Liquid AI、小型AIで画面操作

昨日、Liquid AIはLFM2.5-VL-3Bをリリースしました。これは、デバイス上での展開向けに構築された3.1億パラメーターのvision-language modelです。このモデルは、モバイル、ウェブ、デスクトップのデジタル画面を読み取ります。オブジェクトを座標に紐付け、ドキュメントやチャートを解析し、テキストまたは画像入力からツールを呼び出します。Liquid AIは、28のビジョンベンチマークで平均69.4を報告しています。これはInternVL-3.5-4Bに匹敵し、Qwen3.5-4B（どちらも4.7Bモデル）より0.7ポイント下回る結果です。このモデルは推論を行わないため、直接応答し、レイテンシーを低く保ちます。約3GBのメモリに収まり、Apple M5 Maxで228トークン/秒をデコードします。展開可能でしょうか？はい、チェックポイントはnative、GGUF、ONNX、MLXの4つの形式で提供されます。初日から利用可能なランタイムには、llama.cpp、MLX、vLLM、SGLang、ONNXが含まれます。約3GBのメモリに収まります。企業レベルについて：LFM Open License v1.0はApache-2.0をベースとしていますが、1つの変更点があります。企業の年間収益が1,000万米ドルに達すると、無料の商用利用は終了します。そのため、この基準以下のインディー開発者、スタートアップ、中小企業は無料で商用利用できます。これを超える大企業は、Liquid AIと商用ライセンスについて交渉する必要があります。研究、教育、非営利目的での利用には収益制限はありません。対象産業：家電、自動車、産業およびロボット工学、金融サービス、ヘルスケア、eコマース。また、GUIを自動化するQAおよびRPAベンダーも対象です。アプリケーション：デバイス上の画面エージェント、GUIテスト自動化、レイアウトラベル付きPDFから構造化テキストへの変換、請求書および領収書のOCR、車両におけるほぼリアルタイムのオブジェクト検出、メニューや道路標識のオフライン翻訳、複数画像比較などです。では、何が新しいのでしょうか？LFM2.5-VL-3Bは、LFM2-VL-3Bを4つの軸で拡張しています。画面とUIの理解：このモデルは、ScreenSpot-v2でデスクトップ（78.7）、モバイル（81.2）、ウェブ（82.2）全体で平均80.7を記録しています。Liquid AIは、Gemma-4-E4Bが51.2、Qwen3.5-4Bが78.5、より大きなInternVL-3.5-4Bが84.1であると報告しています。Function calling：これはVLラインナップに新しく追加された機能です。ToolSandboxは26.4から59.5に向上しました。BFCL v4は