LFM2.5-VL-3B एक नया विजन-लैंग्वेज मॉडल है जो रियल-टाइम और ऑन-डिवाइस एप्लिकेशन के लिए कम लेटेंसी बनाए रखते हुए बड़े मॉडल्स के मुकाबले प्रतिस्पर्धी प्रदर्शन प्रदान करता है। यह पिछले LFM2-VL-3B रिलीज पर स्क्रीन समझ, ग्रौंडिंग, फंक्शन कॉलिंग और मल्टी-इमेज इनपुट क्षमताओं में महत्वपूर्ण सुधारों के साथ आधारित है।
- स्क्रीन/UI समझ ScreenSpot-v2 पर औसतन 80.7 है, जो Gemma-4-E4B (51.2) और Qwen 3.5 4B (78.5) से बेहतर प्रदर्शन करता है।
- ToolSandbox पर फंक्शन कॉलिंग स्कोर 26.4 से बढ़कर 59.5 हो गया है, जो BFCL v4 पर 32.5 तक पहुंचता है।
- स्केल्ड सिंथेटिक डेटा के माध्यम से RefCOCO पर ग्रौंडिंग precision@1, 57.1 से बढ़कर 87.9 हो गया है।
- मल्टी-इमेज रीज़निंग ने BLINK स्कोर को 50.2 से 61.5 और MUIRBench को 34.9 से 58.3 तक सुधारा है।
- मॉडल Apple M5 Max पर 228 tokens/s और Galaxy S26 Ultra पर 20 tokens/s डिकोड करता है, लगभग 3 GB मेमोरी का उपयोग करते हुए।
नॉन-रीज़निंग आर्किटेक्चर तेज फर्स्ट-टोकन रिस्पॉन्स सुनिश्चित करता है, जो निजी, ऑन-डिवाइस इनफरेंस और हाई-थ्रूपुट GPU सर्विंग के लिए उपयुक्त बनाता है।