「3.1B 参数、3 GB 显存、ScreenSpot-v2 跑 80.7：LFM2.5-VL-3B 把视觉 + 工具调用 + 边缘部署压到一台笔记本里」
来源核验：Liquid AI 官方博客 2026-08-12「LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge」/ Hugging Face 模型卡 LiquidAI/LFM2.5-VL-3B / Hugging Face 博客同日发布 / Liquid AI Docs 视觉能力 / Developers Digest 2026-08-12 深度报道 / WebGPU 浏览器 demo / M5 Max 228 tok/s 实测 / Galaxy S26 Ultra 20 tok/s 实测
3.1B 参数的视觉语言模型，让 8B Gemma 输在屏幕理解
8 月 12 日，Liquid AI 放出了一个开源视觉语言模型：LFM2.5-VL-3B。
它的数字一旦摆出来，会让人先停顿两秒再相信：
- 3.1B 总参数（开源权重）
- ScreenSpot-v2 跨桌面/移动/Web 平均 80.7——比 8B Gemma-4-E4B-it 的 51.2 高 29.5 分
- RefCOCO 定位精度 87.9——比上一代 LFM2-VL-3B 的 57.1 高 30.8 分
- ToolSandbox 26.4 → 59.5——首次为 VL 线引入工具调用
- M5 Max 228 tok/s——单台 Apple 笔记本
- Ryzen AI Max+ 395 上 116 tok/s——Windows 笔记本
- Galaxy S26 Ultra 20 tok/s——手机
- ~3.3 GB 内存——手机就能跑
- H100 单卡约 11K 输出 tok/s——34 ms 首 token
3.1B 怎么拼出 80.7 的屏幕理解分数
LFM2.5-VL-3B 的架构是 双模块：
- 文本主干：LFM2.5-2.6B（同系列文本模型）
- 视觉编码器：SigLIP2 400M NaFlex
后训练做了三件事：
1. 监督微调 + 知识蒸馏（从更大的教师模型） 2. Antidoom 训练（Liquid AI 内部的对抗鲁棒性训练方法） 3. 多奖励强化学习（同时优化多个目标）
tokenizer 词表 从 64K 翻到 128K——专门为了支持非拉丁字符（CJK / 阿拉伯文 / 印地文 / 西里尔文等）。
最终 3.1B 参数、3.3 GB 内存 跑出 ScreenSpot-v2 平均 80.7 的成绩。
3 张表的对比：80.7 / 87.9 / 59.5 是什么意思
Liquid AI 自己发布的对比表里有 4 个关键维度，每个维度都有明确的「上一代 → 这一代 → 对手 → 对手」 对比关系：
屏幕理解（ScreenSpot-v2）
| 模型 | Desktop | Mobile | Web | 平均 |
|---|---|---|---|---|
| LFM2.5-VL-3B (3.1B) | 78.7 | 81.2 | 82.2 | 80.7 |
| LFM2-VL-3B (3.1B) | 6.0 | 7.6 | 2.5 | 6.0 |
| gemma-4-E4B-it (8B) | 45.8 | 60.3 | 47.6 | 51.2 |
| Qwen3.5-4B (4.7B) | 76.3 | 81.4 | 77.8 | 78.5 |
工具调用（ToolSandbox + BFCL V4）
| 模型 | ToolSandbox | BFCL V4 |
|---|---|---|
| LFM2.5-VL-3B (3.1B) | 59.5 | 32.5 |
| LFM2-VL-3B (3.1B) | 26.4 | 20.5 |
| gemma-4-E4B-it (8B) | 61.6 | 40.0 |
| Qwen3.5-4B (4.7B) | 65.0 | 53.6 |
物体定位（RefCOCO）
| 模型 | RefCOCO-avg |
|---|---|
| LFM2.5-VL-3B (3.1B) | 87.9 |
| LFM2-VL-3B (3.1B) | 57.1 |
| gemma-4-E4B-it (8B) | 72.1 |
| Qwen3.5-4B (4.7B) | 86.6 |
多图输入（BLINK + MuirBench）
| 模型 | BLINK | MuirBench |
|---|---|---|
| LFM2.5-VL-3B (3.1B) | 61.5 | 58.3 |
| LFM2-VL-3B (3.1B) | 50.2 | 34.9 |
3.3 GB 内存跑出 228 tok/s：边缘部署的真实数字
LFM2.5-VL-3B 的部署性能是这个版本最值得专门拆解的部分。
Day-1 部署生态（发布当天就支持）：
- llama.cpp（GGUF 格式）
- MLX（Apple Silicon 原生）
- vLLM（GPU 服务器）
- SGLang（结构化生成）
- ONNX（跨平台）
| 设备 | 解码速度 | 内存 | 备注 |
|---|---|---|---|
| Apple M5 Max | 228 tok/s | ~3.3 GB | 笔记本 |
| AMD Ryzen AI Max+ 395 | 116 tok/s | ~3.3 GB | Windows 笔记本 |
| Samsung Galaxy S26 Ultra | 20 tok/s | ~3.3 GB | 手机 |
| 单卡 H100 | ~11K 输出 tok/s | GPU 显存 | 34 ms 首 token（5 帧视频） |
H100 高并发下约 11K 输出 tok/s —— 约 2× 4B 级模型。1 张 H100 一天能产出 10 亿输出 token。
为什么 3.1B + 3.3 GB + 80.7 这件事不一样
过去 12 个月，「小而强」的视觉语言模型不是没人做 —— 问题是「强」的定义太单一：
- Gemma 2 2B：能看图，但 ScreenSpot-v2 不到 60
- Qwen2-VL 2B：能定位，但工具调用不成熟
- Phi-3 Vision：能 OCR，但屏幕理解分数低
1. 屏幕理解 80+（接近 4.7B Qwen3.5-4B 的 78.5） 2. 工具调用成熟（ToolSandbox 59.5、BFCL V4 32.5） 3. 边缘可跑（3.3 GB 内存 / 20 tok/s 起 / 笔记本电脑即可）
这三件事的交集才是 GUI Agent 真正能跑起来的地方——
GUI Agent 不是「看到屏幕」就够的，它需要「看到 + 定位 + 决定调用哪个工具」三件套同时具备。
LFM2.5-VL-3B 是 第一个把这三件事同时跑在 3 GB 内的开源模型。
对比 Claude Computer Use：本地 vs 云端的两条路线
LFM2.5-VL-3B 发布后，「GUI Agent 跑在本地」vs「GUI Agent 跑在云端」 的对比第一次有了 具体的、可量化的答案：
| 维度 | LFM2.5-VL-3B（本地） | Claude Computer Use（云端） |
|---|---|---|
| 屏幕理解 | 80.7 ScreenSpot-v2 | 显著更强（未公开分数） |
| 工具调用 | 59.5 ToolSandbox | 显著更强（生态成熟） |
| 推理能力 | 有限（3.1B 模型） | 强（Opus 4.8 等） |
| 延迟 | 34 ms 首 token | 数百 ms（网络往返） |
| 隐私 | 数据完全本地 | 数据需传云 |
| 成本 | 边际成本 0 | 按 token 收费 |
| 离线 | 完全支持 | 必须联网 |
| 部署复杂度 | 单笔记本即跑 | 需要 API 集成 |
- 文档处理流水线（OCR + 结构化抽取）
- 截图分析（错误报告、UI 调试）
- 内部工具自动化（HR 系统、工单系统）
- 手机端 AI 助手
- 复杂网页交互
- 跨应用工作流
- 需要大量世界知识的多步决策
两个关键提醒：不要把 0.7 分的差距讲成「完胜」
Liquid AI 自己承认两个保留意见，没把这次发布包装成「对所有更大模型的全胜」：
1. 视觉综合平均 69.4 vs Qwen3.5-4B 70.1 —— 差 0.7 分。「超过更大模型」的说法是选择性的。LFM2.5-VL-3B 在屏幕 + 定位上领先，但在综合视觉能力上仍落后 Qwen3.5-4B 2. 工具调用仍然偏弱（BFCL V4 32.5 vs Qwen3.5-4B 53.6）—— 重工具调用的 Agent 循环在服务器上应该选更大模型
这意味着 LFM2.5-VL-3B 的 甜蜜区是「小 + 屏幕 + 边缘 + 隐私」，不是「所有视觉任务的通用最优」。
WebGPU 浏览器 demo：3 分钟判断模型能不能用
LFM2.5-VL-3B 的发布最有「对开发者友好」的一招，是 Hugging Face 上线了 WebGPU 浏览器 demo：
- 打开网页
- 上传图片
- 直接看到 bounding box + 工具调用结果
- 无需安装、无需配置
Developers Digest 给出的结论是：对文档工作流已经是 production-usable （DocVQA 91.1，layout-aware OCR 已覆盖）。
对 AI Agent 工程师，3 个具体动作
1. 如果在做 GUI Agent，把 LFM2.5-VL-3B 作为本地 fallback 模型集成 ——云端主模型 + 本地 fallback，处理「网络不可用 + 隐私敏感」场景 2. 如果在做文档处理流水线，用 WebGPU demo 验证 3 分钟 ——如果 DocVQA 91.1 已经满足需求，可以直接上生产线 3. 如果在做边缘 AI 设备（智能眼镜 / 智能家居 / 车载），用 Galaxy S26 Ultra 20 tok/s 数字估算量产可行性 ——20 tok/s 对多数交互场景够用
对「小而强」范式的 3 个观察
LFM2.5-VL-3B 不是孤例。2026 H2 「小而强」 正在成为一条明确的范式：
- AlayaRenderer-Flash：50 步 → 4 步蒸馏，30.1 GB → 16.2 GB，单卡 H200
- AQuA：5 年 + 27 个 checkpoint + 多智能体流水线，全在封闭沙箱内
- Q-CTRL 100-qubit QFT：Convolutional QFT + Fire Opal，单 ancilla 替代全连接
- LFM2.5-VL-3B：3.1B 参数 + 3.3 GB 内存 + 80.7 ScreenSpot-v2
当硬件 / 数据 / 算法都不需要新突破时，蒸馏 + 轻量 codec + 流水重构 + 自回归流式 / 因果闭包 / 历史压缩 / 视觉-工具联合 —— 这种「已有方案的极限工程」 才是 2026 H2 的入场券。
8 月 28 日早间推送 5 条主线里，LFM2.5-VL-3B 占据什么位置
把 2026-08-28 早间推送的 5 条并排放：
- Figure 03 vs Tesla Optimus（具身）：「商业落地 vs 制造愿景」实证对比
- Q-CTRL 100-qubit QFT（量子）：「软件层交付 70% 价值」实证
- AQuA（量化）：「AI 自己跑研究 + 不偷看未来」实证
- AlayaRenderer-Flash（游戏/渲染）：「生成式实时 + 学术→产业可玩」实证
- LFM2.5-VL-3B（CV/AI 编程）：「小而强 + 边缘 AI 工业化」实证
2026 H2，「3 GB 内存 + 屏幕 + 工具 + 定位」是一个开源可达的工程状态。
这件事给所有「Agent 跑在用户机器上」的产品（浏览器扩展、桌面助手、手机助手、智能家居控制） 打开了一扇门 —— 云端成本、隐私顾虑、网络依赖这三件事可以一次性被一个 3.1B 开源模型解决。
——
写在最后。LFM2.5-VL-3B 不是「又一个开源 VLM」。
它是 「3 GB 边缘可达 + 屏幕 + 工具 + 定位」三件套开源化的第一个具体里程碑。
这件事给 2026 H2 之后的整个边缘 AI 行业出了一道题：
当「看到屏幕 + 决定动作 + 保护隐私」三件事同时开源可达时，云端 GUI Agent 服务的护城河还剩什么？
答案可能是「复杂推理 + 多步决策」—— 但这条护城河比 12 个月前想象的窄得多。Liquid AI 自己也承认在 BFCL V4 / 综合视觉 / 工具调用上仍落后 Qwen3.5-4B。但 对一个 3.1B 模型来说，落后 4.7B 不到 0.7 分，已经意味着「参数小 ≠ 能力小」的范式转换。
接下来 12-18 个月，「本地 3B 视觉 Agent」能否从「demo 玩具」位移到「生产线组件」，将决定 2027-2028 边缘 AI 产业的格局是「云端主导」还是「云端 + 本地混合」。
数据来源：
1. Liquid AI 官方博客 2026-08-12「LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge」liquid.ai/blog/lfm2.5-vl-3b 2. Hugging Face 模型卡 LiquidAI/LFM2.5-VL-3B huggingface.co/LiquidAI/LFM2.5-VL-3b 3. Hugging Face 博客 2026-08-12「LFM2.5-VL-3B for Better and Faster Vision Capabilities for the Edge」 4. Liquid AI Docs 视觉能力 docs.liquid.ai/lfm/key-concepts/vision-capabilities 5. Developers Digest 2026-08-12 深度报道「LFM2.5-VL-3B: Liquid AI's 3B Vision Model Reads Screens, Grounds Objects, and Calls Tools on a Laptop」 6. WebGPU 浏览器 demo huggingface.co/spaces/LiquidAI/LFM2.5-VL-3B-WebGPU 7. Liquid4All Cookbook 官方微调 notebooks github.com/Liquid4All/cookbook/tree/main/finetuning/notebooks 8. LFM Open License v1.0（商业年收入 1,000 万美元以下免费，超出需商业协议） 9. M5 Max / Ryzen AI Max+ 395 / Galaxy S26 Ultra 实测 10. ScreenSpot-v2 / RefCOCO / ToolSandbox / BFCL V4 / BLINK / MuirBench / DocVQA / ChartQA / TextVQA / IFEval 全 benchmark 28 项