Liquid AI 最新发布了 LFM2-VL 系列视觉语言基础模型（Vision-Language Foundation Models），这标志着多模态 AI 正朝着「精简、快速、可部署在设备端」的方向加速发展。
这两款型号分别是 LFM2-VL-450M 和 LFM2-VL-1.6B，前者专为资源受限的硬件环境设计，参数量不足5亿;后者虽参数更多但依旧轻量，适合单个 GPU 或设备直接部署。
LFM2-VL 扩展自 Liquid AI 之前推出的 LFM2架构，整合了视觉与语言处理能力，支持多分辨率的图片输入，可处理文本与图像，具有极佳的灵活性与兼容性 （liquid.ai， Venturebeat）。模型在 GPU 推理速度上实现了高达「两倍」的提升，并且在常见性能评测中表现不凡 (Venturebeat， liquid.ai)。
在图像处理方面，LFM2-VL 能以原始分辨率（最高512×512）输入图像，避免因强制缩放带来的失真问题。对于更大尺寸图像，模型会采用非重叠切片方式处理，并配合缩略图以获取全局语境信息 (Venturebeat， liquid.ai)。其架构由语言模型主干、SigLIP2NaFlex 视觉编码器与一个多模态投影器构成。投影器使用两层 MLP(带 pixel unshuffle 技术)来减少图像 token 数量，从而提升处理速度 (Venturebeat， liquid.ai)。
训练数据方面，LFM2-VL 涉及约1，000亿多模态训练 token，来源包括开源数据集与公司自有合成图像数据 （Venturebeat， liquid.ai）。评测结果显示，LFM2-VL-1.6B 在 RealWorldQA(65.23)、InfoVQA(58.68)、OCRBench(742)等任务中成绩优异，同时在推理效率上领先于同类模型 (Venturebeat， liquid.ai)。
目前，这些模型已在 Hugging Face 发布，并附有在 Colab 上的微调示例代码，兼容 Hugging Face Transformers 与 TRL 库。它们采用了一种基于 Apache2.0原则的新“LFM1.0授权协议”，允许学术使用，年收入低于1，000万美元的公司可用于商业，而年营收更高的企业则需联系 Liquid AI 获取授权 （Venturebeat， liquid.ai）。
Liquid AI 的 LFM2-VL 模型组合为视觉与文本融合 AI 在设备端部署提供了新的路径，尤其适合手机、笔记本、可穿戴设备等场景，有助于降低对云端依赖，提升隐私与响应速度。
