LFM3-Omni-2B vs Moondream 3 : un benchmark en commun, deux rôles différents

Placez LFM3-Omni-2B et Moondream 3 côte à côte et les fiches techniques ressemblent à celles de frères et sœurs. Tous deux sont de petits modèles multimodaux destinés aux téléphones, ordinateurs portables, caméras et robots. Tous deux disposent d’un contexte de 32K. Tous deux mettent environ deux milliards de paramètres au travail sur chaque token. Tous deux sont livrés avec des poids ouverts que vous pouvez télécharger dès aujourd’hui. Cherchez une comparaison directe entre eux et vous ne trouvez rien, ce qui explique exactement pourquoi cette association ne cesse d’être faite.

Ensuite, vous lisez attentivement les deux fiches modèles et la ressemblance s’effondre d’une manière facile à vérifier. Le seul benchmark que les deux fiches rapportent est DocVQA, où LFM3-Omni-2B obtient 92,47 et Moondream 3.1 9B A2B obtient 88,6. Tout le reste de ce qu’ils mesurent est disjoint. Un modèle renvoie des phrases prononcées. L’autre renvoie des boîtes englobantes. Ce ne sont pas deux réponses à la même question.

Une note sur les noms, car le répertoire prête à confusion. Moondream 3 Preview est sorti le 18 septembre 2025 et Moondream 3.1 9B A2B le 7 juillet 2026 ; tous les chiffres de Moondream dans cet article proviennent de la fiche 3.1, qui est le checkpoint que vous pouvez télécharger. LFM3-Omni-2B a été publié le 27 octobre 2026 comme l’un des six modèles de la famille LFM3 de Liquid AI. Tous deux sont flambant neufs dans le seul sens qui compte ici : aucun n’a été évalué par qui que ce soit en dehors de l’entreprise qui l’a construit.

Ce que chaque modèle renvoie réellement

La différence la plus profonde ne réside pas dans le nombre de paramètres. Elle réside dans le contrat de sortie.

Moondream 3.1 expose cinq compétences aux formes fixes : query, caption, detect, point et segment. La détection renvoie au plus 200 boîtes, le pointage au plus 64 points, la segmentation au plus 50 masques COCO-RLE, le tout en coordonnées normalisées 0–1 au format JSON. C'est un instrument de mesure spatial doté d'une interface étroite et prévisible. Vous pouvez connecter sa sortie directement à un automate d'interface utilisateur ou à un planificateur de robot sans couche d'analyse LLM, car la sortie est déjà structurée.

LFM3-Omni-2B n’a pas un tel contrat. Il accepte du texte, des images, de la vidéo avec ou sans sa bande-son, et de l’audio à 16 kHz, et il génère du texte, de la parole à 24 kHz, ou les deux entrelacés. Il n’existe aucun chemin de sortie pour les coordonnées. Si vous voulez en obtenir une localisation, vous la demandez en prose et analysez la réponse, ce qui relève d’une classe de fiabilité différente de celle d’un schéma qui garantit une boîte.

Cette seule différence décide de plus de déploiements que n’importe quelle ligne de benchmark. Remplacer un ID de modèle par l’autre n’est pas une migration. C’est une réécriture de tout ce qui consomme la réponse.

La fiche technique, côte à côte

• Paramètres — 2,17 Md au total pour LFM3-Omni-2B, l’intégralité étant résidente et en calcul, contre 9,0 Md au total pour Moondream 3.1 avec 2,0 Md actifs par token.

• Mémoire au repos — environ 4,4 Go en BF16 par calcul sur 2,17 milliards de paramètres, contre environ 18 Go en FP16, environ 6 Go en INT4 communautaire, et un minimum de 10 Go imposé par NVIDIA pour le build fp8 livré.

• Entrées — texte, images, vidéo à 2 i/s avec ou sans audio, et parole à 16 kHz par rapport à images et texte uniquement.

• Sorties — texte, parole à 24 kHz, ou entrelacé vs texte, JSON, coordonnées et masques normalisés.

• Contexte — 32 768 jetons en comptant l’entrée et la sortie, contre 32 768 jetons de texte plus jusqu’à 12 tuiles d’image, soit environ 2 304 jetons de vision.

• Budget de vision — jusqu’à 2 048 jetons par image en résolution native, contre un pavage adaptatif jusqu’à 12 recadrages en 384–1024 px.

• Licence — LFM Open License v1.0, utilisation commerciale autorisée uniquement en dessous de 10 M$ de revenu annuel, contre Moondream Model License 1.0, utilisation commerciale quelle que soit la taille mais sans service hébergé à usage général.

• Publié — 27 octobre 2026 vs 7 juillet 2026, avec la branche 3 Preview datant du 18 septembre 2025.

La ligne mémoire est celle que les gens sautent, et sur un appareil en périphérie, c’est tout l’argument. Les 2B de paramètres actifs de Moondream le rendent aussi économique que LFM3-Omni-2B par token, mais ses 9B au total le rendent jusqu’à quatre fois plus volumineux en mémoire à précision égale. Les paramètres actifs régissent le calcul. Les paramètres totaux déterminent si l’ensemble tient. Un modèle qui tourne à la même vitesse mais nécessite 18 Go ne se dispute pas le même créneau matériel qu’un modèle qui tient dans 4,4 Go.

Le seul critère de référence qu’ils communiquent tous les deux

DocVQA est une tâche de questions-réponses sur documents, évaluée par l'ANLS, et sur les deux fiches de modèle, on lit 92,47 pour LFM3-Omni-2B contre 88,6 pour Moondream 3.1. Le modèle omni devance de 3,87 points le spécialiste de la vision sur son propre terrain.

Ce résultat doit être lu avec trois réserves, toutes déterminantes. Les deux chiffres sont autodéclarés par les laboratoires qui ont construit les modèles. Aucun des deux laboratoires n’a publié son harnais d’évaluation, son format de prompt ni sa sélection d’échantillons. Et un écart de 3,87 points sur un benchmark présentant autant de variance entre harnais est suggestif plutôt que décisif. Ce que cette ligne établit est plus étroit, mais toujours utile : LFM3-Omni-2B ne s’effondre pas sur du texte documentaire dense, qui est précisément la tâche sur laquelle on s’attendrait à ce qu’un modèle any-to-any de 2,17B perde.

N’étendez pas la même lecture au grounding. LFM3-Omni-2B rapporte RefCOCO à 73,55 et Moondream 3.1 rapporte RefCOCO-M à 87,1, et ce ne sont pas les mêmes mesures. La fiche de Liquid précise que les boîtes sont lues dans le format de coordonnées natif de chaque modèle ; Moondream rapporte un F1 à un seuil IoU de 0,5. Soustraire l’un de l’autre produit un nombre qui ne veut rien dire. L’affirmation honnête est que la fiche de Moondream est construite autour du grounding et que celle de Liquid le traite comme une ligne parmi dix-sept.

Là où Moondream 3 n’est pas proche

Une partie de cela relève d’un choix de reporting plutôt que d’une lacune de capacité, et il vaut la peine de préciser de quoi il s’agit. Un modèle omni de 2,17 B peut presque certainement localiser une région approximative si on le lui demande en mots. Ce qu’il ne peut pas faire, c’est renvoyer 200 boîtes dans un schéma avec un taux d’erreur borné, car rien dans son entraînement ni dans son format de sortie n’a été conçu pour cela. Tout le produit de Moondream, c’est la garantie que les coordonnées reviennent sous une forme analysable. Cette garantie est ce que vous achetez, et aucune ligne de benchmark d’un autre laboratoire ne la mesure.

La même logique s’applique en sens inverse pour la latence. Moondream propose Photon, un moteur d’inférence qui compile le modèle en un seul programme GPU, et l’éditeur revendique environ 34 requêtes par seconde avec un batch de 16 sur un H100, avec un P50 de 59 ms. Ce sont des chiffres de l’éditeur, non reproduits, mais l’ingénierie qui les sous-tend est spécifique à un seul modèle. LFM3-Omni-2B n’a pas encore d’équivalent en matière de serving.

Là où LFM3-Omni-2B n’est pas proche

Moondream 3.1 n’a aucune voie audio. Pas une voie plus faible : aucune. Son entrée est une image et du texte, point final. Ainsi, chaque ligne audio de la fiche Liquid est sans concurrent : taux d’erreur sur les mots en ASR anglais 6,36, ASR multilingue 6,72, TTS anglais UTMOSv2 3,80, VoiceBench 64,73, MMAR 51,40, et une évaluation interne d’appel d’outils à 52,20.

Les chiffres des vidéos avec bande-son sont ceux qu’il vaut la peine de mettre en avant, car ils sont la raison d’être du modèle. Daily-Omni 70,09, WorldSense 47,10, AV-SpeakerBench 46,79 — tous mesurés sur vidéo avec sa piste audio, en précision de choix multiple, et tous auto-déclarés. Liquid affirme qu’ils surpassent Qwen2.5-Omni-7B et des modèles jusqu’à 10,7 milliards de paramètres, et dans son propre tableau, c’est bien le cas : Qwen2.5-Omni-7B obtient 61,32, 45,37 et 43,24 sur les trois mêmes lignes.

Un détail sur cette fiche mérite plus d’attention qu’il n’en a reçu. Liquid rapporte les mêmes benchmarks de vision deux fois — une fois avec la question saisie, une fois avec la question prononcée. RealWorldQA passe de 66,54 à 64,68, MMStar de 55,67 à 51,79, POPE de 89,34 à 83,78. Faire passer la question par l’encodeur audio coûte entre deux et six points selon la tâche. C’est le prix de la voie vocale, énoncé clairement, et c’est un chiffre plus utile que n’importe quel score phare pris isolément.

Que se passe-t-il avec Moondream 3 le 13 novembre ?

C'est la partie de la comparaison qui comporte une échéance. Prime Intellect a annoncé l'acquisition de Moondream le 13 octobre 2026, et Moondream l'a confirmée le 14 octobre. La publication indique que le 13 novembre 2026, trente jours après l'annonce, le Moondream Cloud — à la fois l'inférence hébergée et le produit de fine-tuning Lens — ferme. Les crédits achetés non utilisés sont remboursés, et les clients sont dirigés vers la plateforme d'inférence de l'acquéreur.

Trois choses suivent, et seule la première est confortable. Les poids ouverts survivent et la licence reste inchangée, donc l’auto-hébergement n’est pas affecté. Photon s’exécute localement sans frais à partir de la version 1.3.0, sans clé API. Ce qui ne survit pas proprement, c’est Lens : les checkpoints affinés et les LoRAs résident côté serveur, et il n’existe aucun chemin d’export documenté. Si votre produit dépend d’un affinage Lens, la migration n’est pas un simple changement de configuration, et seize jours ne laissent pas beaucoup de temps pour le découvrir.

Il y a une anomalie plus discrète qui mérite d’être signalée à quiconque vérifie les sources cette semaine. La page de tarification de Moondream liste encore les offres Cloud, les tarifs par token et une formule Team à 350 $/mois, et ne dit rien de l’arrêt du service. L’annonce se trouve sur une autre page. Un lecteur qui ne consulte que la page de tarification le 28 octobre ne saurait pas que le service prend fin dans seize jours.

Ce que chacun coûte à faire fonctionner

Moondream publie des tarifs par token : 0,30 $ par million de tokens d’entrée et 1,00 $ par million de tokens de sortie sur l’offre en temps réel, réduits de moitié à 0,15 $ et 0,50 $ en traitement par lots. LFM3-Omni-2B ne publie aucun tarif hébergé. Liquid indique que la famille est disponible sur son Playground et son API, mais l’article de lancement ne mentionne aucun prix, et la fiche du modèle non plus. Cette asymétrie est le vrai sujet des coûts.

Faites le calcul Moondream sur un appel réaliste. Une seule image coûte jusqu’à 2 304 jetons de vision en tuilage complet ; ajoutez une invite de 50 jetons et 100 jetons de sortie, et un appel représente 2 354 jetons d’entrée et 100 jetons de sortie, soit environ 0,0008 $. À 10 000 appels par jour, cela représente environ 8 $ par jour, soit 242 $ par mois, et tombe à environ 121 $ par mois avec l’offre par lots. Savoir si c’est bon marché dépend entièrement de ce que vous dépenseriez autrement en matériel, et c’est la comparaison que LFM3-Omni-2B vous force à faire, car il ne vous donne aucun chiffre par jeton à mettre en regard.

Sur votre propre matériel, le calcul s’inverse. LFM3-Omni-2B représente environ 4,4 Go de poids en BF16 avant les activations, le décodeur audio et le cache KV — un calcul issu du nombre de paramètres, et non une empreinte mesurée, car la carte ne publie aucune valeur de mémoire. Moondream 3.1 nécessite une carte NVIDIA de 10 Go pour sa version livrée, ou environ 6 Go avec une quantification INT4 communautaire. L’un des modèles tourne sur un téléphone. L’autre tourne sur un Jetson Orin ou mieux.

OrcaRouter mérite une phrase ici uniquement parce que la version honnête est limitée : ni LFM3-Omni-2B ni Moondream 3 ne figurent dans notre catalogue, et rien dans cet article n’affirme que nous servons l’un ou l’autre. Ce que nous routons, c’est le niveau vision hébergé — Qwen3-VL-8B, par exemple — avec le prix catalogue du fournisseur répercuté à 0 % de marge et un basculement automatique entre fournisseurs en amont. Si les calculs d’auto-hébergement ci-dessus sont ce qui vous fait hésiter, c’est l’option que la comparaison omet, et il s’agit d’un achat différent plutôt que d’un meilleur achat.

La licence pourrait bien trancher avant que le benchmark ne le fasse.

Les deux licences restreignent des choses différentes, et celle qui pose problème dépend de la structure de votre entreprise.

LFM Open License v1.0 définit un seuil de 10 000 000 $ de chiffre d’affaires annuel. En dessous, l’utilisation commerciale est autorisée purement et simplement. Au-dessus, la section 5 indique clairement que l’utilisation commerciale de l’œuvre ou d’un dérivé n’est pas du tout concédée sous licence par l’accord. Ainsi, une startup peut construire un produit sur LFM3-Omni-2B gratuitement, et une entreprise dépassant le seuil ne le peut pas sans un accord séparé — quelle que soit la qualité du modèle.

Moondream Model License 1.0 n'a pas de seuil de chiffre d'affaires. Elle autorise l'utilisation commerciale quelle que soit la taille, l'auto-hébergement, l'affinage, la quantification et la redistribution, et elle interdit une activité spécifique : fournir un service de modèle hébergé à usage général pour le modèle ou un dérivé sans licence commerciale écrite distincte. L'intégration de Moondream dans un produit plus spécifique est autorisée. La revente d'inférence à usage général sur celui-ci ne l'est pas.

Lus ensemble, les deux documents sont presque complémentaires. Liquid conditionne l'accès selon qui vous êtes ; Moondream le conditionne selon ce que vous vendez. Une grande entreprise qui prévoit un produit d'inférence hébergé se heurte aux deux, de manières différentes.

Qui devrait choisir lequel ?

Choisissez {{1}}Moondream 3.1{{/1}} si le produit a besoin de coordonnées. Automatisation d'écran, robotique, audits de linéaires, comptage, tout cas où la réponse est une boîte, un point ou un masque et où le système suivant la consomme par programmation. L'{{2}}empreinte totale de 9B{{/2}} est le prix de cette garantie, et si vous déployez sur du {{3}}matériel de classe Jetson{{/3}}, c'est un prix que vous pouvez payer. Planifiez la migration d'hébergement dès maintenant plutôt qu'en novembre.

Choisissez LFM3-Omni-2B si le produit implique une personne qui parle à un appareil, ou un appareil qui doit entendre une pièce. Un kiosque qui répond à voix haute, un outil de terrain où les mains sont occupées, une caméra qui doit comprendre une vidéo avec sa bande-son, un seul checkpoint remplaçant un modèle ASR plus un VLM plus un modèle TTS. Les scores de vision sont honorables plutôt qu’exceptionnels, la chaîne d’outils n’a qu’un jour, et c’est le pipeline parole qui justifie d’accepter ces deux réserves.

Ne choisissez ni l'un ni l'autre, mais seulement si la décision est structurante. Rien ici n'a été évalué de manière indépendante. L'outillage de LFM3-Omni-2B évolue vite — une entrée de bibliothèque Ollama existe à 2,4 Go, et llama.cpp a intégré sa prise en charge le 27 octobre, le jour même où les poids sont apparus — mais la fiche Ollama diverge actuellement de la carte du modèle sur deux points visibles, affichant un contexte de 125K et « Text, Image » comme entrées prises en charge, alors que la carte indique 32K et quatre modalités. C'est une fiche qui n'a pas encore été mise à jour, pas un défaut du modèle, et c'est le genre de chose qui se corrige en une semaine. Ce n'est pas non plus quelque chose à mettre en production cette semaine.

Qu’est-ce qui changerait cela ?

Deux choses. Une évaluation indépendante de LFM3-Omni-2B sur les lignes audio-visuelles permettrait de trancher si le 70.09 sur Daily-Omni survit à un harnais qu'il n'a pas choisi, et c'est le seul chiffre sur lequel repose tout l'argumentaire omni. Et une stratégie de service pour la branche parole — la fiche modèle documente en détail la génération de texte et en dit beaucoup moins sur la façon dont le décodeur audio est servi à l'échelle — vous dirait si l'argument « un modèle remplace quatre » résiste au contact d'un déploiement en production.

D’ici là, la comparaison a une forme claire. Moondream 3 mesure le monde et vous fournit des chiffres. LFM3-Omni-2B l’écoute et vous répond. Le seul benchmark qu’ils partagent est un test de lecture de documents, et le modèle omni l’emporte de moins de quatre points. Ce n’est pas une rivalité. C’est un rappel que « 2B multimodal » décrit un budget mémoire, pas un métier.