LFM3-Omni-2B مقابل LFM2.5-VL-3B: الخلف الذي يرى أقل

أحدث نموذج متعدد الوسائط من Liquid AI أقل قدرة على الرؤية من النموذج الذي حلّ محله. في RealWorldQA، LFM3-Omni-2B يسجل 66.68 وLFM2.5-VL-3B يسجل 73.1. في MMStar يبلغ 55.67 مقابل 63.3. وفي RefCOCO الخاصة بالإشارة إلى التعبيرات المرجعية يبلغ 73.55 مقابل 87.9. وفي MMBench، 73.68 مقابل 81.0. أربعة من المعايير الخمسة التي يوردها النموذجان معًا تفضّل نقطة التحقق الأقدم والأكبر والخاصة بالرؤية فقط، والفارق ليس ضوضاء — بل يتراوح بين سبع وأربع عشرة نقطة حسب الصف.لا ينبغي أن يضيف التوجيه بين نموذجين رسمًا على المنصة. هامش ربح 0% تُمرَّر أسعار قائمة المزوّد دون تغيير.

هذا ليس فضيحة. إنه ما يحدث عندما تطلب من شبكة أصغر إنجاز مزيد من المهام دفعة واحدة، وهو الحقيقة الأكثر فائدة على الإطلاق لأي شخص يقرر بين هاتين النقطتين. LFM3-Omni-2B ليس مسار الترقية لمنتج رؤية. بل هو منتج مختلف يتشارك معه اسم العائلة فحسب.

نموذجان يقومان بمهمتين مختلفتين

الالتباس مفهوم، لأن النموذجين يبدوان كجيلين متتاليين من الفكرة نفسها. فكلاهما من Liquid AI، وكلاهما مصمم للنشر على الأجهزة، وكلاهما غير استدلالي، وكلاهما يخضع لترخيص LFM Open License v1.0، وكلاهما يستهدف ميزانية ذاكرة متقاربة تقريبًا. صدر LFM2.5-VL-3B في 12 أغسطس 2026 كمتخصص في الرؤية واللغة: عمود فقري نصي بحجم 2.6 مليار معلمة مقترنًا بمشفّر SigLIP2 NaFlex بحجم 400 مليون، بإجمالي نحو 3.1 مليار معلمة.

LFM3-Omni-2B، المنشور في 27 أكتوبر 2026، نموذج أي-إلى-أي. يستقبل النصوص والصور والفيديو المصحوب بمقطع صوتي أو غير المصحوب به، والصوت بتردد 16 كيلوهرتز، ويعيد نصًا أو كلامًا بتردد 24 كيلوهرتز أو كليهما. الرؤية أحد مسارات الإدخال الأربعة وليست المهمة بأكملها. انخفضت ميزانية المعاملات من 3.1 مليار إلى 2.17 مليار بينما ارتفع عدد المهام من واحدة إلى أربع، ودرجات الرؤية هي حيث يظهر أثر تلك الحسابات.

• المعاملات — 2.17 مليار معامل كثيف لـ LFM3-Omni-2B مقابل نحو 3.1 مليار لـ LFM2.5-VL-3B، منها 400 مليون للمُشفّر البصري.

• المدخلات — النص والصورة والفيديو وصوت بتردد 16 كيلوهرتز مقابل النص والصورة والفيديو.

• المخرجات — نص وكلام بتردد 24 كيلوهرتز مقابل النص فقط.

• السياق — 32,768 رمزًا مقابل 32,768 رمزًا. متطابقان تمامًا، وكلاهما يحتسب الإدخال مضافًا إليه الإخراج.

• ميزانية الرؤية — 2,048 رمزًا مرئيًا لكل صورة، الدقة الأصلية مقابل رقع بحجم 512 بكسل بالدقة الأصلية مع مسار صورة مصغّرة.

• التموضع — بديل شامل لخط معالجة من أربعة نماذج مقابل نموذج VLM مخصص للتعرف الضوئي على الحروف، وفهم واجهة المستخدم، والإجابة عن الأسئلة البصرية.

• الترخيص — LFM Open License v1.0 في كلتا الحالتين، بما في ذلك حد الإيرادات الذي يحكم الاستخدام التجاري.

حيث تتقاطع الأرقام فعليًا

غالبًا ما تكون مقارنات المعايير بين نماذج من مختبرات مختلفة غير نزيهة، لأن أطر التقييم تختلف. لكن هذه المقارنة أنظف من معظمها: فقد قيّمت الشركة نفسها كلتا نقطتي التفتيش، وفي الوضع غير الاستدلالي نفسه، وكلتاهما تreportان خمسًا من مجموعات البيانات نفسها. وهذا لا يجعل الأرقام مستقلة — فهي ليست كذلك — لكنه يجعلها قابلة للمقارنة إحداها بالأخرى على نحوٍ نادرًا ما تكون عليه جداول المقارنة بين المختبرات.

• RealWorldQA — 66.68 لـ LFM3-Omni-2B مقابل 73.1 لـ LFM2.5-VL-3B. انخفاض بمقدار 6.4 نقطة في أسئلة المشاهد اليومية.

• MMStar — 55.67 مقابل 63.3. انخفاض بمقدار 7.6 نقطة في معيار مُصمَّم لمقاومة تلوث البيانات.

• MMBench — 73.68 مقابل 81.0. انخفاض بمقدار 7.3 نقاط في القدرة متعددة الوسائط الشاملة.

• RefCOCO pointing — 73.55 مقابل 87.9. انخفاض بمقدار 14.4 نقطة، وهو أوسع فجوة في المجموعة، في مهمة تحديد موقع كائن مسمّى في صورة.

• DocVQA — 92.47 مقابل 91.1. الاستثناء: LFM3-Omni-2B متقدّم بـ1.4 نقطة في الإجابة عن أسئلة المستندات.

نتيجة DocVQA هي ما يمنع أن تتحول المسألة إلى قصة بسيطة مفادها "النموذج الجديد أسوأ". فنص المستندات هو المهمة التي يمكن فيها لنموذج موحّد أن يتفوق على مسار معالجة مركّب بفضل قدرته على قراءة صفحة بدقة عالية والاستدلال عليها في تمريرة واحدة — وهي أيضًا المهمة التي يُفترض أن يضرّ فيها حدّ Liquid البالغ 2,048 رمزًا لكل صورة أكثر ما يضر. وكون نموذج omni يفوز هناك رغم ذلك يوحي بأن تدهور الرؤية ليس متساويًا عبر المهام. بل يتركّز في المهام المكانية والمهام الإحالية، وهو بالضبط ما تتوقع أن يعاني فيه نموذج بقدرة بصرية مخصصة أقل.

ما تكلفة الوسائط الإضافية؟

مسار الصوت ليس مجانيًا، والبطاقة واضحة على نحو غير معتاد بشأن أين تقع التكلفة. سياق 32K مشترك عبر كل الوسائط: فيديو بمعدل إطارين في الثانية لـ384 إطارًا يستهلك معظم النافذة قبل أن تطرح سؤالًا. الصور محدودة بـ2,048 رمزًا بصريًا لكل صورة، وهو تقريبًا الحد الأقصى للدقة لقراءة نص كثيف في صورة فوتوغرافية. النموذج البصري فقط لديه السياق نفسه البالغ 32K لكنه لا يضطر إلى إنفاق أي منه على الصوت.

يضيف الإخراج الصوتي اعتبارًا ثانيًا لا علاقة له بمعايير الأداء. يحوّل LiquidCodec الرموز المولّدة إلى صوت بتردد 24 كيلوهرتز أسرع من الزمن الحقيقي، وهو ما يجعل الردود المنطوقة المتدفقة ممكنة. لكن بطاقة الطراز توثّق تقديم SGLang لإخراج النص فقط، ولا تصف كيفية تقديم فرع الكلام. إذا كنت بحاجة إلى إجابات منطوقة من بنيتك التحتية الخاصة، فإن التنفيذ المرجعي لذلك النصف من الطراز مفقود. قارن ذلك بـ LFM2.5-VL-3B، الذي يمتلك سنة من الأدوات المساندة خلفه — GGUF وMLX وvLLM وSGLang وONNX، وتقارير عن 228 توكنًا في الثانية على M5 Max بذاكرة أقل من 3.3 غيغابايت.

النضج ليس صفًا في جدول معايير الأداء، لكنه يحدد عمليات النشر. النموذج الذي يعمل في كل مكان اليوم يتفوق على النموذج الذي يعمل على مسار واحد غدًا، إلا إذا كانت الوسيطة الإضافية هي سبب وجودك هناك.

كيفية الاختيار

إذا كانت المهمة هي قراءة لقطات الشاشة، أو تحليل المستندات، أو الإشارة إلى الكائنات، أو الإجابة عن أسئلة حول بث كاميرا، فإن LFM2.5-VL-3B هو النموذج الأفضل، والفارق ليس ضئيلًا في البنود المهمة. وعلى وجه الخصوص، ينبغي أن تحسم فجوة الـ14 نقطة في RefCOCO النقاش لأي حالة استخدام في الروبوتات أو أتمتة واجهات المستخدم. ولا يضر كون عدد معاملاته 3.1B عندما يكون البديل نموذجًا بـ2.17B معاملًا ينفق ثلث سعته على آذان وفم.

إذا كانت المهمة تتضمن شخصًا يتحدث إلى جهاز والجهاز يرد عليه — كشاشة تفاعلية، أو مساعد هاتف، أو أداة ميدانية تكون فيها اليدان مشغولتين — فإن LFM3-Omni-2B يفعل شيئًا لا يستطيع LFM2.5-VL-3B فعله عند أي عدد من المعاملات. أنت لا تختار نموذج رؤية أسوأ؛ بل تختار دمج أربعة نماذج في واحد، وتقبل تراجع الرؤية ثمنًا لهذا الدمج.

ثمة خيار ثالث يجعله جدول القياسات المرجعية بديهيًا: تشغيل كليهما. متخصص في الرؤية للإطارات، ونموذج شامل للمحادثة. هذا يعني نقطتي تحقق وحوالي 7.4 GB بتنسيق BF16، وهو ما يظل ضمن ذاكرة وحدة معالجة رسومات واحدة من الفئة المتوسطة. أما لغة التوجيه DSL الخاصة بـ OrcaRouter فهي موجودة تحديدًا لهذا التركيب — نقطة نهاية واحدة، وقواعد ترسل طلبًا يتضمن صورة ونصًا إلى المتخصص، وطلبًا منطوقًا إلى النموذج الشامل، مع تحويل احتياطي تلقائي إذا فشل أي من المسارين. لا توجد أي من نقطتي التحقق في كتالوجنا اليوم، لذا فهذا نمط وليس وعدًا؛ المغزى هو أن سؤال «أي نموذج؟» له إجابة ثالثة لا يذكرها منشور إطلاق أي من البائعين.

الحكم

LFM3-Omni-2B إنجاز هندسي حقيقي عند 2.17B معلمة، وبديل سيئ عن LFM2.5-VL-3B في أي تطبيق يكون بصريًا في المقام الأول. والطريقة الصادقة لقراءة الزوجين هي اعتبارهما تفرعًا في خط منتجات Liquid نفسه: أحد الفرعين يحسّن القدرة على الرؤية، والآخر على المشاركة في محادثة. اسم العائلة والترخيص المشترك يجعلانهما يبدوان كسلسلة. وجدول المقاييس يقول إنهما شقيقان، والشقيق الأكبر أفضل في الشيء الذي صُمّم من أجله.

ما قد يغيّر هذا التقييم هو تقييم مستقل، لأن المقارنة بأكملها أعلاه تستند إلى أرقام أنتجتها Liquid عن نموذجيها هما. من الممكن أن يكون نموذج omni قد قُيّم على نسخ أصعب من هذه المجموعات البيانات، أو في وضع يجعله في موضع غير مواتٍ. لا شيء في البطاقة يشير إلى ذلك، والاتجاه المتسق لأربعة صفوف من أصل خمسة يعارضه. وإلى أن يعيد شخص من خارج الشركة إنتاج أي من الجدولين، فإن القراءة الأكثر أمانًا هي أيضًا الأبسط: النموذج المتخصص يرى أفضل، ونموذج omni يسمع.