Liquid AI、視覚言語モデル LFM2.5-VL-3B を公開──エッジ端末での高速推論とマルチモーダル性能を最適化
SigLIP2 400M をバックボーンに採用し、M5 Max で 228 tokens/s の高速動作とマルチ画像・UI 理解を実現した 3B モデル。
リリース: 2026-08-12 · 読了 3 分記事の要約
1. 核心（What）
- Liquid AI は 2026 年 8 月 12 日、エッジ向けのマルチモーダル視覚言語モデル「LFM2.5-VL-3B」を発表した。
- モデルは SigLIP2 400M NaFlex エンコーダと LFM2.5-2.6B のテキストバックボーンを統合し、事前学習に約 34T トークンを使用している。
- 非ラテン文字圏への対応として、トークナイザーをその場で拡張し語彙数を 128K に倍増させている。
- llama.cpp、vLLM、SGLang、ONNX、MLX などのエコシステムに対応し、デプロイ当日からの動作をサポートする。
2. 影響（Why）
- オンデバイス AI の実用化: Galaxy S26 Ultra でも 20 tokens/s で動作するため、クラウド連携が制限される現場でのビジョンタスク実装のハードルが大きく下がる。
- 国内エッジ開発への波及: 国内の組み込み・FA（ファクトリーオートメーション）関連企業は、3GB の軽量サイズで高精度な画面・UI 理解を行えるため、閉域網でのローカル AI 導入を加速できる。
3. 根拠・詳細（How）
- アーキテクチャと学習レシピ: SigLIP2 400M NaFlex ビジョンエンコーダを組み込み、事前学習データは従来比 4 倍の画像データを投入。教師あり微調整とマルチリワード強化学習の 2 段階ポストトレーニングを実施。
- 推論パフォーマンスの検証: M5 Max で 228 tokens/s、Ryzen AI Max+ 395 で 116 tokens/s を記録。高同時実行下の H100 1基で約 11K tokens/s のスループットを発揮する。
4. 展望・課題（Next）
- エコシステムの拡充: transformers 5.x 系以降と統合されており、公式ドキュメントを通じてマルチ画像入力やオブジェクトグラウンディングの実装チュートリアルが提供されている。