LFM3-Omni-2B vs. Moondream 3: Ein gemeinsamer Benchmark, zwei unterschiedliche Aufgaben

Stellen Sie LFM3-Omni-2B und Moondream 3 nebeneinander, und die technischen Datenblätter wirken wie Geschwister. Beide sind kleine multimodale Modelle für Smartphones, Laptops, Kameras und Roboter. Beide haben einen 32K-Kontext. Beide setzen bei jedem Token ungefähr zwei Milliarden Parameter ein. Beide kommen mit offenen Gewichten, die Sie heute herunterladen können. Suchen Sie nach einem direkten Vergleich zwischen ihnen, finden Sie nichts – genau deshalb wird diese Paarung immer wieder hergestellt.

Dann liest man die beiden Modellkarten sorgfältig, und die Ähnlichkeit zerfällt auf eine Weise, die sich leicht überprüfen lässt. Der einzige Benchmark, den beide Karten angeben, ist DocVQA, wo LFM3-Omni-2B 92,47 und Moondream 3.1 9B A2B 88,6 erreicht. Alles andere, was sie messen, ist disjunkt. Ein Modell gibt gesprochene Sätze zurück. Das andere gibt Bounding Boxes zurück. Sie sind keine zwei Antworten auf dieselbe Frage.

Eine Anmerkung zu den Namen, da das Verzeichnis verwirrend ist. Moondream 3 Preview erschien am 18. September 2025 und Moondream 3.1 9B A2B am 7. Juli 2026; jede Moondream-Nummer in diesem Beitrag stammt aus der 3.1-Karte, dem Checkpoint, den Sie herunterladen können. LFM3-Omni-2B wurde am 27. Oktober 2026 als eines von sechs Modellen in der LFM3-Familie von Liquid AI veröffentlicht. Beide sind brandneu in dem einzigen Sinn, der hier zählt: Keines wurde von jemandem außerhalb des Unternehmens evaluiert, das es entwickelt hat.

Was jedes Modell tatsächlich zurückgibt

Der tiefste Unterschied ist nicht die Parameteranzahl. Es ist der Ausgabekontrakt.

Moondream 3.1 bietet fünf Fähigkeiten mit festen Ausgabeformen: query, caption, detect, point und segment. Die Detektion liefert höchstens 200 Boxen, das Pointing höchstens 64 Punkte, die Segmentierung höchstens 50 COCO-RLE-Masken, alle in normalisierten 0–1-Koordinaten als JSON. Es ist ein räumliches Messinstrument mit einer engen, vorhersehbaren Schnittstelle. Sie können seine Ausgabe direkt in einen UI-Automator oder einen Roboterplaner einspeisen, ohne eine LLM-Parsing-Schicht, da die Ausgabe bereits strukturiert ist.

LFM3-Omni-2B hat keinen solchen Vertrag. Es nimmt Text, Bilder, Video mit oder ohne Tonspur sowie 16-kHz-Audio entgegen und erzeugt Text, 24-kHz-Sprache oder beides verschachtelt. Es gibt keinen Ausgabepfad für Koordinaten. Wenn Sie eine Ortsangabe daraus erhalten möchten, fragen Sie in Prosa und parsen die Antwort – das ist eine andere Zuverlässigkeitsklasse als ein Schema, das eine Box garantiert.

Dieser eine Unterschied entscheidet über mehr Deployments als jede Benchmark-Zeile. Eine Modell-ID gegen die andere auszutauschen ist keine Migration. Es ist ein Neuschreiben all dessen, was die Antwort konsumiert.

Das Datenblatt, Seite an Seite

• Parameter — 2,17B insgesamt für LFM3-Omni-2B, vollständig resident und rechnend, gegenüber 9,0B insgesamt für Moondream 3.1 mit 2,0B aktiv pro Token.

• Speicherbedarf im Ruhezustand — etwa 4,4 GB in BF16 rechnerisch bei 2,17 Mrd. Parametern gegenüber rund 18 GB in FP16, etwa 6 GB bei Community-INT4 und eine NVIDIA-Untergrenze von 10 GB für den ausgelieferten FP8-Build.

• Eingaben — Text, Bilder, Video mit 2 fps mit oder ohne Audio sowie 16-kHz-Sprache gegenüber nur Bildern und Text.

• Ausgaben — Text, 24-kHz-Sprachaudio oder verschachtelt vs. Text, JSON, normalisierte Koordinaten und Masken.

• Kontext — 32,768 Token inklusive Eingabe und Ausgabe gegenüber 32,768 Text-Token plus bis zu 12 Bildkacheln, etwa 2,304 Vision-Token.

• Vision-Budget — bis zu 2.048 Token pro Bild bei nativer Auflösung im Vergleich zur adaptiven Kachelung auf 12 Ausschnitte bei 384–1024 px.

• Lizenz — LFM Open License v1.0, kommerzielle Nutzung nur unter 10 Mio. USD Jahresumsatz lizenziert vs. Moondream Model License 1.0, kommerziell in jeder Größenordnung, aber kein allgemeiner gehosteter Dienst.

• Veröffentlicht — 27. Oktober 2026 vs. 7. Juli 2026, wobei der 3 Preview-Zweig bis zum 18. September 2025 zurückreicht.

Die Speicherzeile ist die, die Leute überspringen, und auf einem Edge-Gerät ist sie das ganze Argument. Die 2B aktiven Parameter von Moondream machen es pro Token so günstig wie LFM3-Omni-2B, aber seine 9B insgesamt machen es bei gleicher Präzision im Speicher bis zu viermal größer. Aktive Parameter bestimmen die Rechenleistung. Gesamtparameter bestimmen, ob das Ding passt. Ein Modell, das mit derselben Geschwindigkeit läuft, aber 18 GB braucht, konkurriert nicht um denselben Hardware-Slot wie eines, das in 4,4 GB passt.

Der einzige Benchmark, den beide melden

DocVQA ist Dokumentenfragebeantwortung, bewertet mit ANLS, und auf den beiden Modellkarten stehen 92,47 für LFM3-Omni-2B gegenüber 88,6 für Moondream 3.1. Das Omni-Modell liegt um 3,87 Punkte auf dem eigenen Terrain des Vision-Spezialisten vorn.

Dieses Ergebnis sollte mit drei Vorbehalten gelesen werden, die alle entscheidend sind. Beide Zahlen werden von den Laboren, die die Modelle entwickelt haben, selbst angegeben. Keines der beiden Labore hat seinen Evaluierungs-Harness, sein Prompt-Format oder seine Stichprobenauswahl veröffentlicht. Und eine Lücke von 3,87 Punkten bei einem Benchmark mit so viel Varianz zwischen Harnesses ist eher ein Hinweis als entscheidend. Was die Zeile tatsächlich belegt, ist enger und dennoch nützlich: LFM3-Omni-2B bricht bei dichtem Dokumenttext nicht zusammen, also genau bei der Aufgabe, bei der man erwarten würde, dass ein 2,17B-Any-to-Any-Modell verliert.

Wende dieselbe Lesart nicht auf Grounding an. LFM3-Omni-2B gibt RefCOCO mit 73,55 an und Moondream 3.1 gibt RefCOCO-M mit 87,1 an, und das sind nicht dieselbe Messgröße. In der Model Card von Liquid heißt es, dass Boxen im nativen Koordinatenformat des jeweiligen Modells gelesen werden; Moondream gibt F1 bei einer IoU-Schwelle von 0,5 an. Subtrahiert man das eine vom anderen, erhält man eine Zahl, die nichts bedeutet. Die ehrliche Aussage ist, dass die Model Card von Moondream um Grounding herum aufgebaut ist und die von Liquid es als eine Zeile unter siebzehn behandelt.

Wo Moondream 3 nicht heranreicht

Einiges davon ist eher eine Entscheidung bei der Berichterstattung als eine Fähigkeitslücke, und es lohnt sich, genau zu bestimmen, was davon zutrifft. Ein 2.17B-Omni-Modell kann mit ziemlicher Sicherheit eine grobe Region lokalisieren, wenn man es in Worten danach fragt. Was es nicht kann, ist, 200 Boxen in einem Schema mit begrenzter Fehlerrate zurückzugeben, weil weder sein Training noch sein Ausgabeformat dafür ausgelegt wurde. Das gesamte Produkt von Moondream ist die Garantie, dass die Koordinaten in einer parsebaren Form zurückkommen. Diese Garantie ist das, was Sie kaufen, und keine Benchmark-Zeile eines anderen Labors misst sie.

Für die Latenz gilt dieselbe Logik in umgekehrter Richtung. Moondream liefert Photon aus, eine Inferenz-Engine, die das Modell in ein einziges GPU-Programm kompiliert, und der Anbieter gibt etwa 34 Anfragen pro Sekunde bei Batch 16 auf einer H100 mit einem P50 von 59 ms an. Das sind Herstellerangaben, nicht reproduziert, doch die dahinterstehende Technik ist spezifisch für ein Modell. Für LFM3-Omni-2B gibt es noch keine vergleichbare Serving-Story.

Wo LFM3-Omni-2B nicht nah dran ist

Moondream 3.1 hat keinen Audiopfad. Nicht einmal einen schwächeren – gar keinen. Seine Eingabe sind ein Bild und Text, Punkt. Daher ist jede Audiozeile auf der Liquid-Karte unangefochten: englische ASR-Wortfehlerrate 6,36, mehrsprachige ASR 6,72, englische TTS UTMOSv2 3,80, VoiceBench 64,73, MMAR 51,40 und eine interne Tool-Calling-Evaluierung bei 52,20.

Die Zahlen für Video mit Tonspur sind diejenigen, die es wert sind, hervorgehoben zu werden, denn sie sind der Grund dafür, dass es das Modell gibt. Daily-Omni 70,09, WorldSense 47,10, AV-SpeakerBench 46,79 – alle an Video mit dazugehöriger Tonspur gemessen, Multiple-Choice-Genauigkeit, alle selbstberichtet. Liquids Behauptung ist, dass diese Qwen2.5-Omni-7B und Modelle mit bis zu 10,7B Parametern übertreffen, und in seiner eigenen Tabelle tun sie das: Qwen2.5-Omni-7B erreicht 61,32, 45,37 und 43,24 in denselben drei Zeilen.

Ein Detail auf dieser Karte verdient mehr Aufmerksamkeit, als ihm zuteilwurde. Liquid meldet dieselben Vision-Benchmarks zweimal – einmal mit eingetippter Frage, einmal mit gesprochener Frage. RealWorldQA fällt von 66,54 auf 64,68, MMStar von 55,67 auf 51,79, POPE von 89,34 auf 83,78. Die Frage durch den Audio-Encoder zu schicken kostet je nach Aufgabe zwischen zwei und sechs Punkten. Das ist der Preis des Sprachpfads, klar benannt, und es ist eine nützlichere Zahl als jeder einzelne Schlagzeilen-Score.

Was passiert am 13. November mit Moondream 3?

Dies ist der Teil des Vergleichs, der eine Frist hat. Prime Intellect kündigte am 13. Oktober 2026 an, Moondream zu übernehmen, und Moondream bestätigte dies am 14. Oktober. In dem Beitrag heißt es, dass am 13. November 2026, dreißig Tage nach der Ankündigung, die Moondream Cloud – sowohl das gehostete Inferencing als auch das Fine-Tuning-Produkt Lens – eingestellt wird. Nicht verbrauchte gekaufte Credits werden zurückerstattet, und Kunden werden auf die eigene Inferencing-Plattform des Erwerbers verwiesen.

Drei Punkte folgen, und nur der erste ist angenehm. Die offenen Gewichte bleiben erhalten und die Lizenz ist unverändert, Self-Hosting ist also nicht betroffen. Photon läuft lokal kostenlos ab Version 1.3.0 und später ohne API-Schlüssel. Was nicht sauber erhalten bleibt, ist Lens: feinabgestimmte Checkpoints und LoRAs liegen serverseitig, und es gibt keinen dokumentierten Exportpfad. Wenn Ihr Produkt von einem Lens-Fine-Tune abhängt, ist die Migration keine Konfigurationsänderung, und sechzehn Tage sind nicht viel Zeit, um das herauszufinden.

Es gibt eine kleinere Merkwürdigkeit, die für alle erwähnenswert ist, die diese Woche Quellen prüfen. Moondreams Preisseite führt weiterhin Cloud-Tarife, Preise pro Token und eine Team-Stufe für 350 $/Monat auf und sagt nichts über die Einstellung. Die Ankündigung steht auf einer anderen Seite. Ein Leser, der am 28. Oktober nur die Preisseite prüft, wüsste nicht, dass der Dienst in sechzehn Tagen endet.

Was der Betrieb jedes einzelnen kostet

Moondream veröffentlicht Token-Preise: 0,30 $ pro Million Input-Tokens und 1,00 $ pro Million Output-Tokens im Echtzeit-Tarif, halbiert auf 0,15 $ und 0,50 $ im Batch-Betrieb. LFM3-Omni-2B veröffentlicht überhaupt keinen Preis für gehostete Nutzung. Liquid sagt, die Familie sei in seinem Playground und über die API verfügbar, aber der Launch-Beitrag enthält keinen Preis, und die Modellkarte enthält keinen Preis. Diese Asymmetrie ist die Kostenstory.

Führen Sie die Moondream-Rechnung an einem realistischen Aufruf durch. Ein einzelnes Bild kostet bei vollständiger Kachelung bis zu 2.304 Vision-Token; fügen Sie einen Prompt mit 50 Token und 100 Ausgabe-Token hinzu, ergeben sich für einen Aufruf 2.354 Eingabe-Token und 100 Ausgabe-Token, also etwa $0.0008. Bei 10.000 Aufrufen pro Tag sind das rund $8 pro Tag oder $242 pro Monat, was im Batch-Tarif auf etwa $121 pro Monat sinkt. Ob das günstig ist, hängt vollständig davon ab, was Sie sonst für Hardware ausgeben würden, und genau diesen Vergleich zwingt Ihnen LFM3-Omni-2B auf, denn es liefert Ihnen keine Pro-Token-Zahl, die Sie dagegen abwägen könnten.

Auf eigener Hardware kehrt sich die Rechnung um. LFM3-Omni-2B umfasst etwa 4,4 GB Gewichte in BF16, bevor Aktivierungen, Audiodecoder und KV-Cache hinzukommen – die Rechnung basiert auf der Parameteranzahl, nicht auf einem gemessenen Speicherbedarf, da die Karte keine Speicherangabe veröffentlicht. Moondream 3.1 benötigt für seine ausgelieferte Version eine 10-GB-NVIDIA-Karte oder etwa 6 GB mit einer INT4-Quantisierung aus der Community. Das eine Modell läuft auf einem Smartphone. Das andere läuft auf einem Jetson Orin oder besser.

OrcaRouter ist hier nur deshalb einen Satz wert, weil die ehrliche Version eng ausfällt: Weder LFM3-Omni-2B noch Moondream 3 ist in unserem Katalog, und nichts in diesem Artikel behauptet, dass wir eines davon anbieten. Was wir tatsächlich routen, ist die gehostete Vision-Tier – zum Beispiel Qwen3-VL-8B – mit Weitergabe des Anbieter-Listenpreises ohne Aufschlag (0 %) und automatischem Failover zwischen Upstreams. Wenn die obige Self-Hosting-Rechnung der Grund für Ihr Zögern ist, dann ist das die Option, die der Vergleich auslässt, und es ist ein anderer Kauf und kein besserer.

Die Lizenz kann entscheiden, bevor der Benchmark es tut

Die beiden Lizenzen beschränken unterschiedliche Dinge, und welche davon greift, hängt davon ab, wie Ihr Unternehmen aufgestellt ist.

Die LFM Open License v1.0 definiert eine Schwelle von 10.000.000 US-Dollar Jahresumsatz. Unterhalb davon ist die kommerzielle Nutzung uneingeschränkt lizenziert. Oberhalb davon stellt Abschnitt 5 klar fest, dass die kommerzielle Nutzung des Werks oder eines abgeleiteten Werks überhaupt nicht unter der Vereinbarung lizenziert ist. Ein Start-up kann also kostenlos ein Produkt auf LFM3-Omni-2B aufbauen, und ein Unternehmen über der Schwelle kann dies ohne eine separate Vereinbarung nicht — unabhängig davon, wie gut das Modell ist.

Die Moondream Model License 1.0 hat keine Umsatzschwelle. Sie erlaubt kommerzielle Nutzung in jeder Größenordnung, Self-Hosting, Fine-Tuning, Quantisierung und Weiterverbreitung, und sie verbietet ein bestimmtes Geschäft: das Anbieten eines allgemeinen gehosteten Modelldienstes für das Modell oder ein Derivat ohne eine separate schriftliche kommerzielle Lizenz. Das Einbetten von Moondream in ein enger gefasstes Produkt ist erlaubt. Der Weiterverkauf allgemeiner Inferenz darauf ist es nicht.

Zusammengelesen sind die beiden Dokumente nahezu komplementär. Liquid regelt den Zugang danach, wer Sie sind; Moondream danach, was Sie verkaufen. Ein großes Unternehmen, das ein gehostetes Inferenzprodukt plant, wird von beiden blockiert – auf unterschiedliche Weise.

Wer sollte was auswählen?

{{1}}Wählen Sie Moondream 3.1, wenn das Produkt Koordinaten benötigt.{{/1}} {{2}}Bildschirmautomatisierung, Robotik, Audits von Einzelhandelsregalen, Zählen – überall dort, wo die Antwort eine Box, ein Punkt oder eine Maske ist und das nächste System sie programmatisch weiterverarbeitet.{{/2}} {{3}}Der Gesamt-Footprint von 9B ist der Preis für diese Garantie, und wenn Sie auf Hardware der Jetson-Klasse deployen, ist das ein Preis, den Sie zahlen können.{{/3}} {{4}}Planen Sie die Hosting-Migration jetzt statt im November.{{/4}}

Wählen Sie LFM3-Omni-2B, wenn das Produkt eine Person umfasst, die mit einem Gerät spricht, oder ein Gerät, das einen Raum hören muss. Ein Kiosk, der laut antwortet, ein Werkzeug für den Außeneinsatz, bei dem man die Hände nicht frei hat, eine Kamera, die ein Video samt Tonspur verstehen muss, ein einzelner Checkpoint, der ein ASR-Modell plus ein VLM plus ein TTS-Modell ersetzt. Die Vision-Werte sind respektabel statt außergewöhnlich, die Toolchain ist einen Tag alt, und der Sprachpfad ist der Grund, beides zu akzeptieren.

Wähle noch keines von beiden, wenn die Entscheidung tragend ist. Nichts davon wurde unabhängig bewertet. Das Tooling von LFM3-Omni-2B entwickelt sich schnell – ein Ollama-Library-Eintrag existiert mit 2,4 GB, und llama.cpp hat die Unterstützung dafür am 27. Oktober gemergt, am selben Tag, an dem die Gewichte erschienen –, aber der Ollama-Eintrag weicht derzeit in zwei sichtbaren Punkten von der Modellkarte ab: Er zeigt einen 125K-Kontext und „Text, Image“ als unterstützte Eingaben, während die Karte 32K und vier Modalitäten angibt. Das ist ein Eintrag, der noch nicht nachgezogen hat, kein Modellfehler, und es ist die Art von Sache, die innerhalb einer Woche behoben wird. Es ist auch nichts, was man diese Woche in die Produktion bringen sollte.

Was würde das ändern?

Zwei Punkte. Eine unabhängige Bewertung von LFM3-Omni-2B anhand der audio-visuellen Zeilen würde klären, ob die 70.09 auf Daily-Omni einen Harness übersteht, den es nicht selbst gewählt hat, und das ist die einzige Zahl, auf der der gesamte Omni-Fall ruht. Und eine Serving-Story für den Sprachzweig — die Model Card dokumentiert die Textgenerierung ausführlich und sagt viel weniger darüber, wie der Audio-Decoder im großen Maßstab bereitgestellt wird — würde Aufschluss darüber geben, ob das Versprechen „ein Modell ersetzt vier“ den Kontakt mit einer Produktionsbereitstellung übersteht.

Bis dahin hat der Vergleich eine klare Form. Moondream 3 misst die Welt und liefert dir Zahlen. LFM3-Omni-2B hört zu und antwortet. Der einzige Benchmark, den sie gemeinsam haben, ist ein Dokumentlesetest, und das Omni-Modell gewinnt ihn um weniger als vier Punkte. Das ist keine Rivalität. Es ist eine Erinnerung daran, dass „2B multimodal“ ein Speicherbudget beschreibt, nicht eine Aufgabe.