (4.7B) | Qwen3.5-2B (2.3B) | Qwen3.5-4B (4.7B) |
指示追従 | IFEval | 82.3 | 72.9 | 83.0 | 87.9 | 32.4 | 35.4 | 73.6 | 86.2 |
IFBench | 25.8 | 20.8 | 34.1 | 39.2 | 24.4 | 24.5 | 28.9 | 33.5 | |
Multi-IF | 59.4 | 46.5 | 69.4 | 77.4 | 16.3 | 16.9 | 53.5 | 66.7 | |
ツール使用・関数呼び出し | ToolSandbox | 59.5 | 26.4 | 56.5 | 61.6 | N/A | N/A | 47.7 | 65.0 |
BFCL V4 | 32.5 | 20.5 | 33.2 | 40.0 | N/A | N/A | 33.9 | 53.6 |
これらの結果から、LFM2.5-VL-3B は強力でバランスの取れたビジョン言語モデルであるといえます。画像キャプション生成、視覚的質問応答、文書理解といった日常的なタスクで高い性能を発揮し、特にアクションの実行、バウンディングボックス検出、デジタル画面や文書の読み取りに優れています。
あらゆる環境で高速な推論
LFM2.5-VL-3B は、推論エコシステム全体で初日からサポートされています。
- llama.cpp — 効率的なエッジ推論のための GGUF チェックポイント
- MLX — Apple Silicon 向けに最適化された推論
- vLLM — 本番環境のスループットに対応する GPU アクセラレーション対応のサービング
- SGLang — 本番環境のスループットに対応する GPU アクセラレーション対応のサービング
- ONNX — 多様なアクセラレーターに対応するクロスプラットフォーム推論
オンデバイス推論。LFM2.5-VL-3B は、メモリ使用量を約 3 GB に抑えながら、Apple M5 Max で 228 トークン/秒、AMD Ryzen AI Max+ 395 で 116 トークン/秒のデコード速度を実現します。コンパクトなビジョンエンコーダーにより最初のトークンまでの時間も短く、InternVL のように重いエンコーダーを持つモデルが同じ画像で停滞する場面でも素早く応答します。スマートフォンでも動作し、Galaxy S26 Ultra では 20 トークン/秒でデコードできるため、高性能なビジョンモデルを自分のデバイス上でプライベートに実行できます。
GPU 推論。LFM2.5-VL-3B は、GPU 上での高速で応答性の高い推論を想定して設計されています。推論（リーズニング）を行わずに直接回答するため、画像の多い入力でも最初のトークンを素早く返します。単一の NVIDIA H100 SXM5 GPU でリクエストを 1 件ずつ処理し、512x512 の画像 1 枚、512x512 の画像と 1,024 トークンの入力テキスト、256x256 で 5 フレームの動画クリップという 3 種類の入力について、最初のトークンまでの時間を測定しました。LFM2.5-VL-3B は一貫して低いレイテンシを維持し、複数フレームの入力では大きくリードしています。5 フレームの動画クリップでは、Gemma モデルが約 200 ms かかるところを、約 34 ms で最初のトークンを返します。
また、単一の NVIDIA H100 SXM5 GPU で、持続負荷の設定により出力スループット（総出力トークン数 / 経過時間）も測定しました。各同時実行レベルにおいて、処理中のリクエスト数を目標値に保ち続け、完了したリクエストは即座に新しいリクエストに置き換えています。
各モデルは vLLM 0.26 を使用し、512×512 の画像と 1,024 の入力トークン、最大 256 の出力トークンという条件で BF16 にてベンチマークを行い、各同時実行レベルにつき 5 回の実行の中央値を報告しています。LFM2.5-VL-3B は、テストしたすべてのモデルの中で最も高い出力スループットを達成し、高い同時実行数で毎秒約 11K トークンに達しました。これは、より大きい 4B クラスのモデルの約 2 倍であり、より小さい 2B クラスのモデルをも上回ります。単一の H100 で 1 日あたり 10 億近くの出力トークンに相当します。
LFM2.5-VL-3B の動作を見る
WebGPU デモで、LFM2.5-VL-3B をブラウザから直接お試しいただけます。モデルは完全にデバイス上で動作し、セットアップは不要です。画像をアップロードするか、Web カメラで静止画を撮影して、モデルの動作を確認できます。
文書理解。文書のページが与えられると、モデルはページ全体を 1 回のパスで解析し、領域を特定してレイアウトラベルを割り当てます。
画面/UI 理解。特定のドキュメントページを見つけるという高レベルの目標が与えられると、モデルはその目標を達成するために Web サイトを操作します。各画面を視覚的に分析してクリックすべき場所を特定し、目的のページに到達するまでこのプロセスを繰り返します。
関数呼び出し。料理の画像とそのレシピのリクエストが与えられると、モデルは料理を特定し、レシピを探すために検索ツールを呼び出すべきだと判断します。
グラウンディング。自然言語のリクエストが与えられると、モデルは画像内の指定されたオブジェクトを特定し、それぞれのバウンディングボックスを返します。
はじめに
LFM2.5-VL-3B で今日から開発を始めましょう。公開先は Hugging Face です。
LFM2.5 によって、私たちは「どこでも動く AI」というビジョンを形にしています。これらのモデルは次の特長を備えています。
- オープンウェイト — 制約なくダウンロード、ファインチューニング、デプロイできます
- 初日から高速 — Apple、AMD、Qualcomm、NVIDIA の各ハードウェアで llama.cpp、MLX、vLLM をネイティブサポート
- 揃ったファミリー — カスタマイズ向けのベースモデルから、音声・視覚に特化した派生モデルまで、単一のアーキテクチャで多様な用途をカバーします
皆さんが何を作るのか、楽しみにしています。
引用
本記事は次のように引用してください：
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},
}1 評価には vLLM 0.26.0 を使用し、利用可能な場合は各モデルの推奨生成パラメータを使用しています。すべての評価で非推論モードを使用し、モデルには推論せずに直接回答するようプロンプトしています。
表中の値はすべて 0–100 に正規化しています。元のベンチマークでは、MME は 0-2800、OCRBench は 0-1000、DocVQA と InfographicVQA は 0–1 のスケールを使用しています。
RefCOCO-avg は、次の 8 つの分割における P@1 の平均です：RefCOCO: val、testA、testB、RefCOCO+: val、testA、testB、RefCOCOg: val、test
POPE は、adversarial、popular、random の各サブセットの全例に対する F1 です
MMMU-Pro は 10 択の多肢選択形式を使用しています
2 InternVL 3.5 モデルは関数呼び出しに対応していません。