LiquidAI/LFM3-VL-2B: новая модель в трендах Hugging Face

Что это

LFM3-VL-2B — компактная мультимодальная модель (изображения, видео, текст) от Liquid AI, стартующая с LFM3-1.7B-Base и собственного vision-энкодера, объединяющего свёртки и внимание. Ориентирована на локальный запуск на телефонах и ноутбуках, поддерживает визуальное понимание, рассуждения, вызов инструментов и привязку к изображению (grounding).

Данные из карточки

• 1.92B параметров (BF16); 17 языков, включая английский, арабский, китайский, немецкий, японский, корейский, русский.
• Архитектура Lfm3VlForConditionalGeneration: свой vision-энкодер плюс текстовый backbone LFM3-1.7B-Base; обучение включает vision mid-training, SFT, vision RL и multi-domain on-policy distillation (MOPD).
• По заявлению авторов, самая высокая пропускная способность префилла и наименьшее потребление памяти среди сравнимых моделей на всех трёх тестируемых устройствах.
• На одном NVIDIA B300 выдаёт более 12 000 токенов/с при 1024 одновременных запросах — больше всех сравниваемых моделей.
• Доступны квантованные варианты (GGUF) и заявлена поддержка llama.cpp/SGLang; лицензия LFM Open License v1.0.