LFM3-Omni-2B vs Moondream 3: Satu Tolok Ukur yang Sama, Dua Tugas yang Berbeda

Letakkan LFM3-Omni-2B dan Moondream 3 berdampingan dan lembar spesifikasinya tampak seperti saudara kandung. Keduanya adalah model multimodal kecil yang ditujukan untuk ponsel, laptop, kamera, dan robot. Keduanya membawa konteks 32K. Keduanya mempekerjakan sekitar dua miliar parameter pada setiap token. Keduanya dirilis dengan bobot terbuka yang dapat Anda unduh hari ini. Cari perbandingan langsung di antara keduanya dan Anda tidak akan menemukan apa pun, yang justru menjadi alasan pasangan ini terus dibuat.

Lalu Anda membaca kedua kartu model dengan cermat dan kemiripannya runtuh dengan cara yang mudah diperiksa. Satu-satunya benchmark yang dilaporkan kedua kartu adalah DocVQA, dengan LFM3-Omni-2B mencetak 92.47 dan Moondream 3.1 9B A2B mencetak 88.6. Semua hal lain yang mereka ukur saling lepas. Satu model mengembalikan kalimat lisan. Model lainnya mengembalikan kotak pembatas. Keduanya bukan dua jawaban untuk pertanyaan yang sama.

Catatan tentang nama, karena direktori ini membingungkan. Moondream 3 Preview dirilis pada 18 September 2025 dan Moondream 3.1 9B A2B pada 7 Juli 2026; setiap angka Moondream dalam tulisan ini berasal dari kartu 3.1, yaitu checkpoint yang dapat Anda unduh. LFM3-Omni-2B diterbitkan pada 27 Oktober 2026 sebagai salah satu dari enam model dalam keluarga LFM3 Liquid AI. Keduanya benar-benar baru dalam satu-satunya arti yang penting di sini: keduanya belum dievaluasi oleh siapa pun di luar perusahaan yang membuatnya.

Apa yang sebenarnya dikembalikan oleh setiap model

Perbedaan terdalam bukanlah jumlah parameter. Itu adalah kontrak keluaran.

Moondream 3.1 menyediakan lima keterampilan dengan bentuk tetap: query, caption, detect, point dan segment. Deteksi mengembalikan paling banyak 200 kotak, penunjukan paling banyak 64 titik, segmentasi paling banyak 50 mask COCO-RLE, semuanya dalam koordinat ternormalisasi 0–1 sebagai JSON. Ini adalah instrumen pengukuran spasial dengan antarmuka yang sempit dan dapat diprediksi. Anda dapat menghubungkan outputnya langsung ke automator UI atau perencana robot tanpa lapisan penguraian LLM, karena outputnya sudah terstruktur.

LFM3-Omni-2B tidak memiliki kontrak seperti itu. Model ini menerima teks, gambar, video dengan atau tanpa soundtrack-nya, dan audio 16 kHz, lalu menghasilkan teks, ucapan 24 kHz, atau keduanya secara berselang-seling. Tidak ada jalur keluaran koordinat. Jika Anda ingin mendapatkan lokasi darinya, Anda memintanya dalam bentuk prosa dan mengurai jawabannya, yang merupakan kelas keandalan berbeda dari skema yang menjamin kotak.

Perbedaan tunggal itu menentukan lebih banyak deployment daripada baris benchmark mana pun. Menukar satu ID model dengan yang lain bukanlah migrasi. Itu adalah penulisan ulang atas apa pun yang mengonsumsi respons.

Lembar spesifikasi, berdampingan

• Parameter — total 2,17B untuk LFM3-Omni-2B, seluruhnya residen dan berkomputasi vs total 9,0B untuk Moondream 3.1 dengan 2,0B aktif per token.

• Memori saat menganggur — sekitar 4,4 GB dalam BF16 berdasarkan perhitungan pada 2,17 miliar parameter vs sekitar 18 GB dalam FP16, sekitar 6 GB dalam INT4 komunitas, dan batas minimum NVIDIA 10 GB untuk build fp8 yang dikirim.

• Input — teks, gambar, video pada 2 fps dengan atau tanpa audio, dan ucapan 16 kHz vs hanya gambar dan teks.

• Keluaran — teks, ucapan 24 kHz, atau interleaved vs teks, JSON, koordinat dan mask yang dinormalisasi.

• Konteks — 32.768 token dengan menghitung input ditambah output vs 32.768 token teks ditambah hingga 12 ubin gambar, sekitar 2.304 token visi.

• Anggaran visi — hingga 2.048 token per gambar pada resolusi asli vs penataan ubin adaptif hingga 12 potongan pada 384–1024 px.

• Lisensi — LFM Open License v1.0, penggunaan komersial hanya berlisensi untuk pendapatan tahunan di bawah $10M, dibandingkan dengan Moondream Model License 1.0 yang bersifat komersial pada ukuran apa pun tetapi tidak untuk layanan hosted serbaguna.

• Diterbitkan — 27 Oktober 2026 vs 7 Juli 2026, dengan cabang 3 Preview yang berasal dari 18 September 2025.

Baris memori adalah bagian yang orang lewati, dan pada perangkat edge itulah inti seluruh argumennya. 2B parameter aktif Moondream membuatnya sama murahnya dengan LFM3-Omni-2B per token, tetapi total 9B-nya membuatnya hingga empat kali lebih besar di memori pada presisi yang sama. Parameter aktif menentukan komputasi. Parameter total menentukan apakah model itu muat. Model yang berjalan dengan kecepatan sama tetapi membutuhkan 18 GB tidak bersaing untuk slot perangkat keras yang sama dengan model yang muat dalam 4,4 GB.

Satu-satunya tolok ukur yang mereka berdua laporkan

DocVQA adalah tanya jawab dokumen, dinilai dengan ANLS, dan pada kedua kartu model tercatat 92.47 untuk LFM3-Omni-2B dibandingkan 88.6 untuk Moondream 3.1. Model omni unggul 3.87 poin di bidang yang menjadi keahlian si spesialis visi itu sendiri.

Hasil itu harus dibaca dengan tiga catatan keberatan, yang semuanya krusial. Kedua angka tersebut dilaporkan sendiri oleh laboratorium yang membangun model-model itu. Tidak ada laboratorium yang menerbitkan perangkat evaluasinya, format prompt, atau pemilihan sampelnya. Dan selisih 3,87 poin pada tolok ukur dengan variansi antarperangkat sebesar ini bersifat sugestif, bukan menentukan. Yang ditetapkan oleh baris itu lebih sempit namun tetap berguna: LFM3-Omni-2B tidak hancur pada teks dokumen padat, yakni tugas yang wajar dianggap akan membuat model any-to-any berukuran 2,17B kehilangan performa.

Jangan memperluas pembacaan yang sama ke grounding. LFM3-Omni-2B melaporkan RefCOCO sebesar 73.55 dan Moondream 3.1 melaporkan RefCOCO-M sebesar 87.1, dan keduanya bukan pengukuran yang sama. Kartu Liquid mencatat bahwa kotak dibaca dalam format koordinat asli masing-masing model; Moondream melaporkan F1 pada ambang IoU 0,5. Mengurangkan yang satu dari yang lain menghasilkan angka yang tidak berarti apa-apa. Pernyataan yang jujur adalah bahwa kartu Moondream dibangun di sekitar grounding dan kartu Liquid memperlakukannya sebagai satu baris di antara tujuh belas.

Di mana Moondream 3 tidak dekat

Sebagian dari itu adalah pilihan pelaporan, bukan kesenjangan kemampuan, dan penting untuk tepat mengenai yang mana. Model omni 2,17B hampir pasti dapat menemukan perkiraan wilayah jika Anda memintanya dengan kata-kata. Yang tidak dapat dilakukannya adalah mengembalikan 200 kotak dalam skema dengan tingkat kesalahan terbatas, karena tidak ada bagian dalam pelatihan atau format outputnya yang dibangun untuk itu. Keseluruhan produk Moondream adalah jaminan bahwa koordinat kembali dalam bentuk yang dapat diurai. Jaminan itulah yang Anda beli, dan tidak ada baris benchmark dari lab lain yang mengukurnya.

Logika yang sama berlaku terbalik untuk latensi. Moondream merilis Photon, mesin inferensi yang mengompilasi model menjadi satu program GPU, dan vendor mengklaim sekitar 34 permintaan per detik pada batch 16 di H100 dengan P50 59 ms. Itu angka klaim vendor yang belum direproduksi, tetapi rekayasa di baliknya spesifik untuk satu model. LFM3-Omni-2B belum memiliki strategi serving yang setara.

Di mana LFM3-Omni-2B tidak dekat

Moondream 3.1 tidak memiliki jalur audio. Bukan jalur yang lebih lemah — tidak ada sama sekali. Masukannya adalah gambar dan teks, hanya itu. Jadi setiap baris audio pada kartu Liquid tidak terbantahkan: tingkat kesalahan kata ASR bahasa Inggris 6.36, ASR multibahasa 6.72, TTS bahasa Inggris UTMOSv2 3.80, VoiceBench 64.73, MMAR 51.40, dan evaluasi pemanggilan alat internal pada 52.20.

Angka untuk video dengan soundtrack adalah yang layak disorot, karena itulah alasan model ini ada. Daily-Omni 70.09, WorldSense 47.10, AV-SpeakerBench 46.79 — semuanya diukur pada video dengan trek audionya, akurasi pilihan ganda, semuanya dilaporkan sendiri. Klaim Liquid adalah bahwa angka-angka ini mengalahkan Qwen2.5-Omni-7B dan model hingga 10.7B parameter, dan pada tabelnya sendiri hal itu benar: Qwen2.5-Omni-7B mencetak 61.32, 45.37, dan 43.24 pada tiga baris yang sama.

Satu detail pada kartu itu layak mendapat lebih banyak perhatian daripada yang diperolehnya. Liquid melaporkan benchmark visi yang sama dua kali — sekali dengan pertanyaan diketik, sekali dengan pertanyaan diucapkan. RealWorldQA turun dari 66,54 menjadi 64,68, MMStar dari 55,67 menjadi 51,79, POPE dari 89,34 menjadi 83,78. Mengalirkan pertanyaan melalui encoder audio berbiaya antara dua hingga enam poin tergantung tugasnya. Itulah harga dari jalur ucapan, dinyatakan secara gamblang, dan itu adalah angka yang lebih berguna daripada skor utama tunggal mana pun.

Apa yang terjadi pada Moondream 3 pada 13 November?

Ini adalah bagian dari perbandingan yang memiliki tenggat waktu. Prime Intellect mengumumkan bahwa mereka mengakuisisi Moondream pada 13 Oktober 2026, dan Moondream mengonfirmasinya pada 14 Oktober. Tulisan itu menyatakan bahwa pada 13 November 2026, tiga puluh hari setelah pengumuman, Moondream Cloud — baik inferensi yang dihosting maupun produk fine-tuning Lens — ditutup. Kredit yang telah dibeli tetapi belum terpakai dikembalikan, dan pelanggan diarahkan ke platform inferensi milik pihak pengakuisisi.

Tiga hal menyusul, dan hanya yang pertama yang nyaman. Bobot terbuka tetap bertahan dan lisensinya tidak berubah, jadi self-hosting tidak terpengaruh. Photon berjalan secara lokal tanpa biaya pada versi 1.3.0 dan setelahnya tanpa kunci API. Yang tidak bertahan dengan bersih adalah Lens: checkpoint fine-tune dan LoRA berada di sisi server, dan tidak ada jalur ekspor yang terdokumentasi. Jika produk Anda bergantung pada fine-tune Lens, migrasinya bukan sekadar perubahan konfigurasi, dan enam belas hari bukan waktu yang banyak untuk menyadari hal itu.

Ada kejanggalan kecil yang layak ditandai bagi siapa pun yang memeriksa sumber minggu ini. Halaman harga Moondream masih mencantumkan paket Cloud, tarif per token, dan tier Team seharga $350/bulan, serta tidak menyebut apa pun tentang penutupan layanan. Pengumuman itu berada di halaman lain. Pembaca yang hanya memeriksa halaman harga pada 28 Oktober tidak akan tahu bahwa layanan berakhir dalam enam belas hari.

Berapa biaya menjalankan masing-masing

Moondream menerbitkan tarif token: $0.30 per juta token input dan $1.00 per juta token output pada tier real-time, dipotong setengah menjadi $0.15 dan $0.50 pada batch. LFM3-Omni-2B tidak menerbitkan tarif hosted sama sekali. Liquid mengatakan keluarga ini tersedia di Playground dan API mereka, tetapi postingan peluncuran tidak mencantumkan harga, dan kartu model tidak mencantumkan harga. Asimetri itulah inti cerita biayanya.

Jalankan perhitungan Moondream pada panggilan yang realistis. Satu gambar membutuhkan hingga 2.304 token visi pada tiling penuh; tambahkan prompt 50 token dan 100 token output, maka satu panggilan menjadi 2.354 token input dan 100 token output, atau sekitar $0,0008. Pada 10.000 panggilan sehari, itu kira-kira $8 sehari, atau $242 sebulan, dan turun menjadi sekitar $121 sebulan pada tier batch. Apakah itu murah sepenuhnya bergantung pada apa yang sebaliknya akan Anda belanjakan untuk perangkat keras, dan itulah perbandingan yang harus Anda lakukan dengan LFM3-Omni-2B karena model ini tidak memberi Anda angka per token untuk dibandingkan dengannya.

Pada perangkat keras Anda sendiri, perhitungannya terbalik. LFM3-Omni-2B berukuran sekitar 4,4 GB bobot dalam BF16 sebelum aktivasi, dekoder audio, dan cache KV — perhitungan dari jumlah parameter, bukan jejak memori yang terukur, karena kartu tersebut tidak menerbitkan angka memori. Moondream 3.1 membutuhkan kartu NVIDIA 10 GB untuk build yang dirilis, atau sekitar 6 GB dengan kuantisasi INT4 komunitas. Satu model berjalan di ponsel. Model lainnya berjalan di Jetson Orin atau lebih tinggi.

OrcaRouter layak mendapat satu kalimat di sini hanya karena versi jujurnya sempit: baik LFM3-Omni-2B maupun Moondream 3 tidak ada di katalog kami, dan tidak ada apa pun dalam artikel ini yang mengklaim kami melayani salah satunya. Yang kami rutekan adalah tier visi terkelola — Qwen3-VL-8B, misalnya — dengan harga daftar penyedia yang diteruskan pada markup 0% dan failover otomatis antar upstream. Jika perhitungan self-hosting di atas yang membuat Anda ragu, itulah opsi yang tidak disertakan oleh perbandingan tersebut, dan itu merupakan pembelian yang berbeda, bukan yang lebih baik.

Lisensi mungkin menentukan sebelum tolok ukur melakukannya

Kedua lisensi tersebut membatasi hal-hal yang berbeda, dan mana yang berdampak bergantung pada kondisi perusahaan Anda.

LFM Open License v1.0 menetapkan ambang batas pendapatan tahunan sebesar $10,000,000. Di bawah ambang itu, penggunaan komersial dilisensikan secara penuh. Di atasnya, bagian 5 menyatakan dengan jelas bahwa penggunaan komersial atas karya atau turunannya sama sekali tidak dilisensikan berdasarkan perjanjian tersebut. Jadi, sebuah startup dapat membangun produk di atas LFM3-Omni-2B secara gratis, sedangkan perusahaan yang melampaui ambang batas tersebut tidak dapat melakukannya tanpa kesepakatan terpisah — terlepas dari seberapa bagus model tersebut.

Lisensi Model Moondream 1.0 tidak memiliki ambang pendapatan. Lisensi ini mengizinkan penggunaan komersial dalam skala apa pun, self-hosting, fine-tuning, kuantisasi, dan redistribusi, serta melarang satu bisnis tertentu: menyediakan layanan model ter-hosting serbaguna untuk model tersebut atau turunannya tanpa lisensi komersial tertulis terpisah. Menyematkan Moondream di dalam produk yang lebih khusus diperbolehkan. Menjual kembali inferensi serbaguna pada model tersebut tidak diperbolehkan.

Jika dibaca bersama, kedua dokumen itu hampir saling melengkapi. Liquid membatasi akses berdasarkan siapa Anda; Moondream membatasi akses berdasarkan apa yang Anda jual. Sebuah perusahaan besar yang merencanakan produk inferensi terkelola terhalang oleh keduanya, dengan cara yang berbeda.

Siapa yang harus memilih yang mana

Pilih Moondream 3.1 jika produk membutuhkan koordinat. Otomasi layar, robotika, audit rak ritel, penghitungan, apa pun yang jawabannya berupa kotak, titik, atau mask dan dikonsumsi oleh sistem berikutnya secara programatik. Jejak total 9B adalah harga dari jaminan itu, dan jika Anda men-deploy pada perangkat keras kelas Jetson, itu adalah harga yang dapat Anda bayar. Rencanakan migrasi hosting sekarang, bukan pada November.

Pilih LFM3-Omni-2B jika produknya melibatkan seseorang yang berbicara kepada perangkat, atau perangkat yang harus mendengar sebuah ruangan. Kios yang menjawab dengan suara keras, alat lapangan yang digunakan saat tangan sibuk, kamera yang harus memahami video beserta soundtrack-nya, satu checkpoint yang menggantikan model ASR plus VLM plus model TTS. Skor visinya cukup terhormat, bukan luar biasa, toolchain-nya baru berumur sehari, dan jalur ucapan adalah alasan untuk menerima keduanya.

Pilih bukan keduanya, untuk saat ini, jika keputusan itu menentukan. Tidak ada apa pun di sini yang telah dievaluasi secara independen. Perkakas LFM3-Omni-2B bergerak cepat — entri pustaka Ollama sudah ada pada 2,4 GB, dan llama.cpp menggabungkan dukungan untuknya pada 27 Oktober, hari yang sama saat bobotnya muncul — tetapi daftar Ollama saat ini tidak sesuai dengan kartu model dalam dua cara yang terlihat, menampilkan konteks 125K dan "Text, Image" sebagai input yang didukung versus 32K dan empat modalitas pada kartu. Itu adalah daftar yang belum mengejar ketinggalan, bukan cacat model, dan itu jenis hal yang diperbaiki dalam seminggu. Itu juga bukan sesuatu untuk dimasukkan ke produksi minggu ini.

Apa yang akan mengubah ini

Dua hal. Evaluasi independen terhadap LFM3-Omni-2B pada baris audio-visual akan menentukan apakah 70,09 pada Daily-Omni bertahan dalam harness yang tidak dipilihnya, dan itulah satu-satunya angka yang menjadi landasan seluruh kasus omni. Dan cerita penyajian untuk cabang ucapan — kartu model mendokumentasikan generasi teks secara terperinci dan jauh lebih sedikit menjelaskan bagaimana dekoder audio dilayani pada skala besar — akan memberi tahu Anda apakah tawaran "satu model menggantikan empat" bertahan saat bersentuhan dengan deployment produksi.

Sampai saat itu perbandingannya memiliki bentuk yang rapi. Moondream 3 mengukur dunia dan memberi Anda angka. LFM3-Omni-2B mendengarkannya dan membalas bicara. Satu-satunya tolok ukur yang mereka bagi adalah tes membaca dokumen, dan model omni memenangkannya dengan selisih kurang dari empat poin. Itu bukan persaingan. Itu pengingat bahwa "2B multimodal" menggambarkan anggaran memori, bukan pekerjaan.