摘要： Liquid AI 在 2026 年 4 月 8 日推出 450M 參數視覺語言模型 LFM2.5-VL-450M，接替前代。新版新增物件偵測與函式呼叫，預訓練語料從 10T tokens 擴到 28T，影像理解支援 8 種語言。Jetson Orin 處理 256×256 影像僅需 233 毫秒，但 MMMU 與 InfoVQA 分數略降。
Liquid AI 在 2026 年 4 月 8 日端出了 LFM2.5-VL-450M——一款只有 450M 參數的視覺語言模型，接替的是 LFM2-VL-450M。官方給它的定位是「結構化視覺智慧，從邊緣到雲端」：體積小到能住進手機與開發板，輸出又整齊到可以直接餵給應用。
這一版補上的都是生產環境在等的能力——物件偵測（輸出就是偵測框）與函式呼叫；影像理解的多語言支援拉到 8 種語言；指令遵循分數也大幅爬升。權重已經上架 Hugging Face，另有 LEAP 平台與 Playground 供人試用。
預訓練語料：10T tokens 擴到 28T tokens
改動最深的是預訓練語料：從上一代的 10T tokens 加到 28T tokens，將近三倍。後訓練結合偏好最佳化與強化學習，官方說是朝「生產環境中的多模態行為」調校。層數、tokenizer 這類架構內幕並未公開，但設計思路延續這家公司一貫的立場：順著邊緣裝置的記憶體與延遲限制打造，而非先做大再想部署。
對落地團隊而言，含義很直接：資料多了近三倍、參數級不變，等於把每個參數的品質往上墊高——邊緣部署唯一走得通的方向。
這一代新會的事：輸出偵測框、呼叫函式
物件偵測是前一代 LFM2-VL-450M 做不到的事；這一代在 RefCOCO-M 拿下 81.28 分，能對影像裡被點名的物件給出偵測框。文字模式的函式呼叫在 BFCLv4 得到 21.08 分——成績不亮眼，但 450M 級模型能穩定生出可用的工具呼叫結構，便算拿到入場券。
多語言影像理解涵蓋 8 種語言：阿拉伯文、中文、法文、德文、日文、韓文、葡萄牙文、西班牙文。有了偵測框加持，典型用法是一套邊緣代理流程：先看圖、再定位目標、接著觸發對應動作。
邊緣硬體上的實測延遲
官方提供 Q4_0 量化版本的實測延遲：NVIDIA Jetson Orin 上 256×256 一幀 233 毫秒、512×512 一幀 242 毫秒——4 FPS 影像串流的每一幀都趕得及。Samsung S25 Ultra 手機上是 950 毫秒與 2.4 秒；AMD Ryzen AI Max+ 395 上是 637 毫秒與 944 毫秒。
有這些數字，手機上的視覺語言模型不再是展示花招，而是踏進可用範圍：影像問答以秒級回應，文件掃描與品檢輔助都能在端上完成，不必再跟雲端往返。
基準分數：有漲也有跌
與前一代並排，多數基準上揚：MMStar 43.00 對 40.87，RealWorldQA 58.43 對 52.03，MMBench（dev en）60.91 對 56.27，MMVet 41.10 對 33.85，OCRBench 684 對 657。漲勢最猛的是指令遵循：MM-IFEval 從 33.09 到 45.00，IFEval 從 51.75 到 61.16。多語言基準 MMMB 從 54.29 躍到 68.09，CountBench 從 47.64 躍到 73.31。
退步的項目也有：MMMU 從 34.44 回落到 32.67，InfoVQA 從 44.56 回落到 43.02。看數字時還要留意量測方式——視覺項目以 VLMEvalKit 計分，多語言 MMMB 則用 GPT-4.1-mini 產出的翻譯版本評估；想跨基準互比，最好打些折扣。
450M 參數的務實選擇
2026 年的前沿競賽多半拿參數與算力分高下，Liquid AI 走的是另一條路——把可用性直接裝進 450M 參數。這呼應我們年初在開年展望裡看到的分岔：一批廠商衝前沿，另一批讓模型住進裝置。隱私敏感、離線優先或對延遲斤斤計較的產品，只會越來越倚重本地視覺模型。
落地所需一應俱全：權重可從 Hugging Face 拉下自行部署，或交給 LEAP 託管；官方文件另附以衛星影像微調 VLM 的範例。想弄清楚邊緣 VLM 夠不夠用的團隊，拿它試點成本極低。