LFM3-Omni-2B vs LFM2.5-VL-3B: Il successore che vede meno

Il modello multimodale più recente di Liquid AI è meno performante nelle attività visive rispetto a quello che ha sostituito. Su RealWorldQA, LFM3-Omni-2B ottiene 66,68 e LFM2.5-VL-3B ottiene 73,1. Su MMStar è 55,67 contro 63,3. Su RefCOCO, nel pointing di espressioni referenziali, è 73,55 contro 87,9. Su MMBench, 73,68 contro 81,0. Quattro dei cinque benchmark riportati da entrambi i modelli favoriscono il checkpoint più vecchio, più grande e solo visione, e il divario non è rumore — è compreso tra sette e quattordici punti a seconda della riga. Il routing tra due modelli non dovrebbe aggiungere una commissione di piattaforma. 0% di markup I prezzi di listino dei provider passano invariati.

Non è uno scandalo. È ciò che accade quando chiedi a una rete più piccola di svolgere più compiti contemporaneamente, ed è il singolo dato più utile per chiunque debba scegliere tra questi due checkpoint. LFM3-Omni-2B non è il percorso di aggiornamento per un prodotto di visione. È un prodotto diverso che, per caso, condivide il nome della famiglia.

Due modelli che svolgono compiti diversi

La confusione è comprensibile, perché i due modelli sembrano generazioni consecutive della stessa idea. Entrambi provengono da Liquid AI, entrambi sono pensati per il deployment on-device, entrambi non sono modelli di ragionamento, entrambi ereditano la LFM Open License v1.0 e entrambi sono proposti per un budget di memoria all'incirca simile. LFM2.5-VL-3B è stato rilasciato il 12 agosto 2026 come specialista visione-linguaggio: un backbone testuale da 2,6B di parametri abbinato a un encoder SigLIP2 NaFlex da 400M, per un totale di circa 3,1B di parametri.

LFM3-Omni-2B, pubblicato il 27 ottobre 2026, è un modello any-to-any. Accetta testo, immagini, video con o senza colonna sonora e audio a 16 kHz, e restituisce testo, parlato a 24 kHz o entrambi. La visione è uno dei quattro percorsi di input, non l'intero lavoro. Il budget di parametri è passato da 3,1 miliardi a 2,17 miliardi mentre il numero di attività è passato da uno a quattro, ed è nei punteggi di visione che si nota quell'aritmetica.

• Parametri — 2,17B densi per LFM3-Omni-2B rispetto a circa 3,1B per LFM2.5-VL-3B, di cui 400M è il codificatore visivo.

• Input — testo, immagine, video e audio a 16 kHz vs testo, immagine e video.

• Output — testo e parlato a 24 kHz rispetto al solo testo.

• Contesto — 32.768 token vs 32.768 token. Identici, ed entrambi conteggiano input più output.

• Budget visivo — 2.048 token visivi per immagine, risoluzione nativa rispetto a patch da 512 pixel a risoluzione nativa con un percorso per la miniatura.

• Posizionamento — un sostituto omni per una pipeline a quattro modelli rispetto a un VLM dedicato per OCR, comprensione dell'interfaccia utente e risposta a domande visive.

• Licenza — LFM Open License v1.0 in entrambi i casi, inclusa la soglia di ricavi che disciplina l'uso commerciale.

Dove i numeri in realtà si sovrappongono

I confronti benchmark tra modelli di laboratori diversi sono di solito disonesti, perché gli harness sono diversi. Questo è più pulito della maggior parte: entrambi i checkpoint sono stati valutati dalla stessa azienda, nella stessa modalità non di ragionamento, ed entrambi riportano cinque degli stessi dataset. Ciò non rende i numeri indipendenti — non lo sono — ma li rende confrontabili tra loro in un modo in cui le tabelle tra laboratori diversi raramente lo sono.

• RealWorldQA — 66,68 per LFM3-Omni-2B rispetto a 73,1 per LFM2.5-VL-3B. Un calo di 6,4 punti sulle domande relative a scene quotidiane.

• MMStar — 55,67 vs 63,3. Un calo di 7,6 punti su un benchmark progettato per resistere alla contaminazione dei dati.

• MMBench — 73,68 vs 81,0. Un calo di 7,3 punti sulla capacità multimodale generale.

• RefCOCO pointing — 73,55 vs 87,9. Un calo di 14,4 punti, il divario più ampio del set, nel compito di localizzare un oggetto denominato in un'immagine.

• DocVQA — 92,47 vs 91,1. L'eccezione: LFM3-Omni-2B è avanti di 1,4 punti nella risposta alle domande sui documenti.

Il risultato di DocVQA è quello che impedisce che questa diventi una semplice storia del tipo "il nuovo modello è peggiore". Il testo dei documenti è il compito in cui la capacità di un modello unificato di leggere una pagina ad alta risoluzione e di ragionarci sopra in un solo passaggio può battere una pipeline — ed è anche il compito in cui il limite di 2.048 token per immagine di Liquid dovrebbe penalizzare di più. Il fatto che il modello omni vinca comunque lì suggerisce che il degrado della visione non è uniforme tra i compiti. È concentrato nei compiti spaziali e di referring, che è esattamente dove ci si aspetterebbe che un modello con meno capacità visiva dedicata fatichi.

Quanto costano le modalità aggiuntive

Il percorso audio non è gratuito, e la scheda è insolitamente chiara su dove ricade il costo. Il contesto da 32K è condiviso tra ogni modalità: un video a 2 fotogrammi al secondo per 384 fotogrammi consuma gran parte della finestra prima ancora che tu abbia posto una domanda. Le immagini sono limitate a 2.048 token visivi ciascuna, che è all'incirca il limite massimo di risoluzione per leggere testo denso in una fotografia. Il modello solo visione ha lo stesso contesto da 32K ma non deve spenderne alcuna parte per l'audio.

L'output vocale aggiunge una seconda considerazione che non ha nulla a che fare con i benchmark. LiquidCodec converte i token generati in audio a 24 kHz più velocemente del tempo reale, ed è questo che rende possibili le risposte vocali in streaming. Ma la model card documenta il serving con SGLang solo per l'output testuale e non descrive come viene servito il ramo vocale. Se hai bisogno di risposte vocali dalla tua infrastruttura, manca l'implementazione di riferimento per quella metà del modello. Confrontalo con LFM2.5-VL-3B, che ha un anno di tooling alle spalle — GGUF, MLX, vLLM, SGLang, ONNX e report di 228 token al secondo su un M5 Max con meno di 3,3 GB di memoria.

La maturità non è una riga di benchmark, ma decide i deployment. Un modello che gira ovunque oggi batte un modello che gira su un solo percorso domani, a meno che la modalità extra non sia il motivo per cui sei lì.

Come scegliere

Se il compito consiste nel leggere screenshot, analizzare documenti, indicare oggetti o rispondere a domande su un flusso video della fotocamera, LFM2.5-VL-3B è il modello migliore, e sulle righe che contano non c'è confronto. In particolare, il divario di 14 punti su RefCOCO dovrebbe chiudere la discussione per qualsiasi caso d'uso nella robotica o nell'automazione delle interfacce utente. Avere 3,1 miliardi di parametri non è un problema quando l'alternativa è un modello da 2,17 miliardi che spende un terzo della sua capacità in orecchie e bocca.

Se il lavoro prevede una persona che parla a un dispositivo e il dispositivo che risponde — un chiosco, un assistente telefonico, uno strumento da campo in cui le mani sono occupate — LFM3-Omni-2B fa qualcosa che LFM2.5-VL-3B non può fare con qualsiasi numero di parametri. Non stai scegliendo un modello di visione peggiore; stai scegliendo di comprimere quattro modelli in uno, accettando la regressione nella visione come prezzo di questa compressione.

C'è una terza opzione che la tabella dei benchmark rende evidente: eseguirli entrambi. Uno specialista della visione per i fotogrammi, un modello omni per la conversazione. Si tratta di due checkpoint e circa 7,4 GB in BF16, che rientrano ancora nella memoria di una singola GPU di fascia media. Quello di OrcaRouter è esattamente il DSL di routing pensato per questa composizione — un unico endpoint, regole che indirizzano una richiesta di immagine e testo allo specialista e una richiesta vocale al modello omni, con failover automatico se uno dei due percorsi fallisce. Nessuno dei due checkpoint è oggi nel nostro catalogo, quindi si tratta di uno schema più che di una promessa; il punto è che la domanda "quale modello" ha una terza risposta che nessuno dei post di lancio dei due vendor menziona.

Il verdetto

LFM3-Omni-2B è un autentico risultato ingegneristico con i suoi 2,17 miliardi di parametri, e un cattivo sostituto di LFM2.5-VL-3B in qualsiasi applicazione prevalentemente visiva. Il modo onesto di leggere la coppia è come una biforcazione nella linea di prodotti di Liquid: un ramo è ottimizzato per vedere, l'altro per partecipare a una conversazione. Il nome della famiglia e la licenza condivisa li fanno sembrare una sequenza. La tabella dei benchmark dice che sono fratelli, e il fratello maggiore è migliore in ciò per cui è stato costruito.

Ciò che cambierebbe quel giudizio è una valutazione indipendente, perché l'intero confronto sopra si basa sui numeri che Liquid ha prodotto sui propri due modelli. È possibile che il modello omni sia stato valutato su varianti più difficili di questi dataset, o in una modalità che lo penalizza. Nulla nella scheda lo suggerisce, e la direzione coerente di quattro righe su cinque depone contro questa ipotesi. Finché qualcuno esterno all'azienda non riprodurrà l'una o l'altra tabella, la lettura più sicura è anche la più semplice: lo specialista vede meglio, e il modello omni sente.