Modèle vision-langage intégré de Liquid AI atteint 69,4 sur 28 benchmarks
Un modèle de 3,1 milliards de paramètres fonctionnant avec seulement 3 Go de RAM et capable de traiter 228 jetons par seconde sur un Apple M5 Max est désormais disponible pour un déploiement local, sans besoin de connexion internet. Le LFM2.5-VL-3B de Liquid AI lit les écrans numériques, localise des objets aux coordonnées pixel près, analyse des documents et des graphiques, et peut même appeler des outils à partir d'une entrée texte ou image, le tout dans la limite de la mémoire de l'appareil. Sur 28 benchmarks dédiés aux modèles vision-langage, il affiche une moyenne de 69,4, rivalisant avec le plus gros InternVL-3.5-4B et ne cédant que 0,7 point au Qwen3.5-4B malgré une taille inférieure de 1,6 milliard de paramètres.
Fonctionnement
En coulisses, le LFM2.5-VL-3B associe un cœur linguistique de 2,6 milliards de paramètres à un encodeur visuel SigLIP2 de 400 millions de paramètres, optimisé pour des résolutions natives. NaFlex divise les grandes images en patchs de 512×512 pixels plus une vignette redimensionnée, permettant au modèle de gérer les résolutions natives sans artefacts de redimensionnement. La longueur de contexte atteint 32 768 jetons sur 16 langues, et le tokenizer couvre désormais les scripts non latins grâce à un vocabulaire doublé de 128 000 jetons. L'entraînement a reposé sur environ 34 000 milliards de jetons, avec un quadruplement du volume de données pour la pré-formation visuelle et un post-entraînement combinant fine-tuning supervisé, distillation de connaissances et apprentissage par renforcement multi-récompenses.
Licence et portée
Liquid AI propose le modèle sous quatre formats : natif, GGUF, ONNX et MLX, avec des environnements d'exécution disponibles dès le premier jour, dont llama.cpp, MLX, vLLM, SGLang et ONNX. La licence LFM Open v1.0 s'inspire de l'Apache 2.0 mais plafonne l'usage commercial gratuit à 10 millions de dollars de revenus annuels ; la recherche, l'éducation et les organisations à but non lucratif n'ont pas de limite de revenus. Les secteurs ciblés couvrent l'électronique grand public, l'automobile, la robotique industrielle, les services financiers, la santé, le commerce électronique, ainsi que les fournisseurs de QA et RPA automatisant les interfaces graphiques.
Nouveautés
Par rapport à son prédécesseur, le LFM2-VL-3B, le nouveau modèle améliore significativement la compréhension des écrans et interfaces (+80,7 sur ScreenSpot-v2), la capacité d'appel d'outils (ToolSandbox passe de 26,4 à 59,5, BFCL v4 de 20,5 à 32,5), l'ancrage d'objets (précision@1 sur RefCOCO passe de 57,1 à 87,9) et la compréhension d'images multiples (BLINK +11,3, MuirBench +23,4).
Enjeux
Pour les développeurs ciblant les appareils en périphérie, le LFM2.5-VL-3B réduit la latence et supprime la dépendance au cloud tout en maintenant une précision compétitive. Son modèle de licence maintient des coûts abordables pour les startups et PME, tout en s'adaptant facilement aux grandes entreprises. Dans des marchés comme les interfaces homme-machine automobiles, l'inspection industrielle et l'automatisation des expériences mobiles, cet équilibre entre performances, empreinte et licence pourrait accélérer le passage des agents vision-langage centrés sur le cloud vers des solutions embarquées.
Source : MarkTechPost. Synthèse éditoriale assistée par IA — TechnoExpress.