LFM3-Omni-2B vs LFM2.5-VL-3B: el sucesor que ve menos

El modelo multimodal más reciente de Liquid AI es peor en tareas visuales que el que reemplazó. En RealWorldQA, LFM3-Omni-2B obtiene 66.68 y LFM2.5-VL-3B obtiene 73.1. En MMStar es 55.67 frente a 63.3. En la señalización de expresiones referenciales de RefCOCO es 73.55 frente a 87.9. En MMBench, 73.68 frente a 81.0. Cuatro de las cinco evaluaciones que ambos modelos reportan favorecen al checkpoint más antiguo, más grande y solo de visión, y la diferencia no es ruido: está entre siete y catorce puntos según la fila. El enrutamiento entre dos modelos no debería añadir una tarifa de plataforma. 0% de margen Los precios de lista del proveedor se aplican sin cambios.

Eso no es un escándalo. Es lo que ocurre cuando le pides a una red más pequeña que haga más tareas a la vez, y es el dato más útil para cualquiera que esté decidiendo entre estos dos checkpoints. LFM3-Omni-2B no es la ruta de actualización para un producto de visión. Es un producto diferente que da la casualidad de que comparte un nombre de familia.

Dos modelos realizando tareas diferentes

La confusión es comprensible, porque los dos modelos parecen generaciones consecutivas de una misma idea. Ambos provienen de Liquid AI, ambos están diseñados para el despliegue en el dispositivo, ninguno es un modelo de razonamiento, ambos heredan la LFM Open License v1.0 y ambos están pensados para un presupuesto de memoria aproximadamente similar. LFM2.5-VL-3B se lanzó el 12 de agosto de 2026 como especialista en visión-lenguaje: un backbone de texto de 2.6B emparejado con un codificador SigLIP2 NaFlex de 400M, aproximadamente 3.1B de parámetros en total.

LFM3-Omni-2B, publicado el 27 de octubre de 2026, es un modelo de cualquier modalidad a cualquier modalidad. Recibe texto, imágenes, vídeo con o sin banda sonora y audio de 16 kHz, y devuelve texto, voz de 24 kHz o ambos. La visión es una de las cuatro rutas de entrada, no la totalidad del trabajo. El presupuesto de parámetros pasó de 3,1B a 2,17B mientras que el número de tareas pasó de una a cuatro, y es en las puntuaciones de visión donde se refleja esa aritmética.

• Parámetros — 2,17B densos para LFM3-Omni-2B frente a unos 3,1B para LFM2.5-VL-3B, de los cuales 400M corresponden al codificador de visión.

• Entradas — texto, imagen, video y audio de 16 kHz frente a texto, imagen y video.

• Salidas — texto y voz de 24 kHz frente a solo texto.

• Contexto — 32,768 tokens frente a 32,768 tokens. Idénticos, y ambos cuentan la entrada además de la salida.

• Presupuesto de visión — 2.048 tokens visuales por imagen, resolución nativa frente a parches de 512 píxeles de resolución nativa con una ruta de miniatura.

• Posicionamiento — un reemplazo omnicompetente para un pipeline de cuatro modelos frente a un VLM dedicado para OCR, comprensión de interfaces y respuesta a preguntas visuales.

• Licencia — LFM Open License v1.0 en ambos casos, incluido el umbral de ingresos que rige el uso comercial.

Donde los números realmente se solapan

Las comparaciones de benchmark entre modelos de distintos laboratorios suelen ser deshonestas, porque los arneses de evaluación difieren. Esta es más limpia que la mayoría: ambos checkpoints fueron evaluados por la misma empresa, en el mismo modo sin razonamiento, y ambos reportan cinco de los mismos conjuntos de datos. Eso no hace que los números sean independientes —no lo son—, pero sí hace que sean comparables entre sí de una manera que las tablas entre laboratorios rara vez son.

• RealWorldQA — 66,68 para LFM3-Omni-2B frente a 73,1 para LFM2.5-VL-3B. Una caída de 6,4 puntos en preguntas sobre escenas cotidianas.

• MMStar — 55,67 frente a 63,3. Una caída de 7,6 puntos en una prueba comparativa diseñada para resistir la contaminación de datos.

• MMBench — 73.68 vs 81.0. Una caída de 7,3 puntos en la capacidad multimodal general.

• RefCOCO pointing — 73,55 frente a 87,9. Una caída de 14,4 puntos, la mayor diferencia del conjunto, en la tarea de localizar un objeto nombrado en una imagen.

• DocVQA — 92,47 frente a 91,1. La excepción: LFM3-Omni-2B está por delante por 1,4 puntos en respuesta a preguntas sobre documentos.

El resultado de DocVQA es lo que impide que esto sea una simple historia de "el nuevo modelo es peor". El texto de documentos es la tarea donde la capacidad de un modelo unificado para leer una página en alta resolución y razonar sobre ella en una sola pasada puede superar a un pipeline, y también es la tarea donde el límite de 2.048 tokens por imagen de Liquid debería perjudicar más. Que el modelo omni gane allí de todos modos sugiere que la degradación de la visión no es uniforme entre tareas. Se concentra en tareas espaciales y de referencias, que es exactamente donde cabría esperar que un modelo con menos capacidad visual dedicada tenga dificultades.

Cuánto cuestan las modalidades adicionales

La ruta de audio no es gratuita, y la ficha es inusualmente clara sobre dónde recae el costo. El contexto de 32K se comparte entre todas las modalidades: un video a 2 fotogramas por segundo durante 384 fotogramas consume la mayor parte de la ventana antes de que hayas hecho una pregunta. Las imágenes están limitadas a 2048 tokens visuales cada una, lo que supone aproximadamente el techo de resolución para leer texto denso en una fotografía. El modelo de solo visión tiene el mismo contexto de 32K, pero no tiene que gastar nada de él en audio.

La salida de voz añade una segunda consideración que no tiene nada que ver con los benchmarks. LiquidCodec convierte los tokens generados en audio de 24 kHz más rápido que en tiempo real, lo cual es lo que hace posibles las respuestas habladas en streaming. Sin embargo, la ficha del modelo documenta el servicio de SGLang solo para salida de texto y no describe cómo se sirve la rama de voz. Si necesitas respuestas habladas desde tu propia infraestructura, falta la implementación de referencia para esa mitad del modelo. Compáralo con LFM2.5-VL-3B, que tiene un año de herramientas detrás —GGUF, MLX, vLLM, SGLang, ONNX— y reportes de 228 tokens por segundo en un M5 Max con menos de 3,3 GB de memoria.

La madurez no es una fila de benchmark, pero decide los despliegues. Un modelo que se ejecuta en todas partes hoy supera a un modelo que se ejecuta en una sola ruta mañana, a menos que la modalidad adicional sea la razón por la que estás ahí.

Cómo elegir

Si la tarea consiste en leer capturas de pantalla, analizar documentos, señalar objetos o responder preguntas sobre la señal de una cámara, LFM2.5-VL-3B es el mejor modelo y no hay comparación en las filas que importan. En particular, la diferencia de 14 puntos en RefCOCO debería zanjar la discusión para cualquier caso de uso de robótica o automatización de UI. Tener 3.1B de parámetros no perjudica cuando la alternativa es un modelo de 2.17B que dedica un tercio de su capacidad a orejas y boca.

Si el trabajo implica que una persona le hable a un dispositivo y que el dispositivo le responda —un kiosco, un asistente telefónico, una herramienta de campo donde las manos están ocupadas—, LFM3-Omni-2B hace algo que LFM2.5-VL-3B no puede hacer con ningún número de parámetros. No estás eligiendo un modelo de visión peor; estás eligiendo colapsar cuatro modelos en uno y aceptar la regresión en visión como el precio de ese colapso.

Hay una tercera opción que la tabla de benchmarks deja en evidencia: ejecutar ambos. Un especialista en visión para los fotogramas, un modelo omni para la conversación. Eso son dos checkpoints y unos 7,4 GB en BF16, lo que sigue cabiendo en la memoria de una única GPU de gama media. El DSL de enrutamiento de OrcaRouter existe precisamente para esta composición — un único endpoint, reglas que envían una solicitud de imagen y texto al especialista y una solicitud hablada al modelo omni, con conmutación automática por error si falla cualquiera de las rutas. Ninguno de los dos checkpoints está hoy en nuestro catálogo, así que eso es un patrón más que una promesa; la cuestión es que la pregunta "qué modelo" tiene una tercera respuesta que no aparece en el anuncio de lanzamiento de ninguno de los dos proveedores.

El veredicto

LFM3-Omni-2B es un auténtico logro de ingeniería con 2,17 mil millones de parámetros, y un mal reemplazo de LFM2.5-VL-3B en cualquier aplicación que sea principalmente visual. La forma honesta de interpretar el par es como una bifurcación en la propia línea de productos de Liquid: una rama optimiza para ver, la otra para participar en una conversación. El nombre de la familia y la licencia compartida hacen que parezcan una secuencia. La tabla de benchmarks dice que son hermanos, y el hermano mayor es mejor en aquello para lo que fue creado.

Lo que cambiaría esa valoración es una evaluación independiente, porque toda la comparación anterior se basa en cifras que Liquid produjo sobre sus propios dos modelos. Es posible que el modelo omni se haya evaluado con variantes más difíciles de estos conjuntos de datos, o en un modo que lo desfavorezca. Nada en la ficha lo sugiere, y la dirección consistente de cuatro de cada cinco filas argumenta en contra. Hasta que alguien fuera de la empresa reproduzca cualquiera de las dos tablas, la lectura más segura también es la más simple: el especialista ve mejor y el modelo omni oye.