LFM3-Omni-2B vs. Moondream 3: un benchmark en común, dos funciones diferentes

Pon LFM3-Omni-2B y Moondream 3 uno al lado del otro y las fichas técnicas parecen hermanas. Ambos son modelos multimodales pequeños dirigidos a teléfonos, portátiles, cámaras y robots. Ambos tienen una ventana de contexto de 32K. Ambos ponen aproximadamente dos mil millones de parámetros a trabajar en cada token. Ambos se distribuyen con pesos abiertos que puedes descargar hoy. Si buscas una comparación cara a cara entre ellos, no encuentras nada, que es exactamente por lo que no dejan de hacerse comparaciones entre ambos.

Luego lees detenidamente las dos fichas de modelo y el parecido se desmorona de una manera fácil de comprobar. El único benchmark que ambas fichas reportan es DocVQA, donde LFM3-Omni-2B obtiene 92,47 y Moondream 3.1 9B A2B obtiene 88,6. Todo lo demás que miden es disjunto. Un modelo devuelve frases habladas. El otro devuelve cuadros delimitadores. No son dos respuestas a la misma pregunta.

Una nota sobre los nombres, porque el directorio es confuso. Moondream 3 Preview se lanzó el 18 de septiembre de 2025 y Moondream 3.1 9B A2B el 7 de julio de 2026; cada cifra de Moondream en este artículo proviene de la ficha del 3.1, que es el checkpoint que puedes descargar. LFM3-Omni-2B se publicó el 27 de octubre de 2026 como uno de los seis modelos de la familia LFM3 de Liquid AI. Ambos son completamente nuevos en el único sentido que importa aquí: ninguno ha sido evaluado por nadie fuera de la empresa que lo creó.

Qué devuelve realmente cada modelo

La diferencia más profunda no es el número de parámetros. Es el contrato de salida.

Moondream 3.1 expone cinco habilidades con formas fijas: query, caption, detect, point y segment. La detección devuelve como máximo 200 cuadros, el apuntado devuelve como máximo 64 puntos, la segmentación devuelve como máximo 50 máscaras COCO-RLE, todo en coordenadas normalizadas de 0 a 1 como JSON. Es un instrumento de medición espacial con una interfaz limitada y predecible. Puedes conectar su salida directamente a un automatizador de UI o a un planificador de robots sin una capa de análisis de LLM, porque la salida ya está estructurada.

LFM3-Omni-2B no tiene tal contrato. Acepta texto, imágenes, vídeo con o sin su banda sonora, y audio de 16 kHz, y genera texto, voz de 24 kHz, o ambos intercalados. No hay ninguna ruta de salida de coordenadas. Si quieres obtener una ubicación a partir de él, lo pides en prosa y analizas la respuesta, lo cual es una clase de fiabilidad distinta de la de un esquema que garantiza una caja.

Esa única diferencia decide más implementaciones que cualquier fila de benchmark. Cambiar un ID de modelo por el otro no es una migración. Es una reescritura de todo lo que consume la respuesta.

La hoja de especificaciones, lado a lado

• Parámetros — 2,17B en total para LFM3-Omni-2B, todo ello residente y computando frente a 9,0B en total para Moondream 3.1 con 2,0B activos por token.

• Memoria en reposo — unos 4,4 GB en BF16 por cálculo con 2,17 mil millones de parámetros frente a unos 18 GB en FP16, unos 6 GB en INT4 de la comunidad y un mínimo de 10 GB de NVIDIA para la compilación fp8 distribuida.

• Entradas — texto, imágenes, vídeo a 2 fps con o sin audio, y voz a 16 kHz frente a solo imágenes y texto.

• Salidas — texto, voz de 24 kHz o intercalado frente a texto, JSON, coordenadas normalizadas y máscaras.

• Contexto — 32.768 tokens contando entrada y salida frente a 32.768 tokens de texto más hasta 12 mosaicos de imagen, alrededor de 2.304 tokens de visión.

• Presupuesto de visión — hasta 2.048 tokens por imagen a resolución nativa frente al mosaico adaptativo de 12 recortes a 384–1024 px.

• Licencia — LFM Open License v1.0, uso comercial autorizado solo por debajo de $10M de ingresos anuales frente a Moondream Model License 1.0, uso comercial a cualquier escala pero sin servicio alojado de propósito general.

• Publicado — 27 de octubre de 2026 frente a 7 de julio de 2026, con la rama 3 Preview que data del 18 de septiembre de 2025.

La fila de memoria es la que la gente se salta y, en un dispositivo de borde, ahí está todo el argumento. Los 2B de parámetros activos de Moondream lo hacen tan económico por token como LFM3-Omni-2B, pero sus 9B totales lo hacen hasta cuatro veces más grande en memoria a la misma precisión. Los parámetros activos gobiernan el cómputo. Los parámetros totales gobiernan si la cosa cabe. Un modelo que corre a la misma velocidad pero necesita 18 GB no compite por la misma ranura de hardware que uno que cabe en 4.4 GB.

El único benchmark que ambos reportan

DocVQA es respuesta a preguntas sobre documentos, puntuada mediante ANLS, y en las dos fichas de modelo se lee {{1}}92.47{{/1}} para {{2}}LFM3-Omni-2B{{/2}} frente a 88.6 para Moondream 3.1. El modelo omni aventaja en 3.87 puntos al especialista en visión en su propio terreno.

Ese resultado debería leerse con tres salvedades, y todas ellas son fundamentales. Ambas cifras están autoinformadas por los laboratorios que crearon los modelos. Ninguno de los dos laboratorios publicó su arnés de evaluación, el formato de sus prompts ni la selección de muestras. Y una diferencia de 3,87 puntos en un benchmark con esta variabilidad entre arneses es indicativa, no concluyente. Lo que la fila sí establece es más acotado y aun así útil: LFM3-Omni-2B no se desmorona ante texto documental denso, que es justo la tarea en la que cabría esperar que perdiera un modelo any-to-any de 2,17B.

No apliques la misma interpretación a grounding. LFM3-Omni-2B reporta RefCOCO en 73.55 y Moondream 3.1 reporta RefCOCO-M en 87.1, y no son la misma medición. La ficha de Liquid señala que las cajas se leen en el formato de coordenadas nativo de cada modelo; Moondream reporta F1 con un umbral de IoU de 0.5. Restar uno del otro produce un número que no significa nada. La afirmación honesta es que la ficha de Moondream está construida en torno a grounding y la de Liquid lo trata como una fila entre diecisiete.

Dónde Moondream 3 no está cerca

Parte de eso es una decisión de reporte y no una brecha de capacidad, y vale la pena precisar cuál. Un modelo omni de 2.17B casi con certeza puede localizar una región aproximada si se lo pides con palabras. Lo que no puede hacer es devolver 200 cajas en un esquema con una tasa de error acotada, porque nada en su entrenamiento ni en su formato de salida se construyó para eso. Todo el producto de Moondream es la garantía de que las coordenadas vuelven en una forma analizable. Esa garantía es lo que estás comprando, y ninguna fila de benchmark de otro laboratorio lo mide.

La misma lógica se aplica a la inversa en el caso de la latencia. Moondream distribuye Photon, un motor de inferencia que compila el modelo en un único programa de GPU, y el proveedor afirma alrededor de 34 solicitudes por segundo con lote 16 en una H100 con un P50 de 59 ms. Son cifras del proveedor, no reproducidas, pero la ingeniería que las respalda es específica de un modelo. LFM3-Omni-2B aún no cuenta con una propuesta equivalente de servicio.

Donde LFM3-Omni-2B no está cerca

Moondream 3.1 no tiene ninguna vía de audio. No una más débil: ninguna. Su entrada es una imagen y texto, punto. Así que cada fila de audio de la tarjeta de Liquid queda sin competencia: tasa de error de palabras de ASR en inglés 6.36, ASR multilingüe 6.72, UTMOSv2 de TTS en inglés 3.80, VoiceBench 64.73, MMAR 51.40, y una evaluación interna de invocación de herramientas con 52.20.

Las cifras de vídeo con banda sonora son las que merecen destacarse, porque son la razón por la que existe el modelo. Daily-Omni 70,09; WorldSense 47,10; AV-SpeakerBench 46,79 — todas medidas en vídeo con su pista de audio, precisión en preguntas de opción múltiple, todas autodeclaradas. La afirmación de Liquid es que estas superan a Qwen2.5-Omni-7B y a modelos de hasta 10,7 mil millones de parámetros, y en su propia tabla lo hacen: Qwen2.5-Omni-7B obtiene 61,32; 45,37 y 43,24 en las mismas tres filas.

Un detalle de esa ficha merece más atención de la que recibió. Liquid informa los mismos benchmarks de visión dos veces: una con la pregunta escrita y otra con la pregunta hablada. RealWorldQA baja de 66,54 a 64,68; MMStar, de 55,67 a 51,79; POPE, de 89,34 a 83,78. Hacer pasar la pregunta por el codificador de audio cuesta entre dos y seis puntos según la tarea. Ese es el precio de la vía de voz, dicho sin rodeos, y es un número más útil que cualquier puntuación destacada por sí sola.

¿Qué pasa con Moondream 3 el 13 de noviembre?

Esta es la parte de la comparación que tiene una fecha límite. Prime Intellect anunció el 13 de octubre de 2026 que estaba adquiriendo Moondream, y Moondream lo confirmó el 14 de octubre. La publicación indica que el 13 de noviembre de 2026, treinta días después del anuncio, Moondream Cloud —tanto la inferencia alojada como el producto de ajuste fino Lens— cierra. Se están reembolsando los créditos comprados no utilizados, y se está dirigiendo a los clientes a la propia plataforma de inferencia del adquiriente.

A continuación hay tres cosas, y solo la primera es cómoda. Los pesos abiertos se mantienen y la licencia no cambia, así que el autoalojamiento no se ve afectado. Photon se ejecuta localmente sin coste en la versión 1.3.0 y posteriores, sin clave de API. Lo que no se mantiene limpiamente es Lens: los checkpoints ajustados y los LoRAs residen en el servidor, y no hay una ruta de exportación documentada. Si tu producto depende de un ajuste fino de Lens, la migración no es un cambio de configuración, y dieciséis días no es mucho tiempo para descubrirlo.

Hay una rareza menor que vale la pena señalar para cualquiera que esté revisando las fuentes esta semana. La página de precios de Moondream todavía enumera planes de Cloud, tarifas por token y un nivel Team de $350 al mes, y no dice nada sobre el cierre. El anuncio está en una página diferente. Un lector que consulte solo la página de precios el 28 de octubre no sabría que el servicio termina en dieciséis días.

Cuánto cuesta usar cada uno

Moondream publica sus tarifas por token: 0,30 $ por millón de tokens de entrada y 1,00 $ por millón de salida en el nivel en tiempo real, reducidas a la mitad (0,15 $ y 0,50 $) en el modo por lotes. LFM3-Omni-2B no publica ninguna tarifa de alojamiento. Liquid afirma que la familia está disponible en su Playground y en su API, pero la publicación de lanzamiento no incluye ningún precio, y la ficha del modelo tampoco. Esa asimetría es la historia del coste.

Haz las cuentas de Moondream con una llamada realista. Una sola imagen cuesta hasta 2.304 tokens de visión con mosaico completo; añade un prompt de 50 tokens y 100 tokens de salida, y una llamada son 2.354 tokens de entrada y 100 tokens de salida, o unos 0,0008 USD. Con 10.000 llamadas al día, eso es aproximadamente 8 USD al día, o 242 USD al mes, y baja a unos 121 USD al mes en el nivel por lotes. Que eso sea barato depende enteramente de lo que gastarías de otro modo en hardware, y esa es la comparación que LFM3-Omni-2B te obliga a hacer porque no te da ningún número por token con el que sopesarla.

En tu propio hardware, la aritmética se invierte. {{1}}LFM3-Omni-2B{{/1}} pesa unos 4,4 GB en pesos en BF16 antes de las activaciones, el decodificador de audio y la caché KV —una aritmética basada en el número de parámetros, no en una huella medida, ya que la tarjeta no publica ninguna cifra de memoria. {{2}}Moondream 3.1{{/2}} requiere una tarjeta NVIDIA de 10 GB para su compilación oficial, o unos 6 GB con una cuantización INT4 de la comunidad. Un modelo se ejecuta en un teléfono. El otro se ejecuta en una Jetson Orin o superior.

OrcaRouter merece una frase aquí solo porque la versión honesta es limitada: ni LFM3-Omni-2B ni Moondream 3 están en nuestro catálogo, y nada en este artículo afirma que sirvamos ninguno de los dos. Lo que sí enrutamos es el nivel alojado de visión —Qwen3-VL-8B, por ejemplo— con el precio de lista del proveedor repercutido con un 0 % de recargo y conmutación por error automática entre proveedores upstream. Si los cálculos de autoalojamiento anteriores son lo que te hace dudar, esa es la opción que la comparación deja fuera, y es una compra diferente en lugar de una mejor.

La licencia puede decidir antes de que lo haga el benchmark.

Las dos licencias restringen cosas distintas, y cuál de ellas muerde depende de cómo sea tu empresa.

LFM Open License v1.0 define un umbral de $10,000,000 en ingresos anuales. Por debajo de él, el uso comercial se concede mediante licencia sin restricciones. Por encima, la sección 5 declara claramente que el uso comercial de la obra o de una obra derivada no está licenciado en absoluto conforme al acuerdo. Así que una startup puede desarrollar un producto sobre LFM3-Omni-2B de forma gratuita, y una empresa que supere el umbral no puede hacerlo sin un acuerdo aparte, independientemente de lo bueno que sea el modelo.

La Moondream Model License 1.0 no tiene umbral de ingresos. Permite el uso comercial a cualquier escala, el autoalojamiento, el ajuste fino, la cuantización y la redistribución, y prohíbe un negocio específico: ofrecer un servicio alojado de modelo de propósito general para el modelo o un derivado sin una licencia comercial escrita por separado. Se permite incrustar Moondream dentro de un producto más específico. No se permite revender inferencia de propósito general sobre él.

Leídos en conjunto, los dos documentos son casi complementarios. Liquid establece el acceso según quién eres; Moondream lo establece según qué vendes. Una gran empresa que planea un producto de inferencia alojada se ve bloqueada por ambos, de maneras distintas.

¿Quién debería elegir cuál?

Elige Moondream 3.1 si el producto necesita coordenadas. Automatización de pantallas, robótica, auditorías de estanterías minoristas, conteo, cualquier cosa en la que la respuesta sea una caja, un punto o una máscara y el siguiente sistema la consuma programáticamente. La huella total de 9B es el precio de esa garantía, y si despliegas en hardware de clase Jetson, es un precio que puedes pagar. Planifica la migración del alojamiento ahora en lugar de en noviembre.

Elige LFM3-Omni-2B si el producto implica a una persona hablando con un dispositivo, o un dispositivo que tiene que oír una habitación. Un kiosco que responde en voz alta, una herramienta de campo donde las manos están ocupadas, una cámara que tiene que entender un vídeo con su banda sonora, un único checkpoint que sustituye a un modelo ASR más un VLM más un modelo TTS. Las puntuaciones de visión son respetables más que excepcionales, la cadena de herramientas tiene solo un día, y la ruta de voz es la razón para aceptar ambas.

No elijas ninguno todavía, si la decisión es determinante. Nada de esto se ha evaluado de forma independiente. Las herramientas de LFM3-Omni-2B avanzan rápido —existe una entrada en la biblioteca de Ollama de 2,4 GB, y llama.cpp integró su soporte el 27 de octubre, el mismo día en que aparecieron los pesos—, pero el listado de Ollama actualmente no coincide con la tarjeta del modelo en dos aspectos visibles: muestra un contexto de 125K y «Text, Image» como entradas admitidas, frente a los 32K y las cuatro modalidades de la tarjeta. Eso es un listado que no se ha puesto al día, no un defecto del modelo, y es el tipo de cosa que se corrige en una semana. Tampoco es algo para poner en producción esta semana.

¿Qué cambiaría esto?

Dos cosas. Una evaluación independiente de LFM3-Omni-2B en las filas audiovisuales determinaría si el 70.09 en Daily-Omni sobrevive a un harness que no eligió, y ese es el único número sobre el que descansa todo el caso omni. Y una historia de servicio para la rama de voz —la model card documenta en detalle la generación de texto y dice mucho menos sobre cómo se sirve el decodificador de audio a escala— te diría si el argumento de «un modelo sustituye a cuatro» sobrevive al contacto con un despliegue en producción.

Hasta entonces, la comparación tiene una forma clara. Moondream 3 mide el mundo y te entrega números. LFM3-Omni-2B lo escucha y responde. El único benchmark que comparten es una prueba de lectura de documentos, y el modelo omni la gana por menos de cuatro puntos. Eso no es una rivalidad. Es un recordatorio de que "2B multimodal" describe un presupuesto de memoria, no un trabajo.