LFM3-Omni-2B vs. LFM2.5-VL-3B: Der Nachfolger, der weniger sieht

Das neueste multimodale Modell von Liquid AI ist im Sehen schlechter als sein Vorgänger. Bei RealWorldQA erreicht LFM3-Omni-2B 66,68 und LFM2.5-VL-3B 73,1. Bei MMStar sind es 55,67 gegenüber 63,3. Beim Referring-Expression-Pointing auf RefCOCO sind es 73,55 gegenüber 87,9. Bei MMBench 73,68 gegenüber 81,0. Vier der fünf Benchmarks, die beide Modelle gemeinsam ausweisen, sprechen für den älteren, größeren Checkpoint, der ausschließlich auf Vision setzt, und dieser Abstand ist kein Rauschen – er liegt je nach Zeile zwischen sieben und vierzehn Punkten. Das Routing zwischen zwei Modellen sollte keine Plattformgebühr verursachen. 0 % Aufschlag Die Listenpreise der Anbieter werden unverändert weitergegeben.

Das ist kein Skandal. Es ist das, was passiert, wenn man ein kleineres Netzwerk mehrere Aufgaben gleichzeitig erledigen lässt, und es ist die nützlichste Tatsache überhaupt für jeden, der zwischen diesen beiden Checkpoints entscheiden muss. LFM3-Omni-2B ist nicht der Upgrade-Pfad für ein Vision-Produkt. Es ist ein anderes Produkt, das zufällig denselben Familiennamen trägt.

Zwei Modelle mit unterschiedlichen Aufgaben

Die Verwirrung ist verständlich, denn die beiden Modelle wirken wie aufeinanderfolgende Generationen derselben Idee. Beide stammen von Liquid AI, beide sind für den On-Device-Einsatz konzipiert, beide sind Non-Reasoning-Modelle, beide übernehmen die LFM Open License v1.0, und beide sind auf ungefähr dasselbe Speicherbudget ausgelegt. LFM2.5-VL-3B erschien am 12. August 2026 als Vision-Language-Spezialist: ein Text-Backbone mit 2,6 Mrd. Parametern, kombiniert mit einem 400M-SigLIP2-NaFlex-Encoder, insgesamt etwa 3,1 Mrd. Parameter.

LFM3-Omni-2B, veröffentlicht am 27. Oktober 2026, ist ein Any-to-Any-Modell. Es nimmt Text, Bilder, Video mit oder ohne Tonspur sowie 16-kHz-Audio entgegen und gibt Text, 24-kHz-Sprache oder beides zurück. Vision ist dabei einer von vier Eingabepfaden und nicht die gesamte Aufgabe. Das Parameterbudget sank von 3,1 Mrd. auf 2,17 Mrd., während die Zahl der Aufgaben von einer auf vier stieg – und bei den Vision-Werten zeigt sich diese Rechnung.

• Parameter — 2,17B dense für LFM3-Omni-2B vs. etwa 3,1B für LFM2.5-VL-3B, davon 400M für den Vision-Encoder.

• Eingaben — Text, Bild, Video und 16-kHz-Audio vs. Text, Bild und Video.

• Ausgaben — Text und 24-kHz-Sprachausgabe im Vergleich zu nur Text.

• Kontext — 32.768 Token vs. 32.768 Token. Identisch, und bei beiden zählt Eingabe plus Ausgabe.

• Vision-Budget — 2.048 visuelle Token pro Bild, native Auflösung vs. 512-Pixel-Patches in nativer Auflösung mit einem Thumbnail-Pfad.

• Positionierung — ein Omni-Ersatz für eine Vier-Modell-Pipeline gegenüber einem dedizierten VLM für OCR, UI-Verständnis und visuelle Fragenbeantwortung.

• Lizenz — LFM Open License v1.0 in beiden Fällen, einschließlich der Umsatzschwelle, die die kommerzielle Nutzung regelt.

Wo sich die Zahlen tatsächlich überschneiden

Benchmark-Vergleiche zwischen Modellen aus unterschiedlichen Labs sind meist unehrlich, weil sich die Harnesses unterscheiden. Dieser hier ist sauberer als die meisten: Beide Checkpoints wurden vom selben Unternehmen im selben Nicht-Reasoning-Modus evaluiert, und beide geben dieselben fünf Datensätze an. Das macht die Zahlen nicht unabhängig – sie sind es nicht –, aber es macht sie in einer Weise miteinander vergleichbar, wie es lab-übergreifende Tabellen selten sind.

• RealWorldQA — 66,68 für LFM3-Omni-2B gegenüber 73,1 für LFM2.5-VL-3B. Ein Rückgang um 6,4 Punkte bei Fragen zu Alltagsszenen.

• MMStar — 55,67 vs. 63,3. Ein Rückgang um 7,6 Punkte bei einem Benchmark, der darauf ausgelegt ist, Datenkontamination zu widerstehen.

• MMBench — 73,68 gegenüber 81,0. Ein Rückgang um 7,3 Punkte bei der breiten multimodalen Leistungsfähigkeit.

• RefCOCO pointing — 73,55 vs. 87,9. Ein Rückgang um 14,4 Punkte, die größte Lücke im Set, bei der Aufgabe, ein benanntes Objekt in einem Bild zu lokalisieren.

• DocVQA — 92,47 vs. 91,1. Die Ausnahme: LFM3-Omni-2B liegt bei der Beantwortung von Dokumentfragen um 1,4 Punkte vorn.

Das DocVQA-Ergebnis ist dasjenige, das verhindert, dass daraus eine einfache Geschichte von „das neue Modell ist schlechter“ wird. Dokumenttext ist die Aufgabe, bei der die Fähigkeit eines Unified-Modells, eine Seite in hoher Auflösung zu lesen und in einem Durchgang darüber zu schließen, eine Pipeline schlagen kann – und es ist zugleich die Aufgabe, bei der sich die Obergrenze von Liquid von 2.048 Tokens pro Bild am stärksten auswirken sollte. Dass das Omni-Modell dort trotzdem gewinnt, deutet darauf hin, dass die Verschlechterung der Bildverarbeitung nicht über alle Aufgaben hinweg gleichmäßig ist. Sie konzentriert sich auf räumliche und Referring-Aufgaben, und genau dort würde man erwarten, dass ein Modell mit geringerer dedizierter visueller Kapazität Schwierigkeiten hat.

Was die zusätzlichen Modalitäten kosten

Der Audioweg ist nicht kostenlos, und die Karte sagt ungewöhnlich klar, wo die Kosten anfallen. Der 32K-Kontext wird von allen Modalitäten gemeinsam genutzt: Ein Video mit 2 Bildern pro Sekunde über 384 Bilder verbraucht den Großteil des Fensters, bevor man überhaupt eine Frage gestellt hat. Bilder sind auf jeweils 2.048 visuelle Token begrenzt, was ungefähr die Auflösungsobergrenze für das Lesen von dichtem Text auf einem Foto darstellt. Das Nur-Vision-Modell hat denselben 32K-Kontext, muss aber keinen Teil davon für Audio aufwenden.

Die Sprachausgabe bringt einen zweiten Aspekt ins Spiel, der mit Benchmarks nichts zu tun hat. LiquidCodec wandelt generierte Tokens schneller als in Echtzeit in 24-kHz-Audio um, was gestreamte gesprochene Antworten erst möglich macht. Die Modellkarte dokumentiert jedoch SGLang-Serving nur für die Textausgabe und beschreibt nicht, wie der Sprachzweig bereitgestellt wird. Wenn Sie gesprochene Antworten aus Ihrer eigenen Infrastruktur benötigen, fehlt die Referenzimplementierung für diese Hälfte des Modells. Vergleichen Sie das mit LFM2.5-VL-3B, hinter dem ein Jahr Tooling steht – GGUF, MLX, vLLM, SGLang, ONNX und Berichte von 228 Tokens pro Sekunde auf einem M5 Max bei unter 3,3 GB Speicher.

Reife ist keine Benchmark-Zeile, aber sie entscheidet über Deployments. Ein Modell, das heute überall läuft, schlägt ein Modell, das morgen auf einem einzigen Pfad läuft – es sei denn, die zusätzliche Modalität ist der Grund, aus dem Sie dort sind.

Wie man wählt

Wenn es um das Lesen von Screenshots, das Parsen von Dokumenten, das Zeigen auf Objekte oder das Beantworten von Fragen zu einem Kamerabild geht, ist LFM2.5-VL-3B das bessere Modell, und in den entscheidenden Punkten ist der Abstand alles andere als knapp. Insbesondere die 14-Punkte-Lücke bei RefCOCO sollte für jeden Robotik- oder UI-Automatisierungs-Anwendungsfall die Diskussion beenden. Dass es 3,1B Parameter hat, schadet nicht, wenn die Alternative ein Modell mit 2,17B Parametern ist, das ein Drittel seiner Kapazität für Ohren und einen Mund aufwendet.

Wenn es bei der Aufgabe darum geht, dass eine Person mit einem Gerät spricht und das Gerät antwortet – ein Kiosk, ein Telefonassistent, ein Feldwerkzeug, bei dem die Hände beschäftigt sind –, leistet LFM3-Omni-2B etwas, das LFM2.5-VL-3B bei keiner Parameteranzahl leisten kann. Sie entscheiden sich nicht für ein schlechteres Vision-Modell; Sie entscheiden sich dafür, vier Modelle zu einem zusammenzulegen, und akzeptieren den Rückschritt bei der Vision als Preis für dieses Zusammenlegen.

Es gibt eine dritte Option, die die Benchmark-Tabelle offensichtlich macht: beide laufen lassen. Ein Vision-Spezialist für die Frames, ein Omni-Modell für die Konversation. Das sind zwei Checkpoints und etwa 7,4 GB in BF16, was immer noch in den Speicher einer einzelnen Mittelklasse-GPU passt. OrcaRouters Routing-DSL existiert genau für diese Zusammensetzung — ein Endpunkt, Regeln, die eine Bild-und-Text-Anfrage an den Spezialisten und eine gesprochene Anfrage an das Omni-Modell schicken, mit automatischem Failover, falls einer der Pfade ausfällt. Keiner der Checkpoints ist heute in unserem Katalog, das ist also eher ein Muster als ein Versprechen; der Punkt ist, dass die Frage „welches Modell“ eine dritte Antwort hat, die keiner der Launch-Posts der Anbieter erwähnt.

Das Urteil

LFM3-Omni-2B ist eine echte Ingenieursleistung mit 2,17 Milliarden Parametern und ein schlechter Ersatz für LFM2.5-VL-3B in jeder Anwendung, die primär visuell ist. Der ehrliche Weg, das Paar zu lesen, ist als Weggabelung in Liquids eigener Produktlinie: Der eine Zweig optimiert aufs Sehen, der andere auf die Teilnahme an einer Konversation. Der Familienname und die gemeinsame Lizenz lassen sie wie eine Sequenz aussehen. Die Benchmark-Tabelle sagt, dass sie Geschwister sind, und das ältere Geschwister ist besser in dem, wofür es gebaut wurde.

Was diese Einschätzung ändern würde, ist eine unabhängige Bewertung, denn der gesamte obige Vergleich beruht auf Zahlen, die Liquid zu seinen eigenen beiden Modellen erhoben hat. Es ist möglich, dass das Omni-Modell auf schwierigeren Varianten dieser Datensätze bewertet wurde oder in einem Modus, der es benachteiligt. Nichts in der Karte deutet darauf hin, und die einheitliche Richtung bei vier von fünf Zeilen spricht dagegen. Bis jemand außerhalb des Unternehmens eine der beiden Tabellen reproduziert, ist die sicherste Lesart auch die einfachste: Das Spezialmodell sieht besser, und das Omni-Modell hört.