LFM2.5-VL-3B: 온디바이스 비전 AI를 평가하는 세 가지 기준
온디바이스 AI의 가치는 모델 크기만으로 판단하기 어렵다. 화면 속 대상을 정확히 찾고, 필요한 도구를 호출하며, 사용자 기기에서 충분히 빠르게 작동해야 한다. Liquid AI가 출시한 LFM2.5-VL-3B는 이 세 가지 요구에 초점을 맞춘 31억 파라미터 비전·언어 모델이다.1
빠른 화면 이해를 위한 설계
LFM2.5-VL-3B는 추론 과정을 길게 생성하지 않고 답을 직접 출력하는 비추론 모델이다. 복잡한 사고 과정보다 실시간 화면 분석, 문서 처리, 객체 위치 지정처럼 응답 지연이 중요한 작업에 적합한 구조다.1
모델은 LFM2.5-2.6B 언어 백본과 4억 파라미터 규모의 SigLIP2 NaFlex 비전 인코더를 결합했다. 컨텍스트 길이는 32,768토큰이며, 비라틴 문자 지원을 강화하기 위해 기존 토크나이저를 확장해 어휘 크기를 128,000개로 늘렸다. 대형 이미지는 겹치지 않는 512×512 패치와 전체 이미지를 축소한 썸네일로 처리한다.2
학습 규모도 확장됐다. 사전학습에는 약 34조 토큰이 사용됐고, 비전 사전학습 토큰은 이전 모델보다 4배 늘었다. 이미지-캡션, OCR, 그라운딩, 지시 따르기를 위한 선별·합성 데이터를 함께 활용한 것이 화면 이해 능력 개선의 기반이다.1
핵심은 인식에서 행동으로의 연결
LFM2.5-VL-3B의 ScreenSpot-v2 평균 점수는 80.7이다. 자연어로 지시한 객체의 위치를 찾는 RefCOCO 점수는 57.1에서 87.9로, 도구 호출 능력을 평가하는 ToolSandbox 점수는 26.4에서 59.5로 상승했다.1
이 결과는 모델이 이미지를 설명하는 데 그치지 않고, 화면에서 대상의 위치를 찾아 외부 기능과 연결하는 능력을 강화했음을 보여준다. 따라서 로컬 UI 자동화, 스캔 문서 구조화, 메뉴·표지판 번역, 차량용 객체 탐지처럼 시각적 인식과 후속 동작이 이어지는 작업에 활용할 수 있다.
다만 벤치마크 점수만으로 도입 여부를 결정해서는 안 된다. 실제 환경에서는 다음 항목을 별도로 검증해야 한다.
작은 아이콘과 복잡한 화면 요소의 위치 지정 정확도
문서 유형과 언어에 따른 OCR 오류율
잘못된 도구 선택이나 호출의 빈도
목표 기기에서의 지연 시간과 처리 속도
온디바이스 배포에서 확인할 가치
모델 용량은 약 3GB이며, Apple M5 Max에서 초당 228토큰을 디코딩한다.2 화면이나 문서를 서버로 보내지 않고 기기에서 처리할 수 있다는 점은 민감한 데이터를 다루는 애플리케이션에서 특히 중요하다.
결국 LFM2.5-VL-3B를 평가할 때는 파라미터 수보다 실제 업무 흐름을 봐야 한다. 화면 이해의 정확도, 행동 연결의 안정성, 목표 하드웨어에서의 속도를 함께 측정해야 온디바이스 모델로서의 실질적인 가치를 판단할 수 있다.
요약: LFM2.5-VL-3B는 깊은 추론보다 빠른 화면 이해, 객체 위치 지정, 도구 호출이 중요한 온디바이스 작업을 겨냥한 모델이다. 도입 전에는 벤치마크 점수뿐 아니라 실제 기기에서의 지연 시간, OCR 정확도, 도구 호출 오류율을 함께 검증해야 한다.
1LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.