【2026 最新】LFM3-VL-2B WebGPU 怎麼用？看圖字幕、延遲與斷網驗收五步教學

把杯子放到鏡頭前，瀏覽器開始寫「有人拿著杯子」。你把杯子移走，字幕卻還留著：它究竟沒看懂，還是正在描述幾秒前的畫面？這篇 LFM3-VL-2B WebGPU 教學，帶你把看圖、等待與連線三件事分開檢查。

本文寫給第一次使用瀏覽器視覺 AI 的讀者。你會學會開啟社群示範、設計三物件練習、記錄字幕延遲，以及區分「這個分頁斷網後能繼續跑」和「重新開頁也能離線用」。不必安裝 Python，也不必先懂模型訓練。

本文依 2026 年 10 月 29 日查閱的官方模型卡與社群 Space 原始碼整理；下方是可照做的驗收流程，沒有填入 AlphaLab 的模型速度或辨識成績。先準備不含人臉、證件或私人螢幕的桌面場景，再開始操作。

先說結論：看見什麼、落後多久、靠誰運算，分三張成績單

瀏覽器看圖字幕＝擷取一張畫面＋模型描述＋介面顯示。把它想成坐在窗邊的速寫員：每次抬頭看一眼，低頭寫一句，再看下一眼。句子流暢，仍要確認它描述的是哪個時刻。

• 先讓三種物件穩定出現在字幕，再測移走物件後的更新。
• 把整段等待時間與介面的 tokens/s 分開記錄。
• 先測已開分頁的斷網續用，再另測重新載入；兩次結果分開寫。

一、LFM3-VL-2B WebGPU 是什麼？先認識四個零件

Liquid AI 在 2026 年 10 月 27 日的 LFM3 公告介紹多模態模型家族。LFM3-VL-2B 官方模型卡把這款模型定位為裝置端視覺理解工具，可接收文字、圖片與影片，語言清單包含 Chinese。這支持你嘗試中文提問，並不等於已證明繁體中文的物件命名準確率。

第一個零件是模型，像負責看圖與寫句子的人。第二個是ONNX 轉換版本，像把同一本教材換成瀏覽器推論引擎能用的裝訂。這個 Space 實際設定為 onnx-community/LFM3-VL-2B-ONNX，不是直接把原始模型卡的權重搬進網頁。

第三個是 WebGPU（讓網頁呼叫 GPU 運算的介面），像把電腦裡的平行計算工作台借給網頁。第四個是示範程式：負責取圖、縮圖、送去模型及顯示字幕。模型支援什麼輸入，與這個網頁實際送了什麼，是兩個層次。原理可接著讀 MicroLLM Lab 瀏覽器小模型指南。

依本文固定的 Space 原始碼版本，每次請求送入一張圖片與一段提示，並關閉 thinking；跑完後再取下一張。字幕畫面雖保留幾張舊卡片，這段請求本身不是把整段字幕歷史一起交給模型。換句話說，先用「連續看單張圖」來理解這份示範，別先假設它一直記住影片前情。

二、五步啟動：先取得第一句有用的描述

①「先過硬體關」：有 WebGPU，還要能用 shader-f16

打開 LFM3-VL-2B WebGPU 社群 Space。若嵌入畫面無法使用相機，可用 Space 提供的獨立應用入口；這個版本的部署位址是 獨立示範頁。保留 HTTPS，先閱讀頁面的相容性或錯誤訊息。網址若含 mock 參數（例如 ?mock 或 ?mock=false），先移除；這個參數會啟用預設句子與模擬數字，不能拿來做辨識、速度或離線驗收。

目前程式會檢查 shader-f16，也就是 GPU 的半精度運算能力；缺少時會中止這條 WebGPU 載入路徑。換較新的瀏覽器後仍失敗，就把「瀏覽器版本、作業系統、GPU、完整錯誤」記下來，不要只寫「手機不能跑」。WebGPU adapter 文件也提醒，取得可用的 GPU adapter 是獨立的一道檢查。

②「先下載，再暖機」：把啟動成本單獨記錄

按 Load model，觀察下載、準備 WebGPU 與暖機階段。程式先載入處理器與模型，接著用一張空白圖做短暖機；第一次等候不是每句字幕的固定延遲。下載量請記錄這次介面顯示的數字，別從「2B」直接推算網路用量或最低記憶體。

③「選輸入」：相機或自己的無敏感影片

允許相機時，先把鏡頭只對準桌上的杯子、書、湯匙。介面的 Webcam 切換相機來源，Video file 可選本機影片。若相機權限被拒，檢查網站權限與系統相機設定；getUserMedia 文件說明 HTTPS、安全來源及嵌入框架的權限會影響能否開啟。

④「只問一件事」：先把答案縮短

在提示框輸入：請用繁體中文一句話描述畫面中可見的主要物件；看不清楚就說看不清楚，不要推測品牌。等字幕更新後，先檢查文字是否對得上畫面。這是控制輸出形式的提示，不是準確率保證。看不清楚時，先改善光線、讓物件靠近中心，再換提示。

⑤「知道怎麼停」：暫停辨識與關相機分開做

按 Pause 暫停字幕循環；測試結束後關閉分頁，並檢查相機使用指示是否熄滅。接著從瀏覽器網址列的網站控制項撤銷相機權限。這份程式在暫停時停止生成與播放，但相機軌道的停止屬於另一段來源清理邏輯，因此別把暫停按鈕當成撤銷權限。

三、LFM3-VL-2B WebGPU 三物件練習：先寫答案，再看字幕

你想知道的是「它是否辨認現場」，不是「它能否說出漂亮句子」。先在紙上寫好標準答案：杯子、書、湯匙都可見；杯子移走後，只剩書和湯匙。把物件放在畫面中心、彼此留空隙，固定鏡頭、光線與提示。

• 場景 A：只放杯子，記下字幕原句，分開標示「物件對／錯」「用了繁中／其他文字」。
• 場景 B：加入書與湯匙，檢查是否漏掉物件，是否把湯匙認成刀叉。
• 場景 C：移走杯子，等待新一輪描述，檢查新字幕是否仍憑空提到杯子；舊卡片留在畫面上不算新一輪誤認。

每個場景先安排五次完成的描述作為小練習；「五次」是本篇建議的紀錄量，不是統計證明。紀錄欄位可直接照抄：場景／可見物件／提示原文／字幕原文／命名是否正確／是否多猜／備註。若只成功一次，其餘都含糊，就把原句保留下來，別改寫成「支援繁中辨識」。

這份程式會依畫面比例裁切並縮小影像，因此原始鏡頭畫面邊緣的物件可能被裁掉；已在介面裡可見的小物件，也可能因縮圖而更難辨認。先把杯子移到中心重試，才能區分取圖問題與辨識問題。這也是為什麼「螢幕上看起來清楚」仍要追問「模型收到的縮圖是否夠清楚」。想把這套方法用到更多模型，可讀 本地模型任務評分卡。

四、字幕落後幾秒？從畫面事件量到正確答案

先固定同一段桌面影片：杯子放入、停留、移走，每個狀態留足觀察時間。用螢幕錄影同時保留影片播放位置與字幕，記下「事件開始可見」「第一段相關文字出現」「整句完成」三個時刻。以正確描述首次出現時間－事件可見時間，估計這次使用者感受到的延遲。若始終沒說對，記「未命中」，不要只拿任意字幕出現時間當成功。

這裡有三種鐘：等下一次取圖的時間、模型處理與生成的時間、文字送回介面的時間。程式卡片的秒數計時從 worker 收到該張圖後開始，與你看到物件進場的起點不同；tokens/s 主要反映文字解碼速率，也不是每秒辨認多少張畫面。

用同一提示與影片重複幾輪，保留逐次結果，再整理中位數及最慢一次。把「第一次載入」另列，並記錄是否插電、視窗大小及其他佔 GPU 的程式。這樣慢的原因才有機會找回來；跨裝置比較時，也不會把暖機差異誤當模型差異。

模型卡記載的影片取樣方式屬於模型使用說明；這個 Space 的循環則等待本次字幕完成，再擷取下一張。兩者不能直接換算成同一個固定更新率。若你真正要研究的是「AI 何時該插話、如何追蹤改口的意圖」，那是 StreamVibe 影片 Agent的另一個問題。

五、斷網驗收：分頁續跑、重新開頁、資料流各測一次

「本機運算」像把廚房搬到自己家，開店前仍可能要從外面搬來食材與器具。這份網頁會載入 JavaScript、模型檔與字型。它的程式把畫面交給瀏覽器中的模型 worker，仍應用網路紀錄確認你這次開啟的版本。

先在 Chrome 開啟開發者工具，選 Network，保留全部請求類型；需要時開啟 Preserve log。載入完成後，清空清單並讓字幕跑幾輪，再檢視請求的網址、方法、時間與內容；不要只看 Fetch/XHR，也要留意 WebSocket。Chrome Network 文件列出錄製、檢查與 Offline 模擬的操作。

• 測試一「分頁續跑」：模型完全載入、先正常產生描述，再把 Network 的連線模式改為 Offline；維持同一分頁，換一組物件，確認有新內容而非重看舊字幕。若要擴大到裝置層級，再關閉 Wi-Fi 與其他網路連線，另記結果。
• 測試二「重新載入」：保留離線狀態，重新整理頁面。成功或失敗都獨立記錄；模型在記憶體裡能跑，與網頁及依賴都能從快取重建，條件不同。
• 測試三「資料流」：恢復連線，清空 Network，改變畫面並觀察是否有新請求。若有，打開檢查，不要看到網域名稱就直接判定傳了影像。

離線續跑通過，只能支持「這次已載入分頁在斷網條件下能產生新描述」。Network 清單一段時間沒有新增請求，也只涵蓋你觀察到的分頁、框架與期間；不能替日後版本或其他應用背書。這個界線，和 AI 工具對外連線檢查使用的證據思路相同。

收尾時先恢復 No throttling，用 Back 離開相機畫面。若要清掉下載內容，先保持分頁開著，在 DevTools 的 Application → Storage 勾選 Cache Storage，再按 Clear site data；可對照 Chrome 清除快取教學。核對正在清除的應用網域，獨立 Space 與 Hugging Face 主站是不同來源。最後關閉分頁，再從網站設定撤銷相機權限。模型快取被刪掉後，下次載入可能重新下載；清資料不等於撤銷相機權限，兩件事都做。

六、常見問題：八個先講答案的判讀

這是把聲音轉成字幕嗎？

不是這份示範的處理方式。固定版本的相機請求設為 audio:false，模型請求送入圖片和提示；這裡的 caption 是畫面描述。

可以直接拿來評斷年齡或身分嗎？

本篇不建議。先用物件、顏色與可見位置驗收；介面提供某個提問捷徑，並不等於該用途已通過可靠性檢查。

支援 Chinese 就代表繁中一定答對嗎？

不代表。語言支援與這組物件、提示及畫質下的命名正確率，應分開記錄。

看到舊字幕，就代表它記錯了嗎？

不一定。先確認那張卡片屬於哪一輪；用移走物件後新完成的描述來評分。

下載完，就保證下次離線能開嗎？

不能這樣推論。先做分頁續跑，再做離線重新載入，分開保存結果。

tokens/s 越高，字幕就一定越即時嗎？

不一定。它沒有涵蓋事件發生後等待下一次取圖的全部時間；請量事件到正確描述的時間。

相機拒絕授權，還能練嗎？

可以嘗試 Video file，選自己拍攝且沒有敏感內容的短片；影片格式仍須瀏覽器能播放。

我該先換電腦，還是換提示？

先讀錯誤。缺 shader-f16 屬於執行環境問題；已能生成但命名錯誤，先固定場景、光線、裁切與提示再比較。

給新手的三個重點

• 辨識品質看固定場景的原句；流暢不能取代命中。
• 即時程度看事件到正確答案的時間；解碼速度只是其中一段。
• 離線能力看具體測試條件；分頁還在跑、重新開頁能跑與沒有影像外傳，各需要不同證據。