概览
LFM3-VL-2B 是 Liquid AI 于 2026 年 10 月 27 日随 LFM3 家族发布的视觉语言模型，面向手机、笔记本等端侧部署：总参数 1.92B（1.73B 语言主干 + 164M 视觉编码器 + 25M 投影层），输入文本、图片和视频，输出文本。它是 LFM 系列第一个能直接输入视频的模型，可以对录好的讲座、手机拍的操作过程或摄像头片段提问；回答前会先逐步推理，适合数学题、图表和多步视觉问答；还能定位物体、判断物体之间的空间关系，官方把它当作机器人等具身应用的基础。架构上沿用 LFM3 三混合主干（24 层：13 层门控短卷积、5 层滑动窗口注意力、6 层全局注意力），并配一个新的自研「卷积 + 注意力」混合视觉编码器，图片和视频都按原生分辨率处理。官方自测在 62 项视觉基准里比同尺寸模型至少高 7.4 分，整体与大 6 倍多的 Gemma 4 12B 持平，超过 Gemini 3.5 Flash Lite；单张 NVIDIA B300 在 1,024 并发时输出超过 12,000 tokens/s。以上均为官方数据，尚待第三方复核。上下文 128K（输入 + 输出），支持中文在内的 16 种语言。权重已在 Hugging Face 开放，有 Transformers、GGUF（llama.cpp）、MLX、ONNX 版本，也可以用 vLLM、SGLang 部署，或在 Liquid Playground 试用。许可为 LFM Open License v1.0：个人、研究、非营利和年收入低于 1000 万美元的企业可免费商用，年收入达到或超过 1000 万美元的企业商用不在授权范围内。同批发布的还有 LFM3-1.7B、LFM3-Omni-2B（均已收录）、LFM3-Audio-2B 及 d1-2B、d1-Omni-2B。来源：https://www.liquid.ai/blog/lfm3 、https://docs.liquid.ai/lfm/models/lfm3-vl-2b 、https://huggingface.co/LiquidAI/LFM3-VL-2B （2026-10-30 核对）。 定价：权重免费下载、自行部署（受 LFM Open License v1.0 限制）；Liquid 官方价页（https://www.liquid.ai/pricing）目前列出了 LFM3-1.7B 的 API 价格，但没有 LFM3-VL-2B，输入 / 输出价留空。
- 模态
- 多模态
- 参数量
- 1.92B
- 许可说明
- 开源 · LFM Open License v1.0
能力
- 视觉语言：输入文本、图片和视频（按原生分辨率处理，每 2×2 个图块合成 1 个语言 token），输出文本；这是 LFM 系列里第一个能直接看视频的模型，默认按 2 fps 采样，每段 4–768 帧
- 推理与空间理解：回答前会先逐步推理，适合数学题、图表和多步视觉问答；能定位物体、理解物体之间的空间关系，官方把它定位为机器人等具身场景的基础
- 架构：1.92B 参数 = 1.73B LFM3 语言主干 + 164M 自研视觉编码器（14 层：8 层门控深度 2D 卷积 + 6 层双向注意力，16×16 图块，2D 旋转位置编码）+ 25M 投影层
- 官方评测（自测）：62 项视觉基准里比同尺寸模型至少高 7.4 分，整体与大 6 倍多的 Gemma 4 12B 持平，超过 Gemini 3.5 Flash Lite；单张 NVIDIA B300、1,024 并发时输出超过 12,000 tokens/s
- 运行与许可：上下文 128K（输入 + 输出），16 种语言（含中文）；有 Transformers、GGUF（llama.cpp）、MLX、ONNX 版本，也可用 vLLM、SGLang；推荐参数 temperature=0.1、top_k=50、repetition_penalty=1.1；许可 LFM Open License v1.0
