LFM2.5-VL-3B: компактная модель для анализа изображений и текста

Что произошло

Команда LiquidAI представила новую версию своей мультимодальной модели LFM2.5-VL-3B, которая понимает одновременно изображения и текст. Главное преимущество — возможность эффективно работать на обычных устройствах, включая смартфоны и ноутбуки, без мощных серверов.

Детали

Модель объединяет:

• Визуальный кодировщик SigLIP2 на 400 млн параметров
• Текстовую модель LFM2.5-2.6B

Ключевые улучшения:

• Работа с интерфейсами: лучше понимает элементы экранов (десктоп, мобильные, веб)
• Граундинг: точнее находит объекты по текстовым запросам
• Мультиизображения: улучшена обработка нескольких изображений сразу
• Вызов функций: модель лучше выполняет действия по запросу

Почему это важно

LFM2.5-VL-3B открывает новые возможности для:

• Локальных приложений с анализом изображений
• Быстрой обработки документов и скриншотов
• Создания ассистентов, работающих без интернета

«Это наша самая способная модель, которую можно запустить на собственном железе» — отмечают разработчики.

Что дальше

Модель уже доступна на Hugging Face. Разработчики предлагают:

• Тестировать демо-версию в браузере
• Адаптировать модель под конкретные задачи
• Использовать в локальных приложениях