LFM2.5-VL-3B es el nuevo modelo de lenguaje y visión de Liquid AI, diseñado para ejecutarse directamente en móviles, ordenadores y otros dispositivos. Con 3.1B de parámetros, puede interpretar pantallas digitales, analizar documentos y gráficos, localizar objetos mediante coordenadas y generar llamadas a herramientas a partir de texto o imágenes.
La propuesta prioriza la latencia frente a las respuestas con razonamiento prolongado. Liquid AI afirma que el modelo ocupa aproximadamente 3 GB de memoria y alcanza 228 tokens por segundo en un Apple M5 Max, mientras que en un Galaxy S26 Ultra llega a 20 tokens por segundo.
LFM2.5-VL-3B admite entradas de texto e imagen, funciona en cuatro formatos —native, GGUF, ONNX y MLX— e incorpora soporte inicial para llama.cpp, MLX, vLLM, SGLang y ONNX.
Un modelo centrado en pantallas y automatización
Una de las mejoras principales está en la comprensión de interfaces. En la evaluación ScreenSpot-v2, Liquid AI comunica una media de 80,7 puntos, con resultados de 78,7 en escritorio, 81,2 en móvil y 82,2 en web. Esta capacidad está orientada a agentes que operan sobre interfaces, pruebas automatizadas de GUI y sistemas de automatización robótica de procesos.
El modelo también incorpora por primera vez llamadas a herramientas en la línea visual de Liquid AI. Los resultados comunicados pasan de 26,4 a 59,5 en ToolSandbox y de 20,5 a 32,5 en BFCL v4. Las llamadas se expresan con una sintaxis similar a Python y quedan delimitadas por tokens específicos de inicio y final.
Más precisión al localizar elementos y analizar documentos
La localización de objetos, conocida como grounding, registra uno de los saltos más amplios frente a la generación anterior. La puntuación media en RefCOCO alcanza 87,9 de precisión en la primera posición, frente a 57,1 en LFM2-VL-3B. Liquid AI atribuye la mejora a la ampliación de los datos sintéticos de grounding.
El modelo está preparado para tareas como convertir PDF en texto estructurado con etiquetas de distribución, extraer información de facturas y recibos, detectar objetos en vehículos, traducir menús y señales sin conexión o comparar varias imágenes. En las pruebas comunicadas obtiene 91,1 en DocVQA, 84,3 en TextVQA, 81,3 en ChartQA y 84,2 en OCRBench v1.
El rendimiento no mejora en todas las tareas: CountBenchQA baja a 87,3 puntos desde los 92,2 de la versión anterior. En comprensión de texto sin imágenes, IFEval sube de 72,9 a 82,3, aunque Liquid AI sitúa a Gemma-4-E4B por delante con 87,9.
Arquitectura, formatos y licencia
LFM2.5-VL-3B combina el modelo lingüístico LFM2.5-2.6B con un codificador visual SigLIP2 NaFlex de 400 millones de parámetros. Este último trabaja con la resolución original dividiendo las imágenes grandes en bloques de 512×512 píxeles y añadiendo una miniatura de la imagen completa. El contexto alcanza 32.768 tokens y el sistema admite 16 idiomas.
El entrenamiento utilizó aproximadamente 34 billones de tokens. Liquid AI duplicó el vocabulario hasta 128.000 entradas y amplió los datos visuales de OCR, descripciones, grounding y seguimiento de instrucciones. El ajuste posterior combinó destilación de conocimiento, entrenamiento Antidoom y aprendizaje por refuerzo con varias recompensas.
La licencia LFM Open License v1.0 se basa en Apache 2.0, pero introduce un límite para el uso comercial gratuito: cuando una empresa supera los 10 millones de dólares de ingresos anuales, debe negociar una licencia comercial con Liquid AI. La investigación, la educación y las organizaciones sin ánimo de lucro no están sujetas a ese umbral.
Qué ofrecen realmente sus resultados
En una evaluación de 28 benchmarks visuales ejecutada con vLLM 0.26.0 y en modo sin razonamiento, Liquid AI sitúa a LFM2.5-VL-3B en una media de 69,4 puntos. Es la misma cifra comunicada para InternVL-3.5-4B y queda 0,7 puntos por debajo de Qwen3.5-4B. Los dos modelos de comparación tienen 4.7B parámetros, por lo que el resultado destaca la relación entre tamaño y rendimiento, pero no constituye por sí solo una clasificación general de modelos visuales.
Conclusión
LFM2.5-VL-3B plantea una opción compacta para interpretar pantallas, automatizar interfaces y procesar documentos sin depender necesariamente de un servidor remoto. Sus mejoras en grounding, entrada de varias imágenes y llamadas a herramientas amplían los casos de uso frente a la generación anterior.
Quedan por comprobar en escenarios independientes la estabilidad de sus resultados, el comportamiento con aplicaciones reales y el coste operativo de desplegarlo en distintos dispositivos. Para empresas y desarrolladores, el límite de ingresos de la licencia será un factor decisivo antes de incorporarlo a productos comerciales.
Encuentra más IA en nuestra sección de IA o suscríbete a Guslok – Guías 100% en YouTube para más contenido.
Sobre el Autor
