LFM2.5-VL-3B: โมเดลเห็นภาพ 3 พันล้านพารามิเตอร์ที่รันบนมือถือได้ และเก่งเรื่อง "อ่านหน้าจอ" เป็นพิเศษ
หลังจากที่เราเขียนถึง LFM2.5-2.6B ซึ่งเป็นโมเดลข้อความสำหรับงาน on-device เมื่อ 5 ส.ค. Liquid AI ต่อยอดด้วยรุ่นที่มองเห็นภาพ — LFM2.5-VL-3B ปล่อยเมื่อ 12 สิงหาคม 2026
สิ่งที่ทำให้รุ่นนี้น่าสนใจกว่าโมเดลภาษา-ภาพขนาดเล็กทั่วไปคือ มันถูกปรับมาเพื่อ “อ่านหน้าจอ” โดยเฉพาะ ไม่ใช่แค่บรรยายรูปภาพ — ซึ่งตรงกับสิ่งที่คนกำลังสร้างกันมากที่สุดในปีนี้ นั่นคือ agent ที่ควบคุมแอปและเว็บแทนผู้ใช้
สเปกและความเร็วจริงบนเครื่องจริง
โมเดลประกอบจาก vision encoder SigLIP2 400M NaFlex ต่อกับ แบ็กโบนข้อความ LFM2.5-2.6B รวมเป็น 3.1 พันล้านพารามิเตอร์ ผ่านการเทรนบนข้อมูลราว 34 ล้านล้านโทเค็น โดย Liquid AI ระบุว่าใช้ข้อมูลภาพมากกว่ารุ่นก่อน 4 เท่า คอนเท็กซ์อยู่ที่ 32,768 โทเค็น
ตัวเลขที่สำคัญที่สุดคือขนาดหน่วยความจำ: ราว 3GB และความเร็วที่วัดได้:
| ฮาร์ดแวร์ | ความเร็ว |
|---|---|
| M5 Max (CPU) | 228 โทเค็น/วินาที |
| Ryzen AI Max+ (CPU) | 116 โทเค็น/วินาที |
| Galaxy S26 Ultra | 20 โทเค็น/วินาที |
| H100 (GPU) | ~11,000 โทเค็น/วินาที |
บรรทัดที่ควรจ้องคือบรรทัดที่สาม 20 โทเค็น/วินาทีบนมือถือเรือธง — ไม่เร็วพอสำหรับการสนทนายาว ๆ แต่เร็วพอสำหรับงานที่ผลลัพธ์สั้น เช่น “ปุ่มยืนยันอยู่ตรงไหนบนหน้าจอนี้” หรือ “ดึงเลขที่ใบเสร็จจากรูปนี้” ซึ่งเป็นงานที่โมเดลตัวนี้ถูกออกแบบมาให้ทำ
รองรับรันไทม์ครบ: llama.cpp, MLX, vLLM, SGLang และ ONNX — ONNX สำคัญเป็นพิเศษสำหรับทีมที่ต้องฝังลงแอป Android/iOS จริง ๆ ไม่ใช่แค่รันบนแล็บ
เก่งตรงไหน — และไม่เก่งตรงไหน
คะแนนเฉลี่ยงานด้านภาพอยู่ที่ 69.4% โดย Liquid AI เทียบกับ Gemma 4, InternVL และตระกูล Qwen จุดที่โดดออกมาชัดเจน:
- DocVQA 91.1% — อ่านเอกสาร ตาราง ฟอร์ม
- ScreenSpot 78.7–82.2% — ระบุตำแหน่งองค์ประกอบบนหน้าจอ
- RefCOCO (เฉลี่ย) 87.9% — grounding ชี้ตำแหน่งวัตถุจากคำบรรยาย
สิ่งที่ Liquid AI ระบุว่าปรับปรุงจากรุ่นก่อนคือความเข้าใจหน้าจอและ UI ข้ามอุปกรณ์, การ grounding และตรวจจับวัตถุ, การให้เหตุผลข้ามหลายภาพ และ function calling ที่แข็งแรงขึ้นมากทั้งแบบข้อความล้วนและแบบข้อความ+ภาพ — ข้อสุดท้ายคือสิ่งที่แยกโมเดลที่ “อธิบายภาพได้” ออกจากโมเดลที่ “ทำงานต่อจากภาพได้”
ข้อจำกัดที่ต้องพูดตรง ๆ: benchmark ทั้งชุดนี้เป็นภาษาอังกฤษเป็นหลัก DocVQA และ ScreenSpot ไม่ได้บอกอะไรเลยเกี่ยวกับความสามารถอ่านใบเสร็จภาษาไทย ฟอร์มราชการไทย หรือ UI แอปไทย ตัวเลข 91.1% ไม่ได้แปลว่าจะได้ 91.1% บนงานของคุณ
ไลเซนส์: เปิด แต่มีเพดานรายได้
ไฟล์ LICENSE ใน repo คือ LFM Open License v1.0 ซึ่งเป็นสัญญาเฉพาะของ Liquid AI ไม่ใช่ Apache-2.0 เงื่อนไขหลัก: นิติบุคคลที่มีรายได้ต่อปีตั้งแต่ 10 ล้านดอลลาร์สหรัฐขึ้นไป ไม่ได้รับอนุญาตให้ใช้เชิงพาณิชย์ภายใต้ไลเซนส์นี้ (องค์กรไม่แสวงหากำไรได้รับการยกเว้นสำหรับงานวิจัย)
เพดาน 10 ล้านดอลลาร์ (~350 ล้านบาท) ต่ำกว่าไลเซนส์เปิดแบบมีเงื่อนไขของเจ้าอื่นอย่างเห็นได้ชัด — สตาร์ตอัพและทีมเล็กใช้ได้สบาย แต่บริษัทไทยขนาดกลางขึ้นไปจำนวนไม่น้อยชนเพดานนี้แล้ว ถ้าคุณอยู่ในองค์กรที่รายได้ระดับนี้ ต้องไปคุยเรื่องไลเซนส์เชิงพาณิชย์กับ Liquid AI ก่อน ไม่ใช่ดาวน์โหลดแล้วใช้
มุมมอง AI Curator
โมเดลตัวนี้อยู่ในคลื่นที่เราเห็นซ้ำ ๆ ตลอดเดือนนี้ — Needle 2 ขนาด 14MB, LFM2.5-2.6B, Gemma 4 E2B บน Raspberry Pi — คือ การแข่งขันย้ายจาก “ฉลาดที่สุด” ไปเป็น “ฉลาดพอในงบหน่วยความจำที่กำหนด” และตลาดที่ได้ประโยชน์มากที่สุดจากคลื่นนี้คือตลาดแบบไทย
เหตุผลตรงไปตรงมา: ไทยเป็นตลาด mobile-first ที่คนใช้งานผ่านมือถือเป็นหลัก แอปที่ต้องยิงภาพหน้าจอหรือรูปเอกสารขึ้นคลาวด์ทุกครั้งมีปัญหาสามชั้นพร้อมกัน — ค่า API ต่อผู้ใช้ต่อเดือน, ความหน่วงบนเน็ตมือถือ และ PDPA เมื่อภาพนั้นมีบัตรประชาชนหรือใบเสร็จของลูกค้าอยู่ โมเดล 3GB ที่ทำงานจบในเครื่องแก้ทั้งสามข้อพร้อมกันโดยไม่ต้องออกแบบอะไรเพิ่ม
แต่ผมจะไม่แนะนำให้ทีมไทยเอาไปใช้ทันทีโดยไม่ทดสอบ เพราะช่องว่างที่ใหญ่ที่สุดคือ ไม่มีใครวัดโมเดลพวกนี้กับภาษาไทย งาน OCR ภาษาไทยมีปัญหาเฉพาะตัว (สระบน-ล่าง วรรณยุกต์ซ้อน ไม่มีช่องว่างระหว่างคำ) ที่โมเดลขนาด 3B ซึ่งเทรนด้วยข้อมูลอังกฤษเป็นหลักมักพลาด — และมันจะพลาดแบบมั่นใจ ไม่ใช่แบบบอกว่าไม่รู้
ข้อเสนอที่ทำได้ในสัปดาห์นี้: ถ้าคุณมีงานที่เกี่ยวกับการอ่านหน้าจอหรือเอกสาร ให้ทำ eval set ภาษาไทย 50 ตัวอย่างจากงานจริง แล้วยิงเทียบสามทาง — LFM2.5-VL-3B บนเครื่อง, โมเดล VLM คลาวด์ที่ใช้อยู่ และ OCR แบบเดิมที่มีอยู่ ผลที่ได้จะบอกคุณเองว่างานส่วนไหนย้ายลงเครื่องได้ ส่วนไหนยังต้องพึ่งคลาวด์ ซึ่งเกือบทุกครั้งคำตอบคือ “แบ่งกัน” ไม่ใช่ “ย้ายทั้งหมด” — งานง่ายและถี่รันในเครื่อง งานยากและนาน ๆ ครั้งส่งขึ้นคลาวด์ สถาปัตยกรรมนี้จะเป็นค่าเริ่มต้นของแอป AI บนมือถือในอีกหนึ่งถึงสองปี
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service