LFM2.5-VL-3B – шекаралық құрылғыларға арналған жылдам әрі сенімді көзқарас-қабілеттер моделі

Көзбен қабылдау қабілеті мен тілдік өңдеуді біріктіретін жасанды интеллект моделінің дамуы технология саласындағы ең өзекті бағыттардың бірі саналады. LFM2.5-VL-3B – көрініс пен мәтінді бірге тану арқылы жылдам әрі дәл жауап қайтаруға бағытталған, шекаралық (edge) құрылғылар үшін жасалған модель. Бұл модель өзі орнатылған жүйеде жоғары өнімділік көрсетуімен және көпқырлы қолдану мүмкіндігімен ерекшеленеді әрі көптеген салада заманауи шешімдер ұсынуға қабілетті.

Модельдің негізгі сипаттамалары

LFM2.5-VL-3B – бұл көзқарас пен тіл арасындағы өзара әрекетті жоғары деңгейде қамтамасыз ететін модель. Ол құжаттар мен экран беттерін терең түсінеді, заттарды нақтылай анықтайды, әрі функцияларды шақыруға икемделген. Жауап беру кезінде модел ұтымды ойдан емес, нақты әрі жылдам тікелей жауап береді, бұл әсіресе шекаралық құрылғылардағыдай ресурсы шектеулі ортада аса маңызды.

Модельдің алдыңғы буындарымен салыстырғанда төрт негізгі жетілдіруі бар:

• Экран және қолданушы интерфейсін (UI) жан-жақты тану;
• Заттарды нақтылау және табиғи тіл сұраныстарын өңдеуді жақсарту;
• Бірнеше кескінмен жұмыс істеу арқылы күрделі есептерді шешу мүмкіндігі;
• Мәтіндік және бейне-текстік функцияларды шақыруда айтарлықтай жетілдіру.

Оқыту негіздері мен архитектура

LFM2.5-VL-3B моделі SigLIP2 400M NaFlex көрініс энкодері мен LFM2.5-2.6B мәтіндік моделі негізіндегі алдын ала оқытылған негізді біріктіреді. Оны 34 триллион токенмен дайындалған, бұрынғыдан төрт есе көп бейнелік деректер қамтитын кешенді жинақтармен оқытқан. Бұл материалға мәтіндік суреттеме, оптикалық таңбаларды тану (OCR), нақтылау және нұсқаулықты орындау мысалдары кіреді.

Оқыту екі кезеңнен жасалған: алдымен үлкен мұғалім моделден білім көшіріп алу арқылы қадағаланған жетілдіру, соңынан көп сыйақы негізіндегі күшейту оқыту. Сондай-ақ, латын емес жазуларды өңдеу үшін сөздік қоры екі есеге үлкейтілген, бұл морфологиялық ерекшеліктері мол тілдер үшін маңызды.

Контекст пен нақты мысалдар

Модельді бағалау көрсеткіштері LFM2.5-VL-3B жоғары деңгейдегі әмбебаптықты көрсетеді. Ол мультилингвистикалық визуалды түсінік, математикалық және ғылыми логика, құжаттарды оқу, объектілерді анықтау, бірнеше кескінді талдау және экран элементтерін түсіну бағытында көптеген сынақтардан табысты өтті. Әсіресе графиктер мен кестелерді, сонымен бірге нақты уақыттағы экран интерфейстерін оқу саласында көш бастап келеді.

Мысалы, ScreenSpot-v2 талдауында мобильді және веб-нұсқада модель 80-нен жоғары балл жинады, бұл қолданушы интерфейсін тиімді меңгергенін дәлелдейді. Сондай-ақ, көзқарас пен мәтін негізіндегі функцияларды шақыру тапсырмаларында Gemma-4-E2B және Qwen3.5-2B сияқты үлкен модельдермен бәсекелес деңгейде нәтиже көрсетті.

Практикалық маңызы және қолданылуы

LFM2.5-VL-3B моделі компьютерлік және мобильдік құрылғыларда дербес пайдалану үшін оңтайландырылған. Мысалы, M5 Max процессорында 228 токен/секунд жылдамдықта жұмыс істей алады, ал Samsung Galaxy S26 Ultra-де 20 токен/секундпен толық офлайн сценарийлер орындалады. Бұл шекаралық құрылғыларда жылдам және тиімді жұмыс істеуін қамтамасыз етеді.

GPU-да модель ұзақтап кідіріссіз жұмыс жасап, бір уақытта көп кескінді өңдегенде, шығару жылдамдығы арқылы да көшбасшы болып саналады. Бұл жоғары жүктемелер жағдайында жауап беру жылдамдығын арттырады және құралдарды автоматты шақыруға да қолдау ұсынады.

Нұсқаулықтарды орындау мен құралдар қолдануда да модель айқынырақ нәтиже береді, бұл онымен жасанды интеллект интеграциялау ісінде қолданбалы салалардың кең ауқымын қамтуға мүмкіндік тудырады. Құжаттарды оқу, экрандағы графиктерді түсіндіру мен нақты заттарды анықтау сияқты тапсырмаларда модель өз тиімділігін дәлелдейді.

Қорытынды

LFM2.5-VL-3B – көзқарас пен тіл өңдеу қабілеті біріккен, жылдам әрі икемді шекаралық модель. Оның оқыту және архитектуралық ерекшеліктері оны көп салалы қолдануға икемді әрі тиімді етеді. Модель нақты уақыттағы қолданбалар үшін функционалдық тұрғыдан сенімді шешім ұсынады, сонымен бірге түрлі тілдер мен мәтіндік контексті терең меңгереді. Болашақта бұл модельді қолдана отырып, шекаралық құрылғылардың интеллекті мен сенімділігін арттыруға зор мүмкіндік ашылады.

Дереккөз: Hugging Face Blog