LFM3-Omni-2B vs LFM2.5-VL-3B: Penerus yang Melihat Lebih Sedikit

Model multimodal terbaru Liquid AI lebih buruk dalam kemampuan melihat dibandingkan model yang digantikannya. Pada RealWorldQA, LFM3-Omni-2B mencetak 66.68 dan LFM2.5-VL-3B mencetak 73.1. Pada MMStar, nilainya 55.67 berbanding 63.3. Pada penunjukan ekspresi rujukan RefCOCO, nilainya 73.55 berbanding 87.9. Pada MMBench, 73.68 berbanding 81.0. Empat dari lima tolok ukur yang dilaporkan oleh kedua model mengunggulkan checkpoint yang lebih lama, lebih besar, dan hanya visi, dan selisihnya bukan noise — selisihnya antara tujuh hingga empat belas poin tergantung barisnya. Perutean antara dua model seharusnya tidak menambahkan biaya platform. markup 0% Harga daftar dari penyedia diteruskan tanpa perubahan.

Itu bukan skandal. Itulah yang terjadi ketika Anda meminta jaringan yang lebih kecil mengerjakan lebih banyak tugas sekaligus, dan itu adalah fakta yang paling berguna bagi siapa pun yang memilih di antara dua checkpoint ini. LFM3-Omni-2B bukan jalur peningkatan untuk produk visi. Itu adalah produk berbeda yang kebetulan memiliki nama keluarga yang sama.

Dua model melakukan pekerjaan yang berbeda

Kebingungannya dapat dimaklumi, karena kedua model tampak seperti generasi berurutan dari ide yang sama. Keduanya berasal dari Liquid AI, keduanya dibangun untuk penerapan di perangkat, keduanya non-reasoning, keduanya mewarisi LFM Open License v1.0, dan keduanya ditujukan untuk anggaran memori yang kira-kira sama. LFM2.5-VL-3B dirilis pada 12 Agustus 2026 sebagai spesialis visi-bahasa: tulang punggung teks 2,6B dipasangkan dengan encoder SigLIP2 NaFlex 400M, dengan total sekitar 3,1B parameter.

LFM3-Omni-2B, yang diterbitkan pada 27 Oktober 2026, adalah model any-to-any. Model ini menerima teks, gambar, video dengan atau tanpa trek suara, dan audio 16 kHz, lalu mengembalikan teks, ucapan 24 kHz, atau keduanya. Visi adalah salah satu dari empat jalur masukan, bukan keseluruhan tugas. Anggaran parameter berubah dari 3,1B menjadi 2,17B sementara jumlah tugas meningkat dari satu menjadi empat, dan skor visi adalah tempat aritmetika itu terlihat.

• Parameter — 2,17B dense untuk LFM3-Omni-2B vs sekitar 3,1B untuk LFM2.5-VL-3B, yang 400M di antaranya adalah encoder visi.

• Input — teks, gambar, video, dan audio 16 kHz vs teks, gambar, dan video.

• Output — teks dan ucapan 24 kHz vs hanya teks.

• Konteks — 32.768 token vs 32.768 token. Identik, dan keduanya menghitung input plus output.

• Anggaran vision — 2.048 token visual per gambar, resolusi native vs patch 512 piksel resolusi native dengan jalur thumbnail.

• Positioning — pengganti omni untuk pipeline empat model vs VLM khusus untuk OCR, pemahaman UI, dan penjawaban pertanyaan visual.

• Lisensi — LFM Open License v1.0 dalam kedua kasus, termasuk ambang pendapatan yang mengatur penggunaan komersial.

Di mana angka-angka itu benar-benar tumpang tindih

Perbandingan benchmark antarmodel dari lab yang berbeda biasanya tidak jujur, karena harness-nya berbeda. Yang ini lebih bersih daripada kebanyakan: kedua checkpoint dievaluasi oleh perusahaan yang sama, dalam mode non-reasoning yang sama, dan keduanya melaporkan lima dataset yang sama. Itu tidak membuat angkanya independen — memang tidak — tetapi membuatnya dapat dibandingkan satu sama lain dengan cara yang jarang terjadi pada tabel lintas lab.

• RealWorldQA — 66,68 untuk LFM3-Omni-2B vs 73,1 untuk LFM2.5-VL-3B. Penurunan 6,4 poin pada pertanyaan tentang adegan sehari-hari.

• MMStar — 55.67 vs 63.3. Penurunan 7,6 poin pada benchmark yang dirancang untuk menahan kontaminasi data.

• MMBench — 73,68 vs 81,0. Penurunan 7,3 poin pada kemampuan multimodal secara luas.

• RefCOCO pointing — 73.55 vs 87.9. Penurunan 14,4 poin, selisih terbesar dalam kumpulan ini, pada tugas menemukan objek yang disebutkan dalam gambar.

• DocVQA — 92,47 vs 91,1. Pengecualian: LFM3-Omni-2B unggul 1,4 poin dalam menjawab pertanyaan dokumen.

Hasil DocVQA adalah yang mencegah ini menjadi cerita sederhana “model baru lebih buruk”. Teks dokumen adalah tugas di mana kemampuan model terpadu untuk membaca halaman pada resolusi tinggi dan menalar tentangnya dalam satu kali proses dapat mengalahkan pipeline — dan itu juga tugas di mana batas 2.048 token per gambar milik Liquid seharusnya paling merugikan. Fakta bahwa model omni tetap menang di sana menunjukkan bahwa degradasi visi tidak seragam antartugas. Degradasi itu terkonsentrasi pada tugas spasial dan perujukan, yang justru merupakan area di mana Anda mengharapkan model dengan kapasitas visual khusus yang lebih sedikit kesulitan.

Berapa biaya modalitas tambahan

Jalur audio tidak gratis, dan kartunya luar biasa jelas tentang di mana biaya itu ditanggung. Konteks 32K dibagi di setiap modalitas: video pada 2 frame per detik selama 384 frame menghabiskan sebagian besar jendela sebelum Anda mengajukan pertanyaan. Gambar dibatasi pada 2.048 token visual per gambar, yang kira-kira merupakan batas atas resolusi untuk membaca teks padat dalam sebuah foto. Model khusus visi memiliki konteks 32K yang sama tetapi tidak perlu mengalokasikan sebagian pun untuk audio.

Keluaran ucapan menambahkan pertimbangan kedua yang sama sekali tidak berkaitan dengan {{1}}tolok ukur{{/1}}. {{2}}LiquidCodec{{/2}} mengubah token yang dihasilkan menjadi audio 24 kHz lebih cepat daripada waktu nyata, yang memungkinkan balasan lisan dialirkan. Namun, kartu model mendokumentasikan penyajian {{3}}SGLang{{/3}} hanya untuk keluaran teks, dan tidak menjelaskan bagaimana cabang ucapan disajikan. Jika Anda memerlukan jawaban lisan dari infrastruktur Anda sendiri, implementasi referensi untuk separuh model tersebut tidak tersedia. Bandingkan dengan {{4}}LFM2.5-VL-3B{{/4}}, yang memiliki setahun perkakas di belakangnya — {{5}}GGUF{{/5}}, {{6}}MLX{{/6}}, {{7}}vLLM{{/7}}, {{8}}SGLang{{/8}}, {{9}}ONNX{{/9}}, dan laporan {{10}}228 token per detik{{/10}} pada {{11}}M5 Max{{/11}} dengan memori di bawah {{12}}3,3 GB{{/12}}.

Kematangan bukanlah baris tolok ukur, tetapi itu menentukan penerapan. Model yang berjalan di mana saja hari ini mengalahkan model yang berjalan pada satu jalur besok, kecuali modalitas tambahan adalah alasan Anda berada di sana.

Cara memilih

Jika tugasnya adalah membaca tangkapan layar, mengurai dokumen, menunjuk objek, atau menjawab pertanyaan tentang feed kamera, LFM2.5-VL-3B adalah model yang lebih baik dan selisihnya tidak tipis pada baris-baris yang penting. Khususnya, selisih 14 poin pada RefCOCO seharusnya mengakhiri perdebatan untuk setiap kasus penggunaan robotika atau otomasi UI. Menjadi model dengan 3,1B parameter tidak merugikan ketika alternatifnya adalah model 2,17B yang menghabiskan sepertiga kapasitasnya untuk telinga dan mulut.

Jika pekerjaannya melibatkan seseorang yang berbicara kepada perangkat dan perangkat itu berbicara kembali — kios, asisten ponsel, alat lapangan yang membuat tangan sibuk — LFM3-Omni-2B melakukan sesuatu yang tidak dapat dilakukan LFM2.5-VL-3B pada jumlah parameter berapa pun. Anda tidak memilih model visi yang lebih buruk; Anda memilih untuk menggabungkan empat model menjadi satu, dan menerima kemunduran visi sebagai harga dari penggabungan itu.

Ada opsi ketiga yang jelas terlihat dari tabel benchmark: jalankan keduanya. Spesialis visi untuk frame, model omni untuk percakapan. Itu berarti dua checkpoint dan sekitar 7,4 GB dalam BF16, yang masih muat di memori satu GPU kelas menengah. OrcaRouter memiliki DSL perutean yang dirancang tepat untuk komposisi ini — satu endpoint, aturan yang mengirim permintaan gambar-dan-teks ke spesialis dan permintaan lisan ke model omni, dengan failover otomatis jika salah satu jalur gagal. Tidak ada checkpoint yang ada di katalog kami saat ini, jadi itu adalah pola, bukan janji; intinya adalah pertanyaan "model mana" memiliki jawaban ketiga yang tidak disebutkan oleh posting peluncuran kedua vendor.

Putusan

LFM3-Omni-2B adalah pencapaian rekayasa yang nyata pada 2,17B parameter, dan pengganti yang buruk untuk LFM2.5-VL-3B dalam aplikasi apa pun yang utamanya bersifat visual. Cara jujur untuk membaca pasangan ini adalah sebagai percabangan dalam lini produk Liquid sendiri: satu cabang dioptimalkan untuk melihat, cabang lainnya untuk berpartisipasi dalam percakapan. Nama keluarga dan lisensi bersama membuat keduanya tampak seperti sebuah rangkaian. Tabel benchmark mengatakan keduanya bersaudara, dan saudara yang lebih tua lebih baik pada hal yang menjadi tujuan pembuatannya.

Yang akan mengubah penilaian itu adalah evaluasi independen, karena seluruh perbandingan di atas bertumpu pada angka yang dihasilkan Liquid tentang dua modelnya sendiri. Mungkin saja model omni dievaluasi pada varian yang lebih sulit dari kumpulan data ini, atau dalam mode yang merugikannya. Tidak ada apa pun di kartu model yang menunjukkan hal itu, dan arah yang konsisten dari empat dari lima baris membantahnya. Sampai seseorang di luar perusahaan mereproduksi salah satu tabel, pembacaan paling aman juga paling sederhana: model spesialis melihat lebih baik, dan model omni mendengar.