LFM3-VL-2B: 2B 규모 멀티모달 모델, MMMU-Pro 45.7점 달성

LiquidAI가 공개한 LFM3-VL-2B는 텍스트와 이미지, 영상을 동시에 이해하는 멀티모달 언어모델이다. 2B 파라미터 규모로 경량화되어 로컬 환경이나 엣지 디바이스에서도 추론이 가능한 것이 특징이다.

이미지나 영상 입력에 대해 텍스트로 응답하는 image-text-to-text 파이프라인을 지원한다. Transformers 라이브러리를 기반으로 하며, 복잡한 도구 호출(tool call)과 추론 과정(thinking)을 처리하는 전용 채팅 템플릿이 내장되어 있다.

MMMU-Pro 벤치마크에서 45.7점을 기록하며 소형 모델로서의 성능을 입증했다. ScreenSpot-Pro 등 다양한 멀티모달 평가 데이터셋에서도 결과를 공개하고 있어, 특정 작업에 대한 적합성을 사전에 검증할 수 있다.

대형 모델의 높은 연산 비용이 부담스러운 개발자에게 대안이 될 수 있다. 이미지 기반 질의응답이나 영상 요약, 시각 정보 추출 등 멀티모달 태스크를 경량 환경에서 구현하려는 프로젝트에 적합하다.