LFM2-VL

Установка

LFM2-VL требует extra vlm, который подтягивает transformers для бэкбона с чат-шаблонами.

pip install "libreyolo[vlm]"

Предсказание

LibreLFM2VL — это Python-класс, а не чекпойнт .pt: он не загружается через фабрику LibreYOLO(), и CLI libreyolo его не разрешает. Фабрика LibreVLM(...) (from libreyolo import LibreVLM) тоже добирается до этого семейства по алиасу, например LibreVLM("lfm2-vl-450m"); ниже используется именно тот класс, который она создаёт. Веса берутся из собственного репозитория Liquid AI на Hugging Face, а не из зеркала LibreYOLO; первый вызов скачивает и кэширует их локально, а перед этим один раз выводит в лог уведомление о лицензии.

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # Открытый словарь: любые слова, а не фиксированная голова классов. Набор# сохраняется для всех следующих вызовов predict()/track(), пока не задан заново.model.set_classes(["person", "bicycle", "dog"])result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # Запасной выход под удобной обёрткой детекции: свободные вопросы,# подсчёт объектов или любой промпт, который обёртка с рамками не покрывает.text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes содержит разобранные детекции, как и у любого другого семейства. Уверенность здесь — заглушка: LFM2-VL не выдаёт оценку для каждой рамки, поэтому все детекции получают одну и ту же константу, а conf= лишь отбрасывает строки ниже этой константы, но не ранжирует их. iou убирает почти одинаковые рамки одного класса выше заданного перекрытия — это побочный эффект того, что жадное декодирование повторяет объект; это не полноценный проход NMS по классам. Если не вызывать set_classes(), словарём по умолчанию станут имена классов COCO-80. Про источники, стриминг и обработку результатов см. предсказание.

Варианты

Два размера: 450m и 1.6b, оба из релиза LFM2.5-VL от Liquid AI, рассчитанного на развёртывание на устройстве. Бенчмарк-обвязка LibreYOLO это семейство не измеряла, поэтому опубликованных чисел по точности, по которым их можно было бы сравнить, нет; выбирайте размер под свой бюджет вычислений.

LibreYOLO открывает это семейство только для предсказания. train(), val() и export() вызывают NotImplementedError: дообучайте модель средствами апстрима и загружайте результат, валидация на датасете пропущена, потому что с заглушкой вместо уверенности COCO mAP вводил бы в заблуждение, а экспорт выходит за рамки задачи для генеративной модели, у которой нет state dict для трассировки.

Лицензирование

Цитирование

@article{liquidai2025lfm2,
 title={LFM2 Technical Report},
 author={Liquid AI},
 journal={arXiv preprint arXiv:2511.23404},
 year={2025}
}