LFM2.5-VL-3B
Liquid AI 的 LFM2.5 系列视觉语言基础模型，文本骨干与 LFM2.5-2.6B 进行了权重平均。
时间轴 (近 90 天)
LFM2.5-24B-A2B 是纯文本推理模型，没有视觉塔，始终以 <think> 块开头，需要图像能力应使用 LFM2.5-VL-3B（LFM2.5 VL 系列最高型号）。
d1-3B模型约31亿参数，基于LFM2.5-VL-3B视觉语言骨干训练，支持文本和图像输入。
d1-3B 参数量为 3.12B，视觉编码器是 SigLIP2 NaFlex 形状优化版本（400M），上下文长度 32,768 token，词表 128,000，权重格式为 Safetensors/BF16，基础模型是 LFM2.5-VL-3B（文本骨干与 LFM2.5-2.6B 做了权重平均），许可证为 lfm1.0。
d1-3B 在 11 项图像基准上平均 74.1，LFM2.5-VL-3B 为 73.9；在 VL-RewardBench 上 d1-3B 得 65.0 远超 LFM2.5-VL-3B 的 50.9，但在 CV-Bench（82.1 对 87.6）、VisualWebBench（71.4 对 78.3）、POPE（88.5 对 90.1）上落后。
全部知识事实 (4)
LFM2.5-24B-A2B 是纯文本推理模型，没有视觉塔，始终以 <think> 块开头，需要图像能力应使用 LFM2.5-VL-3B（LFM2.5 VL 系列最高型号）。
50%待验证d1-3B模型约31亿参数，基于LFM2.5-VL-3B视觉语言骨干训练，支持文本和图像输入。
50%待验证d1-3B 参数量为 3.12B，视觉编码器是 SigLIP2 NaFlex 形状优化版本（400M），上下文长度 32,768 token，词表 128,000，权重格式为 Safetensors/BF16，基础模型是 LFM2.5-VL-3B（文本骨干与 LFM2.5-2.6B 做了权重平均），许可证为 lfm1.0。
50%待验证d1-3B 在 11 项图像基准上平均 74.1，LFM2.5-VL-3B 为 73.9；在 VL-RewardBench 上 d1-3B 得 65.0 远超 LFM2.5-VL-3B 的 50.9，但在 CV-Bench（82.1 对 87.6）、VisualWebBench（71.4 对 78.3）、POPE（88.5 对 90.1）上落后。
50%