LFM2.5-VL-1.6B
Liquid AI端侧多模态中间档位：LFM2.5-1.2B-Base语言骨干加SigLIP2 NaFlex 400M视觉编码器，支持文本与图像输入，原生32,768 token上下文，官方推荐用于通用图文、OCR与文档理解，明确定位不适合知识密集任务。
最后核实：
https://huggingface.co/LiquidAI/LFM2.5-VL-1.6B特点与限制
主要特点
- 官方模型卡列出LM骨干LFM2.5-1.2B-Base与SigLIP2 NaFlex shape优化400M视觉编码器；原生分辨率处理512×512以内图像，大图按512×512分块并加缩略图编码
- 官方称相对LFM2-VL-1.6B改进多图、高分辨率图像与OCR表现，并在表内给出对照数值
- 官方提供Transformers、GGUF（llama.cpp）、ONNX与MLX（mlx-community 8bit）等导出；模型卡中vLLM文档标注coming soon
- 支持仅文本输入的函数调用；官方文本生成参数temperature=0.1、min_p=0.15、repetition_penalty=1.05，视觉侧min_image_tokens=64、max_image_tokens=256、do_image_splitting=True
使用边界
- 权重采用自定义LFM Open License v1.0（许可正文含商业使用条件与1000万美元年收入门槛定义），不等同Apache/MIT；使用前须阅读许可原文。
- 官方明确定位不适合知识密集任务；推荐场景为通用视觉语言、OCR与文档理解。
- 官方benchmark表只覆盖视觉基准（MMStar、MM-IFEval、BLINK、InfoVQA、OCRBench v2、RealWorldQA、MMMU、MMMB、Multilingual MMBench），未提供该型号的语言/文本基准，文本生成能力缺少可引用成绩。
- 官方benchmark表未披露成绩对应的模型revision、提示模板与完整生成配置（卡注视觉成绩使用VLMEvalKit）；本站未复现端侧或GPU推理表现。
模型信息
- 家族与版本
- LFM / 2.5-VL
- 输入与输出
- 文本、图像 → 文本
- 公开参数规模
- 1.6B（以以下来源口径为准）
- 激活 / 有效参数
- 未提供 / 未提供
- 参数口径
- 官方模型卡列明LM骨干为LFM2.5-1.2B-Base（1.2B）、视觉编码器为SigLIP2 NaFlex shape优化400M；官方未按整模单列精确参数总量，按型号档位记录为1.6B；HF权重元数据safetensors张量参数和为1,596,625,904（约1.60B），与本档位一致。 参数来源
- 原生上下文
- 32,768 tokens
- 扩展上下文
- 未提供
- 语言声明
- 英语、阿拉伯语、中文、法语、德语、日语、韩语、西班牙语（官方模型卡列明8种语言）；语言支持不代表对应语言的评测水平。
- 权重许可
- LFM Open License v1.0
- 代码许可
- 未核实
- 训练资料
- 官方模型卡说明该型号为LFM2-VL-1.6B的更新版本，基于LFM2.5-1.2B-Base骨干与SigLIP2 NaFlex视觉编码器调优；未公开完整训练数据清单。
能力依据
模型变体：指令版；家族与版本：LFM / 2.5-VL
文本生成
暂无可靠公开成绩
查看评估与来源收起补充信息
文本生成
暂无可靠公开成绩
本轮未找到该型号可引用的官方文本/语言基准：模型卡的benchmark表只覆盖视觉任务（MMStar、MM-IFEval、BLINK、InfoVQA、OCRBench v2、RealWorldQA、MMMU、MMMB、Multilingual MMBench），没有语言基准表；官方将函数调用列为仅文本输入能力但未给出对应分数。因此不做文本生成质量结论。
已有依据支持
- 官方提供Transformers、llama.cpp（GGUF）、ONNX与MLX等部署路线，文本与视觉共用同一生成接口。
- 官方给出文本侧生成参数（temperature=0.1、min_p=0.15、repetition_penalty=1.05）。
证据限制
- 缺少可引用的纯文本基准与生成条件。
- 官方定位不覆盖知识密集任务。
- 本站未复现文本生成表现。
暂无该用途的公开评测成绩；不能从其他用途或缺失值推断能力。
视觉理解
MMMU · accuracy40.56%MMMU (Val) · enMMStar · score50.67%MMStar · enInfoVQA · score62.71%InfoVQA (Val) · en查看评估与来源收起补充信息
视觉理解
MMMU · accuracy40.56%MMMU (Val) · en
MMStar · score50.67%MMStar · en
InfoVQA · score62.71%InfoVQA (Val) · en
端侧中间档位图文候选：官方表列出MMMU (Val) 40.56、MMStar 50.67、InfoVQA (Val) 62.71与OCRBench (v2) 41.44（卡注VLMEvalKit口径），官方推荐通用图文、OCR与文档理解，明确定位不适合知识密集任务。
已有依据支持
- 官方benchmark覆盖通用视觉、指令跟随、文档问答与OCR等不同维度，并给出与LFM2-VL-1.6B、InternVL3.5-1B、FastVLM-1.5B的对照列。
- 官方称相对LFM2-VL-1.6B在多图、高分辨率图像与OCR上改进（表内给出对照数值）。
- 官方提供GGUF、ONNX与MLX等端侧部署导出。
证据限制
- MMMU (Val) 40.56与OCRBench (v2) 41.44显示高难度推理与细粒度OCR有限；官方不推荐知识密集任务。
- 对照列（InternVL3.5-1B、FastVLM-1.5B）为发布方自报，未经本站复核。
- 评测条件与提示模板未完整披露；本站未复现官方成绩。
MMMU · accuracy
40.56%官方报告 · Liquid AI官方自测
展开评测条件与来源
- 模型标识 / 修订
- LiquidAI/LFM2.5-VL-1.6B / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- MMMU (Val) / val
- 基准 / 报告版本
- Liquid AI官方模型卡benchmark表（未注明数据版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；Liquid AI官方模型卡benchmark表列出LFM2.5-VL-1.6B列MMMU (Val) 40.56，对照LFM2-VL-1.6B 39.67、InternVL3.5-1B 41.89与FastVLM-1.5B 38.78；卡注说明视觉成绩均使用VLMEvalKit获得；未披露提示模板、划分与生成配置；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- liquid-ai / lfm2-5-vl-1-6b-liquid-model-card-2026
- 来源
- https://huggingface.co/LiquidAI/LFM2.5-VL-1.6B
- 来源使用说明
- 引用来源；许可：未提供；仅摘录少量评测事实并署名链接，不覆盖模型卡或博客原文许可。 查看说明
- 比较状态
- 不可比：官方benchmark表未披露该成绩的模型revision、提示模板与完整生成配置，且对照列为发布方自报；原样记录，不与配置不同的结果直接排名。
MMStar · score
50.67%官方报告 · Liquid AI官方自测
展开评测条件与来源
- 模型标识 / 修订
- LiquidAI/LFM2.5-VL-1.6B / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- MMStar / 未提供
- 基准 / 报告版本
- Liquid AI官方模型卡benchmark表（未注明数据版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；Liquid AI官方模型卡benchmark表列出LFM2.5-VL-1.6B列MMStar 50.67，对照LFM2-VL-1.6B 49.87、InternVL3.5-1B 50.27与FastVLM-1.5B 53.13；卡注说明视觉成绩均使用VLMEvalKit获得；未披露提示模板、划分与生成配置；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- liquid-ai / lfm2-5-vl-1-6b-liquid-model-card-2026
- 来源
- https://huggingface.co/LiquidAI/LFM2.5-VL-1.6B
- 来源使用说明
- 引用来源；许可：未提供；仅摘录少量评测事实并署名链接，不覆盖模型卡或博客原文许可。 查看说明
- 比较状态
- 不可比：官方benchmark表未披露该成绩的模型revision、提示模板与完整生成配置；原样记录，不与配置不同的结果直接排名。
InfoVQA · score
62.71%官方报告 · Liquid AI官方自测
展开评测条件与来源
- 模型标识 / 修订
- LiquidAI/LFM2.5-VL-1.6B / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- InfoVQA (Val) / val
- 基准 / 报告版本
- Liquid AI官方模型卡benchmark表（未注明数据版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；Liquid AI官方模型卡benchmark表列出LFM2.5-VL-1.6B列InfoVQA (Val) 62.71，对照LFM2-VL-1.6B 58.35、InternVL3.5-1B 60.99与FastVLM-1.5B 23.92；卡注说明视觉成绩均使用VLMEvalKit获得；未披露提示模板、划分与生成配置；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- liquid-ai / lfm2-5-vl-1-6b-liquid-model-card-2026
- 来源
- https://huggingface.co/LiquidAI/LFM2.5-VL-1.6B
- 来源使用说明
- 引用来源；许可：未提供；仅摘录少量评测事实并署名链接，不覆盖模型卡或博客原文许可。 查看说明
- 比较状态
- 不可比：官方benchmark表未披露该成绩的模型revision、提示模板与完整生成配置；原样记录，不与配置不同的结果直接排名。
OCRBench v2 · score
41.44%官方报告 · Liquid AI官方自测
展开评测条件与来源
- 模型标识 / 修订
- LiquidAI/LFM2.5-VL-1.6B / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- OCRBench (v2) / 未提供
- 基准 / 报告版本
- Liquid AI官方模型卡benchmark表（未注明数据版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；Liquid AI官方模型卡benchmark表列出LFM2.5-VL-1.6B列OCRBench (v2) 41.44，对照LFM2-VL-1.6B 35.11、InternVL3.5-1B 33.53与FastVLM-1.5B 26.61；卡注说明视觉成绩均使用VLMEvalKit获得；未披露提示模板、划分与生成配置；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- liquid-ai / lfm2-5-vl-1-6b-liquid-model-card-2026
- 来源
- https://huggingface.co/LiquidAI/LFM2.5-VL-1.6B
- 来源使用说明
- 引用来源；许可：未提供；仅摘录少量评测事实并署名链接，不覆盖模型卡或博客原文许可。 查看说明
- 比较状态
- 不可比：官方benchmark表未披露该成绩的模型revision、提示模板与完整生成配置，且标签为OCRBench v2口径；原样记录，不与OCRBench v1或其他配置的结果直接比较。
运行条件与获取
Transformers
系统支持未提供 · Safetensors · 未指定量化
官方支持；本站尚未进行推理验证。
硬件：未核实。本站未实测；端侧内存取决于量化格式、图像分辨率与上下文长度，官方未给出本型号的资源需求数值。
内存：未核实；显存：未核实。
依赖：transformers>=5.1.0、pillow。
STEP 01 准备环境
官方模型卡要求transformers v5.1或更新版本，并给出以下安装命令；本站未执行。
pip install transformers pillowSTEP 02 按官方示例加载模型
官方示例使用AutoModelForImageTextToText（dtype=bfloat16、device_map="auto"）与AutoProcessor，经apply_chat_template处理图像与文本；官方标注文本生成参数temperature=0.1、min_p=0.15、repetition_penalty=1.05，视觉侧min_image_tokens=64、max_image_tokens=256、do_image_splitting=True。本站未下载权重或执行模型。