¿Qué pasaría si un modelo pudiera leer documentos, entender una pantalla y analizar varias imágenes sin enviar tus datos a la nube? Liquid AI presenta LFM2.5-VL-3B, un modelo de visión y lenguaje diseñado para ejecutar tareas multimodales con rapidez en dispositivos locales y equipos de bajo consumo.
Con 3.1 mil millones de parámetros, el modelo busca un equilibrio poco común: capacidades visuales avanzadas, soporte para herramientas y una huella de memoria lo bastante pequeña para funcionar incluso en teléfonos compatibles.
Cuatro mejoras para entender imágenes y pantallas
LFM2.5-VL-3B amplía las capacidades de la generación anterior, LFM2-VL-3B, en cuatro áreas principales:
- Comprensión de pantallas y interfaces: interpreta elementos de aplicaciones móviles, sitios web y escritorios.
- Grounding: localiza objetos en una imagen a partir de instrucciones en lenguaje natural.
- Entrada de múltiples imágenes: compara y razona sobre varias imágenes dentro de una misma consulta.
- Function calling: puede decidir cuándo utilizar una herramienta, tanto en conversaciones de texto como en escenarios que combinan imágenes y texto.
En la práctica, podrías mostrarle una captura de pantalla y pedirle que identifique el botón para descargar un archivo. También podrías entregarle varias fotografías de un producto, analizar un recibo y solicitarle que extraiga los datos para registrarlos en otra aplicación.
La diferencia importante no está solo en describir una imagen. Está en conectar lo que aparece en ella con una acción concreta.
Una arquitectura compacta, pero multimodal
El modelo combina un codificador visual SigLIP2 de 400 millones de parámetros con NaFlex y el mismo backbone preentrenado del modelo de texto LFM2.5-2.6B. Esta combinación permite procesar información visual y textual dentro de un sistema relativamente pequeño.
Liquid AI indica que el entrenamiento utilizó aproximadamente 34 billones de tokens y cuatro veces más datos visuales que la generación anterior. El conjunto incluyó pares de imágenes y descripciones, datos de OCR, ejemplos de grounding e instrucciones sintéticas y seleccionadas.
El equipo también amplió el vocabulario del tokenizador hasta 128.000 tokens para mejorar el soporte de escrituras no latinas. En lugar de entrenar desde cero, extendió el tokenizador existente, una decisión que reduce el costo de adaptar el modelo a más idiomas y sistemas de escritura.
Entrenamiento en dos etapas
El postentrenamiento se realizó en dos fases. Primero aplicaron ajuste fino supervisado, conocido como SFT, con destilación de conocimiento de un modelo docente más grande y entrenamiento denominado Antidoom.
Después utilizaron aprendizaje por refuerzo con múltiples recompensas. Dicho de forma sencilla, el modelo no solo aprendió ejemplos correctos, sino que también fue optimizado para cumplir instrucciones, detectar objetos, usar herramientas y producir respuestas más útiles.
Resultados destacados en visión y lenguaje
Liquid AI evaluó LFM2.5-VL-3B en pruebas de comprensión visual, OCR, documentos, matemáticas, razonamiento científico, detección de objetos, múltiples imágenes y entendimiento de interfaces gráficas.
En la comparación presentada por la empresa, el modelo obtuvo un promedio de 69,4 puntos en el conjunto de pruebas visuales. Igualó el promedio de InternVL 3.5 4B y quedó por encima de varios modelos de tamaño similar, aunque Qwen3.5-4B alcanzó 70,1 puntos.
Algunos resultados llaman especialmente la atención:
- RefCOCO-avg: 87,9 puntos en grounding, frente a 57,1 de LFM2-VL-3B.
- BLINK: 61,5 puntos en razonamiento con múltiples imágenes, frente a 50,2 de la generación anterior.
- MuirBench: 58,3 puntos, un salto respecto a los 34,9 anteriores.
- TextVQA: 84,3 puntos en preguntas sobre texto dentro de imágenes.
- DocVQA: 91,1 puntos en comprensión de documentos.
- ScreenSpot-v2: entre 78,7 y 82,2 puntos según se trate de escritorio, móvil o web.
Estas cifras deben interpretarse con contexto. Las pruebas se ejecutaron con vLLM 0.26.0, usando los parámetros recomendados por cada modelo cuando estaban disponibles. Además, se utilizó el modo sin razonamiento explícito y se pidió responder directamente.
En otras palabras, los resultados no representan todas las situaciones posibles. Sí muestran, sin embargo, que un modelo compacto puede ser competitivo en tareas que suelen requerir sistemas mucho más grandes.
Mejor uso de herramientas y funciones
La mejora no se limita a las imágenes. En benchmarks de seguimiento de instrucciones, LFM2.5-VL-3B alcanzó 82,3 puntos en IFEval, frente a 72,9 de LFM2-VL-3B.
En el uso de herramientas obtuvo 59,5 puntos en ToolSandbox, frente a 26,4 de la generación anterior. En BFCL V4 logró 32,5 puntos, por encima de LFM2-VL-3B, que obtuvo 20,5.
Liquid AI afirma que el modelo se encuentra al nivel de Gemma-4-E2B y Qwen3.5-2B en uso de herramientas. Esto abre posibilidades para asistentes que no solo contestan preguntas, sino que también pueden extraer información de una imagen, seleccionar una función y devolver datos estructurados a otra aplicación.
Velocidad para funcionar en el dispositivo
El enfoque de Liquid AI está orientado al llamado edge AI: ejecutar inteligencia artificial cerca del usuario, sin depender necesariamente de un servidor remoto.
Según las mediciones publicadas, LFM2.5-VL-3B alcanza:
- 228 tokens por segundo en un equipo con M5 Max.
- 116 tokens por segundo en un Ryzen AI Max+ 395.
- Cerca de 20 tokens por segundo en un Galaxy S26 Ultra.
- Aproximadamente 3 GB de memoria para ejecutarse localmente.
En GPU, la empresa también lo presenta como el modelo más rápido de su evaluación para entradas de varios fotogramas. Con alta concurrencia, llega a unos 11.000 tokens por segundo de salida, aproximadamente el doble que modelos de la clase de 4.000 millones de parámetros.
Para una empresa, esto puede traducirse en menor latencia y menos costos de infraestructura. Para un usuario, puede significar que una aplicación analice una captura, un documento o una fotografía sin subirla a un servicio externo.
Disponible en varios entornos de inferencia
LFM2.5-VL-3B llega con soporte desde el primer día para varias herramientas de ejecución:
llama.cppMLXvLLMSGLangONNX
También puede cargarse con Transformers. Un flujo básico utiliza AutoProcessor para preparar la imagen y AutoModelForImageTextToText para generar la respuesta. El ejemplo publicado por Liquid AI muestra cómo pedirle al modelo que describa una imagen en dos frases.
El resultado de demostración identifica correctamente dos gatos dormidos sobre un sofá rosa junto a dos controles remotos. Parece una tarea sencilla, pero sirve para comprobar el flujo completo: cargar una imagen, procesarla y generar una respuesta multimodal.
Qué significa para desarrolladores y usuarios
Para los desarrolladores, el atractivo está en construir aplicaciones visuales con requisitos de hardware más modestos. Un asistente para documentos, una herramienta de accesibilidad o un sistema de soporte técnico podrían procesar imágenes localmente y activar funciones mediante llamadas estructuradas.
Para los usuarios, la ventaja más clara es la privacidad potencial. Una aplicación que entiende una pantalla o un documento sin enviarlo a la nube puede reducir la exposición de información personal. Eso sí, la privacidad real dependerá de cómo cada aplicación implemente el modelo, qué datos almacene y qué permisos solicite.
LFM2.5-VL-3B no elimina la necesidad de modelos grandes. En tareas complejas, razonamiento extenso o contextos muy amplios, los sistemas de mayor tamaño todavía pueden tener ventajas. Su propuesta es distinta: ofrecer suficientes capacidades visuales y de herramientas con baja latencia y ejecución local.
La tendencia es clara. La IA visual deja de ser una función exclusiva de centros de datos y empieza a llegar a computadoras personales, teléfonos y dispositivos especializados. La pregunta ya no es si una máquina puede ver, sino qué tareas útiles puede completar con esa información sin obligarte a depender siempre de la nube.