LFM3-Omni-2B vs LFM2.5-VL-3B : Le successeur qui voit moins

Le plus récent modèle multimodal de Liquid AI est moins bon en perception visuelle que celui qu'il remplace. Sur RealWorldQA, LFM3-Omni-2B obtient 66,68 et LFM2.5-VL-3B obtient 73,1. Sur MMStar, il obtient 55,67 contre 63,3. Sur RefCOCO, pour le pointage d'expressions référentielles, il obtient 73,55 contre 87,9. Sur MMBench, 73,68 contre 81,0. Quatre des cinq benchmarks rapportés par les deux modèles favorisent le checkpoint plus ancien, plus grand et uniquement vision, et l'écart n'est pas du bruit : il se situe entre sept et quatorze points selon la ligne.Le routage entre deux modèles ne devrait pas ajouter de frais de plateforme. 0 % de majorationLes prix catalogue des fournisseurs sont répercutés sans modification.

Ce n’est pas un scandale. C’est ce qui se passe quand on demande à un réseau plus petit d’accomplir plusieurs tâches à la fois, et c’est le fait le plus utile pour quiconque doit choisir entre ces deux checkpoints. LFM3-Omni-2B n’est pas la voie d’évolution d’un produit de vision. C’est un produit différent qui se trouve partager un nom de famille.

Deux modèles effectuant des tâches différentes

La confusion est compréhensible, car les deux modèles ressemblent à des générations consécutives d’une même idée. Tous deux viennent de Liquid AI, tous deux sont conçus pour un déploiement sur appareil, tous deux sont non-raisonnement, tous deux héritent de la LFM Open License v1.0, et tous deux sont positionnés sur un budget mémoire à peu près identique. LFM2.5-VL-3B est sorti le 12 août 2026 en tant que spécialiste vision-langage : un backbone texte de 2,6 milliards de paramètres associé à un encodeur SigLIP2 NaFlex de 400 millions de paramètres, soit environ 3,1 milliards de paramètres au total.

LFM3-Omni-2B, publié le 27 octobre 2026, est un modèle any-to-any. Il prend en entrée du texte, des images, de la vidéo avec ou sans bande sonore, et de l’audio à 16 kHz, et renvoie du texte, de la parole à 24 kHz, ou les deux. La vision est l’une des quatre voies d’entrée plutôt que l’ensemble de la tâche. Le budget de paramètres est passé de 3,1 B à 2,17 B tandis que le nombre de tâches est passé de un à quatre, et c’est dans les scores de vision que cette arithmétique se manifeste.

• Paramètres — 2,17 Md denses pour LFM3-Omni-2B contre environ 3,1 Md pour LFM2.5-VL-3B, dont 400 M pour l’encodeur visuel.

• Entrées — texte, image, vidéo et audio à 16 kHz vs texte, image et vidéo.

• Sorties — texte et parole à 24 kHz vs texte seul.

• Contexte — 32,768 tokens vs 32,768 tokens. Identiques, et tous deux comptent l'entrée plus la sortie.

• Budget de vision — 2 048 jetons visuels par image, résolution native contre patchs de 512 pixels en résolution native avec un chemin de vignette.

• Positionnement — un remplacement omnicanal d'un pipeline à quatre modèles par rapport à un VLM dédié pour l'OCR, la compréhension de l'interface utilisateur et la réponse aux questions visuelles.

• Licence — LFM Open License v1.0 dans les deux cas, y compris le seuil de chiffre d’affaires qui régit l’utilisation commerciale.

Là où les nombres se chevauchent réellement

Les comparaisons de benchmarks entre modèles de laboratoires différents sont généralement malhonnêtes, car les harnais diffèrent. Celle-ci est plus nette que la plupart : les deux checkpoints ont été évalués par la même entreprise, dans le même mode sans raisonnement, et tous deux rapportent cinq des mêmes jeux de données. Cela ne rend pas les chiffres indépendants — ils ne le sont pas — mais cela les rend comparables entre eux d’une manière que les tableaux inter-laboratoires sont rarement.

• RealWorldQA — 66,68 pour LFM3-Omni-2B contre 73,1 pour LFM2.5-VL-3B. Une baisse de 6,4 points sur les questions portant sur des scènes du quotidien.

• MMStar — 55,67 contre 63,3. Une baisse de 7,6 points sur un benchmark conçu pour résister à la contamination des données.

• MMBench — 73,68 vs 81,0. Une baisse de 7,3 points sur la capacité multimodale générale.

• Pointage RefCOCO — 73,55 vs 87,9. Une baisse de 14,4 points, l’écart le plus large de l’ensemble, sur la tâche de localisation d’un objet nommé dans une image.

• DocVQA — 92,47 contre 91,1. L’exception : LFM3-Omni-2B est en avance de 1,4 point sur la réponse aux questions documentaires.

Le résultat de DocVQA est celui qui empêche de réduire cela à une simple histoire du type « le nouveau modèle est moins bon ». Le texte de document est la tâche où la capacité d’un modèle unifié à lire une page en haute résolution et à raisonner dessus en une seule passe peut surpasser un pipeline — et c’est aussi la tâche où la limite de Liquid à 2 048 tokens par image devrait le plus nuire. Que le modèle omni l’emporte malgré tout là suggère que la dégradation de la vision n’est pas uniforme selon les tâches. Elle se concentre sur les tâches spatiales et de référence, exactement là où l’on s’attendrait à ce qu’un modèle disposant d’une moindre capacité visuelle dédiée ait du mal.

Combien coûtent les modalités supplémentaires

Le chemin audio n’est pas gratuit, et la fiche est étonnamment claire sur l’endroit où le coût se situe. Le contexte de 32 K est partagé entre toutes les modalités : une vidéo à 2 images par seconde pendant 384 images consomme la majeure partie de la fenêtre avant même que vous ayez posé une question. Les images sont plafonnées à 2 048 tokens visuels chacune, ce qui correspond à peu près au plafond de résolution pour lire du texte dense sur une photographie. Le modèle dédié à la vision dispose du même contexte de 32 K, mais n’a pas à en consacrer une partie à l’audio.

La sortie vocale ajoute une seconde considération qui n’a rien à voir avec les benchmarks. LiquidCodec convertit les jetons générés en audio à 24 kHz plus vite que le temps réel, ce qui rend possibles les réponses parlées diffusées en streaming. Toutefois, la fiche du modèle ne documente le service SGLang que pour la sortie texte et ne décrit pas comment la branche vocale est servie. Si vous avez besoin de réponses parlées depuis votre propre infrastructure, l’implémentation de référence pour cette moitié du modèle est absente. Comparez cela avec LFM2.5-VL-3B, qui bénéficie d’un an d’outillage — GGUF, MLX, vLLM, SGLang, ONNX — et de rapports faisant état de 228 jetons par seconde sur un M5 Max avec moins de 3,3 Go de mémoire.

La maturité n’est pas une ligne dans un benchmark, mais elle décide des déploiements. Un modèle qui fonctionne partout aujourd’hui vaut mieux qu’un modèle qui fonctionnera sur un seul chemin demain, sauf si la modalité supplémentaire est la raison de votre présence.

Comment choisir

Si la tâche consiste à lire des captures d'écran, à analyser des documents, à pointer des objets ou à répondre à des questions sur un flux de caméra, LFM2.5-VL-3B est le meilleur modèle, et l'écart n'est pas mince sur les critères qui comptent. L'écart de 14 points sur RefCOCO en particulier devrait clore le débat pour tout cas d'usage en robotique ou en automatisation d'interface utilisateur. Le fait d'avoir 3,1 milliards de paramètres n'est pas un handicap quand l'alternative est un modèle de 2,17 milliards qui consacre un tiers de sa capacité à des oreilles et une bouche.

Si la tâche implique qu’une personne parle à un appareil et que l’appareil lui réponde — une borne interactive, un assistant téléphonique, un outil de terrain où les mains sont occupées — LFM3-Omni-2B fait quelque chose que LFM2.5-VL-3B ne peut pas faire, quel que soit le nombre de paramètres. Vous ne choisissez pas un modèle de vision moins performant ; vous choisissez de fusionner quatre modèles en un seul, et d’accepter la régression en vision comme le prix de cette fusion.

Le tableau de benchmarks rend une troisième option évidente : exécuter les deux. Un spécialiste de la vision pour les images, un modèle omni pour la conversation. Cela représente deux checkpoints et environ 7,4 Go en BF16, ce qui tient encore dans la mémoire d'un seul GPU de milieu de gamme. OrcaRouter propose un DSL de routage conçu exactement pour cette composition — un seul point de terminaison, des règles qui envoient une requête image-et-texte au spécialiste et une requête vocale au modèle omni, avec basculement automatique en cas d'échec de l'une ou l'autre voie. Aucun des deux checkpoints n'est dans notre catalogue aujourd'hui, il s'agit donc d'un schéma plutôt que d'une promesse ; l'idée est que la question « quel modèle » a une troisième réponse que ne mentionne aucun des articles de lancement des deux fournisseurs.

Le verdict

LFM3-Omni-2B est une véritable prouesse d'ingénierie avec ses 2,17 milliards de paramètres, mais c'est un mauvais remplacement pour LFM2.5-VL-3B dans toute application à dominante visuelle. La lecture honnête de ce duo consiste à y voir une bifurcation au sein même de la gamme de produits de Liquid : une branche est optimisée pour voir, l'autre pour participer à une conversation. Le nom de famille et la licence commune les font passer pour une suite logique. Le tableau de benchmarks indique qu'il s'agit de deux modèles frères, et que l'aîné est meilleur dans ce pour quoi il a été conçu.

Ce qui changerait cette appréciation, c’est une évaluation indépendante, car toute la comparaison ci-dessus repose sur des chiffres que Liquid a produits au sujet de ses deux propres modèles. Il est possible que le modèle omni ait été évalué sur des variantes plus difficiles de ces jeux de données, ou dans un mode qui le désavantage. Rien dans la fiche ne le laisse penser, et l’orientation constante de quatre lignes sur cinq plaide contre cette hypothèse. Tant que personne à l’extérieur de l’entreprise n’aura reproduit l’un ou l’autre tableau, la lecture la plus sûre est aussi la plus simple : le spécialiste voit mieux, et le modèle omni entend.