К содержимому
Компьютерное зрение

LFM3-VL-2B

компактная мультимодальная модель с поддержкой видео и рассуждений

2 мин чтенияобновлено

Новая компактная мультимодальная модель от Liquid AI (размером 1.92B параметров) создана для визуального понимания на устройствах (on-device). Она умеет принимать на вход текст, изображения и впервые для линейки LFM — видео, а также рассуждать шаг за шагом перед ответом благодаря встроенному блоку thinking. Модель построена на базе языковой модели LFM3-1.7B-Base и нового фирменного визуального энкодера, поддерживая контекст до 128K токенов. Она отлично справляется с анализом графиков, документов и пространственным позиционированием объектов, и пригодится разработчикам и энтузиастам для создания локальных мультимодальных приложений и робототехники.

Ключевые особенности

  • Понимание видео: первая модель серии LFM, способная обрабатывать видеоклипы с частотой 2 fps по умолчанию.
  • Пошаговые рассуждения: модель думает перед ответом, что помогает решать сложные визуальные задачи, математику и анализ графиков.
  • Пространственное мышление: поиск объектов в кадре и анализ их взаимного расположения для робототехнических задач.
  • Мультиязычность: поддержка 16 языков, включая русский.

Что можно сделать

  • Анализ видео: задавать вопросы по записям лекций, роликам с телефона или кадрам с камер видеонаблюдения.
  • Чтение графиков и документов: извлекать текст и данные из сканов документов, интерфейсов приложений и графиков.
  • Робототехника и edge-устройства: использовать пространственное рассуждение для локального определения объектов на роботах и умных гаджетах.
  • Локальный запуск: развернуть модель локально через llama.cpp (GGUF), vLLM или SGLang для быстрых инференс-запросов.

Пример

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "LiquidAI/LFM3-VL-2B"

model = AutoModelForImageTextToText.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="auto", trust_remote_code=True
)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "[https://placecats.com/300/200](https://placecats.com/300/200)"},
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

with torch.inference_mode():
    output_ids = model.generate(
        **inputs,
        do_sample=True,
        temperature=0.1,
        top_k=50,
        repetition_penalty=1.1,
        max_new_tokens=16384,
    )

generated_ids = output_ids[:, inputs["input_ids"].shape[1] :]
print(processor.batch_decode(generated_ids, skip_special_tokens=True)[0])
ПодробнееПараметры: 1.92B (языковая часть 1.73B, визуальный энкодер 164M, проектор 25M).
Контекст: 128K токенов.
Архитектура: 24 слоя языковой модели (включая свёртки и внимание) и 14 слоев визуального энкодера.
Ограничения: не рекомендуется для написания кода, многораундовых диалогов и сложных рассуждений. Лицензия: LFM Open License v1.0.
Примеры
Обсудить Telegram 0 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.6 GB · готовые файлы4.4 GB
  • FP8 / INT8рекомендуемвеса 1.8 GB2.5 GB
  • 4-bitвеса 1.0 GB1.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ps6275/LFM3-VL-2B
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download ps6275/LFM3-VL-2B --local-dir ~/models/LFM3-VL-2B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LFM3-VL-2B
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

LiquidAI/LFM3-1.7B-Base

Новые посты про версии LFM3-1.7B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face

О модели

ps6275/LFM3-VL-2B
Автор
ps6275
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

200

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Qwen3.5-0.8B-NKC

Qwen3.5-0.8B-NKC