AI 不再依賴雲端？Liquid AI 推出 LFM2-VL，讓你的手機也能看懂世界

厭倦了需要時刻連網的 AI 嗎？Liquid AI 推出的全新視覺語言模型 LFM2-VL，專為手機、穿戴裝置等邊緣設備設計。它不僅速度快、效率高，還能保持頂尖的準確度，徹底改變我們對設備端 AI 的想像。

你有沒有想過，如果你的手機相機不只能拍照，還能即時理解你眼前所見的一切，並與你對話？這聽起來像是科幻電影的情節，但長期以來，強大的 AI 模型都因體積龐大而只能存在於雲端伺服器中，讓這個夢想顯得有些遙遠。

但現在，情況可能要改變了。

人工智慧公司 Liquid AI 最近投下了一顆震撼彈，正式推出 LFM2-VL——一個專為「設備端」部署而生的全新視覺語言基礎模型系列。這系列包含 LFM2-VL-450M 和 LFM2-VL-1.6B 兩個版本，它們的目標非常明確：讓強大的多模態 AI 能直接在你的智慧型手機、筆記型電腦、甚至智慧手錶上高效運行，而且速度和準確度一點都不馬虎。

速度與智慧的完美結合？LFM2-VL 的核心優勢

過去，我們總要在 AI 的「速度」與「智慧」之間做出取捨。模型越聰明，通常就越龐大、越慢。但 LFM2-VL 似乎找到了那個完美的平衡點。

根據 Liquid AI 的說法，LFM2-VL 的 GPU 推理速度是現有同類模型的兩倍。這意味著什麼？這意味著 AI 應用程式的反應會更即時、延遲更低，無論是進行圖像描述、視覺問答還是複雜的多模態推理，都能有更流暢的體驗。

為了滿足不同設備的需求，LFM2-VL 提供了兩種選擇：

• LFM2-VL-450M： 擁有 4.5 億個參數，專為資源極度有限的環境設計，例如穿戴式裝置或入門級的嵌入式系統。
• LFM2-VL-1.6B： 擁有 16 億個參數，在保持輕量級的同時，提供了更強大的性能，非常適合在高階智慧型手機或配備單一 GPU 的設備上運行。

這就像擁有一台輕便的筆記型電腦和一台高效能的工作站，你可以根據任務需求自由選擇。

拆解幕後黑科技：「像素解混」與原生解析度

所以，LFM2-VL 是如何做到既快又強的？答案就在其創新的模組化架構和聰明的影像處理技術。

簡單來說，這個模型由三個核心部分組成：一個語言模型主幹（負責理解與生成文字）、一個視覺編碼器（負責「看懂」圖片），以及一個多模態投影器（負責將兩者串連起來）。

其中最關鍵的技術，是一種稱為**「像素解混 (pixel un-shuffling)」**的技巧。你可以把它想像成一種智慧壓縮。在處理圖片時，模型並非逐一分析每個像素，而是動態地減少需要處理的影像資訊數量，只保留最關鍵的特徵。這讓它在不犧牲太多細節的情況下，大幅提升了影像處理速度。

此外，LFM2-VL 還能以高達 512x512 像素的原生解析度處理影像，避免了傳統模型放大圖片時可能造成的失真。如果遇到更大的圖片，它會聰明地將其分割成多個 512x512 的區塊分別處理，確保了細節和長寬比的完整性。更有趣的是，1.6B 的版本還會額外為全圖生成一個縮圖，用來理解整張圖片的「全域脈絡」，既能看見樹木，也能看見森林。

實際表現如何？跑分數據見真章

當然，光說不練假把戲。LFM2-VL 的實際表現究竟如何？讓我們直接看看數據。

從上方的基準測試結果（Table 1）中，我們可以清楚看到，LFM2-VL-1.6B 在多項評測中，其表現都與體積更大的 InternVL3-2B 或 SmolVLM2-2.2B 不相上下，甚至在某些項目中更為出色。

舉例來說，在真實世界問答（RealWorldQA）測試中，LFM2-VL-1.6B 的分數（65.23）略高於 InternVL3-2B（65.10）。雖然在光學字元辨識（OCRBench）等項目上分數稍低，但考量到它更小的記憶體佔用和更快的處理速度，這樣的性能表現無疑是非常驚人的。這證明了 LFM2-VL 確實達成了在效率和性能之間的絕佳平衡。

開放與彈性：開發者的全新利器

對於開發者和企業來說，最強大的工具也需要易於取得和使用。Liquid AI 深知這一點。

LFM2-VL 的兩種模型均採用開放權重 (open-weights) 的方式，並已在知名的 AI 社群平台 Hugging Face 上開放下載，可供研究和商業使用（大型企業需另行聯繫 Liquid AI 取得授權）。

這代表著：

• 無縫整合： 開發者可以輕鬆地將模型與 Hugging Face Transformers 函式庫結合，快速應用到自己的專案中。
• 進一步優化： 模型支援量化技術，可以將其體積進一步壓縮，提升在邊緣硬體上的運行效率。
• 彈性調整： 使用者可以在推理時，根據設備能力和應用需求，動態調整速度和品質的平衡。

未來的應用場景：當 AI 真正走出雲端

LFM2-VL 的出現，不僅僅是一款新模型的發布，它更為我們描繪了一個 AI 應用遍地開花的未來藍圖。當強大的 AI 不再依賴雲端，許多過去難以實現的應用都將成為可能：

• 智慧機器人： 工廠裡的機器人可以即時識別產品瑕疵，無需等待網路訊號。
• 物聯網 (IoT) 裝置： 家中的智慧攝影機能夠在本地端辨識異常情況並即時發出警報，保護用戶隱私。
• 行動助理： 手機助理可以直接「看見」你鏡頭前的物品並提供相關資訊，成為你真正的隨身百科。

這一切都指向一個核心趨勢：減少對雲端的依賴，將帶來更快、更可靠、也更注重隱私的 AI 體驗。

總而言之，Liquid AI 的 LFM2-VL 是推動多模態 AI 走向普及化的重要一步。它證明了我們不必為了追求極致性能而犧牲效率，也為無數開發者和創新者打開了一扇通往全新應用世界的大門。

常見問題解答 (FAQ)

Q1：LFM2-VL 和其他大型視覺語言模型（如 GPT-4V）有什麼不同？

最大的不同在於設計理念。像 GPT-4V 這樣的大型模型主要在雲端運行，目標是追求最強大的綜合能力。而 LFM2-VL 的核心目標是效率和低延遲，專為在資源有限的設備上（如手機）本地運行而優化，是為了解決「邊緣運算」場景而生的模型。

Q2：我可以在我的專案中免費使用 LFM2-VL 嗎？

是的，LFM2-VL 採用開放權重授權，對於學術研究和大多數商業用途是免費的。不過，根據官方說明，大型企業若要進行商業部署，則需要另外聯繫 Liquid AI 取得商業授權。建議在使用前，先到 Hugging Face 頁面詳細閱讀其授權條款。

Q3：我該如何選擇 LFM2-VL-450M 和 LFM2-VL-1.6B 兩個版本？

這取決於您的硬體限制和性能需求。如果您的目標是智慧手錶、低功耗 IoT 設備等運算資源非常有限的平台，450M 版本會是更合適的選擇。如果您在高階智慧型手機、筆記型電腦或有獨立 GPU 的設備上開發，1.6B 版本將提供更強大的理解和推理能力。