「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

这件事意味着什么？意味着 「屏幕理解 + 物体定位 + 工具调用」三件事第一次同时跑在 3 GB 显存里。这正是「GUI Agent 跑在它自动化的机器上」的最小可行解。

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

预训练用了 约 34 万亿 token，相比上一代 LFM2-VL-3B 视觉数据量翻了 4 倍——包括精选与合成的图像-文本对、OCR 数据、定位数据、指令遵循数据。

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）

注意上一代 LFM2-VL-3B 在 ScreenSpot-v2 上几乎全是零（Desktop 6.0 / Mobile 7.6 / Web 2.5）。这一代 直接跳到 80.7 ——是真正的「从零到能跑」。

工具调用（ToolSandbox + BFCL V4）

ToolSandbox 26.4 → 59.5 是「首次为 VL 线引入工具调用」的核心证据。LFM2.5-VL-3B 已经在文本 + 视觉两个模态上都能调用工具了。

物体定位（RefCOCO）

RefCOCO 是 GUI Agent 的关键能力 ——告诉模型「点击那个按钮」，模型需要先 精确定位 那个按钮在屏幕上的坐标。87.9 已经接近 Qwen3.5-4B 的 86.6，超过 8B Gemma 的 72.1。

多图输入（BLINK + MuirBench）

多图输入 对文档处理、对比分析、视觉推理至关重要。

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）

实测数字（Liquid AI 官方测量）：

34 ms 首 token 这个数字在 5 帧视频上 比 Gemma 模型（~200 ms）快 6 倍。

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

LFM2.5-VL-3B 打破了这种 「小 = 弱」 的等价关系—— 它同时满足 3 个条件：

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：

本地路线的甜蜜区是「隐私敏感 + 高频次 + 简单任务」：

• 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

云端路线的甜蜜区是「复杂推理 + 多步决策 + 罕见任务」：

• 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

两者的甜蜜区几乎不重叠。这意味着 LFM2.5-VL-3B 和 Claude Computer Use 是互补关系 —— 企业可以根据任务的隐私性、频率、复杂度选择本地或云端。

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

这是判断一个视觉模型能不能用的 最便宜方法 —— 3 分钟打开 demo，丢进去你的真实场景图片，看结果。

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

这 4 件事共同呈现的是同一类工程深度：

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

LFM2.5-VL-3B 占据「边缘 AI 工业化」的位置——它给出了一个具体的工程事实：

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