LFM3-Omni-2B 対 LFM2.5-VL-3B：視覚能力が劣る後継モデル

Liquid AIの最新マルチモーダルモデルは、それが置き換えたモデルよりも視覚性能が劣っている。RealWorldQAでは、LFM3-Omni-2Bは66.68、LFM2.5-VL-3Bは73.1。MMStarでは55.67対63.3。RefCOCOの参照表現ポインティングでは73.55対87.9。MMBenchでは73.68対81.0。両モデルがともに報告している5つのベンチマークのうち4つでは、より古く、より大きく、視覚専用のチェックポイントの方が優勢で、その差はノイズではない——行によって7〜14ポイントの差がある。2つのモデル間のルーティングにプラットフォーム手数料を上乗せすべきではない。0%のマークアッププロバイダーの定価はそのまま適用されます。

それはスキャンダルではない。より小さなネットワークに複数の仕事を同時にさせようとすると起こることであり、これら2つのチェックポイントのどちらを選ぶかを決める人にとって、最も役立つ唯一の事実だ。LFM3-Omni-2Bは、ビジョン製品のアップグレード経路ではない。たまたまファミリー名を共有している別製品なのだ。

異なる仕事を担う2つのモデル

混乱は無理もありません。というのも、この2つのモデルは同じアイデアの連続した世代のように見えるからです。どちらもLiquid AIから提供され、どちらもオンデバイス展開向けに構築され、どちらも推論を行わず、どちらもLFM Open License v1.0を継承し、どちらもほぼ同じメモリ予算を想定しています。LFM2.5-VL-3Bは2026年8月12日に視覚言語特化モデルとしてリリースされました。2.6Bのテキストバックボーンと400MのSigLIP2 NaFlexエンコーダを組み合わせたもので、パラメータ数は合計約3.1Bです。

LFM3-Omni-2Bは、2026年10月27日に公開されたany-to-anyモデルです。テキスト、画像、音声付きまたは音声なしの動画、16 kHz音声を入力として受け取り、テキスト、24 kHz音声、またはその両方を返します。視覚は処理全体ではなく、4つの入力経路のうちの1つにすぎません。パラメータ予算は3.1Bから2.17Bに減り、タスク数は1から4に増えました。その算術が表れているのが、視覚のスコアです。

• パラメータ — LFM3-Omni-2B は 2.17B の dense、LFM2.5-VL-3B は約 3.1B で、そのうち 400M が視覚エンコーダーです。

• 入力 — テキスト、画像、動画、16 kHz音声 対 テキスト、画像、動画。

• 出力 — テキストと24 kHz音声 対 テキストのみ。

• コンテキスト — 32,768トークン対32,768トークン。同一であり、どちらも入力と出力を合算します。

• ビジョン予算 — 画像あたり2,048ビジュアルトークン、ネイティブ解像度対ネイティブ解像度の512ピクセルパッチとサムネイルパス。

• ポジショニング — 4モデルのパイプラインに対するオールインワンの代替手段であり、OCR、UI理解、視覚的質問応答に特化したVLMと比較されます。

• ライセンス — どちらの場合も LFM Open License v1.0 で、商用利用を規定する売上高のしきい値も含みます。

数字が実際に重なる箇所

異なる研究所のモデル間のベンチマーク比較は、評価ハーネスが異なるため、通常は不誠実だ。これはほとんどの例よりクリーンである。両方のチェックポイントは同じ企業によって、同じ非推論モードで評価され、どちらも同じデータセットのうち5つについて報告している。それによって数値が独立になるわけではない——実際、独立ではない——が、異なる研究所間の表ではめったにない形で、互いに比較可能にはなる。

• RealWorldQA — LFM3-Omni-2B は 66.68、LFM2.5-VL-3B は 73.1。日常的な場面に関する質問で 6.4 ポイントの低下。

• MMStar — 55.67 対 63.3。データ汚染への耐性を目的として設計されたベンチマークにおける 7.6 ポイントの低下。

• MMBench — 73.68 対 81.0。広範なマルチモーダル能力における 7.3 ポイントの低下。

• RefCOCO pointing — 73.55 対 87.9。14.4ポイントの低下はこのセットで最大の差であり、画像内の指定された物体を特定するタスクにおけるものです。

• DocVQA — 92.47 対 91.1。例外は、LFM3-Omni-2Bが文書質問応答で1.4ポイント上回っていることです。

DocVQA の結果は、これが単純な「新しいモデルの方が劣る」という話で終わらない理由になっている。文書テキストは、統一モデルが高解像度でページを読み、それを一度のパスで推論する能力によってパイプラインを上回り得るタスクであり、同時に Liquid の画像あたり 2,048 トークンという上限が最も響くはずのタスクでもある。それでもそこで omni モデルが勝つということは、視覚能力の劣化がタスク間で一様ではないことを示唆している。それは空間タスクと参照タスクに集中しており、まさに専用の視覚容量が少ないモデルが苦戦すると予想される領域だ。

追加モダリティのコスト

音声パスは無料ではなく、コストがどこにかかるかについてカードは異例なほど明確だ。32Kコンテキストはすべてのモダリティで共有される。毎秒2フレームで384フレームの動画は、質問をする前にウィンドウの大半を消費する。画像はそれぞれ最大2,048ビジュアルトークンに制限され、これは写真内の密集したテキストを読むための解像度のほぼ上限に相当する。視覚専用モデルは同じ32Kコンテキストを持つが、その一部を音声に費やす必要はない。

音声出力には、ベンチマークとは無関係な第2の考慮事項が加わります。LiquidCodecは生成トークンを24 kHz音声にリアルタイムより速く変換し、これによってストリーミング音声応答が可能になります。しかしモデルカードにはテキスト出力向けのSGLangによるサービングしか記載されておらず、音声ブランチがどのようにサービングされるかは説明されていません。自社インフラから音声回答を得る必要がある場合、モデルのその半分に対するリファレンス実装が欠けています。これと、1年分のツール群を備えたLFM2.5-VL-3Bを比較してください — GGUF、MLX、vLLM、SGLang、ONNX、そしてM5 Max上で3.3 GB未満のメモリで毎秒228トークンという報告があります。

成熟度はベンチマークの一行ではないが、導入を左右する。今日どこでも動作するモデルは、明日単一の経路でしか動作しないモデルに勝る。ただし、その追加のモダリティこそがあなたがそこにいる理由である場合を除く。

選び方

スクリーンショットの読み取り、文書の解析、物体の指し示し、カメラ映像に関する質問への回答が仕事なら、LFM2.5-VL-3B がより優れたモデルであり、重要な項目では差は僅かではない。特に RefCOCO の14ポイント差は、ロボティクスや UI 自動化のユースケースにとって議論を終わらせるべきものだ。代替が2.17Bモデルで、その容量の3分の1を耳と口に費やしているなら、3.1Bパラメータであることは不利にはならない。

もしその仕事が、人がデバイスに話しかけ、デバイスが話し返すことを伴うもの——キオスク、電話アシスタント、両手がふさがる現場ツールなど——なら、LFM3-Omni-2B は、LFM2.5-VL-3B がどんなパラメータ数でもできないことをやっています。あなたはより劣る視覚モデルを選んでいるのではなく、4つのモデルを1つに統合することを選び、その統合の代償として視覚性能の後退を受け入れているのです。

ベンチマーク表から明らかな第3の選択肢があります。両方を動かすことです。フレームには視覚特化モデル、会話にはオムニモデル。これは2つのチェックポイントとBF16で約7.4 GBで、それでも単一のミッドレンジGPUのメモリ内に収まります。OrcaRouterのルーティングDSLは、まさにこの組み合わせのために存在します — 1つのエンドポイント、画像とテキストのリクエストを特化モデルへ、音声リクエストをオムニモデルへ送るルール、どちらかの経路が失敗した場合の自動フェイルオーバー付きです。どちらのチェックポイントも本日のカタログにはないため、これは約束ではなくパターンです。要点は、「どのモデルか」という問いには、どちらのベンダーのローンチ記事にも言及されていない第3の答えがあるということです。

評決

LFM3-Omni-2Bは2.17Bパラメータにおける真のエンジニアリング的成果であり、主に視覚的な用途ではLFM2.5-VL-3Bの代替としては不適切だ。この2つを正直に読み解くなら、Liquid自身の製品ラインにおける分岐と見るべきだ。一方の枝は見ることに最適化され、もう一方は会話に参加することに最適化されている。ファミリー名と共通ライセンスのせいで、両者は連続した世代のように見える。ベンチマーク表は両者が兄弟であることを示しており、先に生まれた兄弟の方が、それが作られた目的において優れている。

その評価を変えるのは独立した評価だ。なぜなら、上記の比較全体は、Liquidが自社の2つのモデルについて出した数値に基づいているからだ。omniモデルがこれらのデータセットのより難しい変種で評価された可能性も、不利になるモードで評価された可能性もある。モデルカードにはそれを示唆するものは何もなく、5行中4行が一貫した方向を示していることがそれに反論している。社外の誰かがどちらかの表を再現するまでは、最も安全な解釈は最も単純な解釈でもある。スペシャリストはよりよく見て、omniモデルはよりよく聞く。