LFM3-VL-2B-VLD Multipass

Это адаптация LiquidAI/LFM3-VL-2B от webbrain-one для задачи image-text-to-text. Модель на 1.92B параметров использует multipass-протокол VL-D: verify с ответом Yes/No по каждому варианту и readout с кодом выбранной опции. Она дистиллирована из LiquidAI/d1-2B на мультимодальных скриншотах браузерных workflow WebBrain.

🔤 Ключевые особенности

• ▶ Протокол VL-D: проверка Yes/No по каждому варианту и readout-код выбранной опции.
• 🔤 Дистилляция из LiquidAI/d1-2B на скриншотах браузерных сценариев WebBrain.
• ➖ Vision tower заморожен; языковая часть адаптирована через LoRA r=32, alpha=64 и слита в BF16.
• ➕ Есть companion-репозитории: ONNX для WebGPU (q8f16/q4f16), GGUF для llama.cpp (BF16, Q8_0, Q4_K_M, mmproj-F16) и LoRA-адаптер.
• ✖ Полного VL/Compass fine-tuning не было — это облегчённая адаптация.

▶ Пример

Сценарий: на скриншоте браузерного workflow нужно выбрать следующий элемент интерфейса. Модель получает изображение и список вариантов, в режиме verify отвечает Yes/No по каждому, затем в readout выдаёт код выбранной опции.

Подробнее

На d1 Balanced Browser Decision Benchmark (final_test, 126 категориальных вопросов): verify zero-shot — 126/126 (100%), readout — 125/126 (99.2%), probe/probe-cs — 126/126 (100%).
У базовой LiquidAI/LFM3-VL-2B: verify — 106/126 (84.1%), readout — 102/126 (81.0%).
Требования к VRAM в карточке не указаны; доступны BF16, ONNX q8f16/q4f16 и GGUF Q8_0/Q4_K_M.
Ограничение: vision tower заморожен, полного VL/Compass fine-tuning не было.