LFM3-Omni-2B 対 Moondream 3：共通するベンチマークは1つ、役割は2つ

並べてみると、LFM3-Omni-2BとMoondream 3の仕様表は兄弟のようだ。どちらもスマートフォン、ノートPC、カメラ、ロボット向けの小型マルチモーダルモデルだ。どちらも32Kコンテキストを備える。どちらもトークンごとに約20億パラメータを動かす。どちらも今日ダウンロードできるオープンウェイトとして提供されている。両者の直接比較を検索しても何も出てこない。だからこそ、この組み合わせが繰り返し取り上げられるのだ。

次に2つのモデルカードを注意深く読むと、似ているという見方は簡単に確認できる形で崩れます。両方のカードが報告している唯一のベンチマークはDocVQAで、LFM3-Omni-2Bのスコアは{{1}}92.47{{/1}}、Moondream 3.1 9B A2Bのスコアは{{2}}88.6{{/2}}です。両者が測定しているその他の項目はすべて共通部分がありません。一方のモデルは発話文を返し、もう一方はバウンディングボックスを返します。これらは同じ問いに対する2つの答えではありません。

名称についての注記です。ディレクトリが紛らわしいためです。Moondream 3 Preview は 2025年9月18日にリリースされ、Moondream 3.1 9B A2B は 2026年7月7日にリリースされました。本稿に登場するすべての Moondream の数値は 3.1 のカードに由来しており、これはダウンロードできるチェックポイントです。LFM3-Omni-2B は 2026年10月27日に、Liquid AI の LFM3 ファミリーの6モデルの一つとして公開されました。ここで重要な唯一の意味において、両方ともまったく新しいものです。つまり、どちらも開発元企業の外の誰によっても評価されていません。

各モデルが実際に返すもの

最も深い違いはパラメータ数ではありません。それは出力契約です。

Moondream 3.1は、固定された形状を持つ5つのスキルを公開しています：query、caption、detect、point、およびsegment。detectは最大200個のボックスを、pointは最大64個の点を、segmentは最大50個のCOCO-RLEマスクを返し、いずれも0～1に正規化された座標のJSON形式です。これは、狭く予測可能なインターフェースを持つ空間計測器です。出力はすでに構造化されているため、LLMによる解析レイヤーを挟むことなく、その出力をUIオートメーターやロボットプランナーに直接接続できます。

LFM3-Omni-2B にはそのような契約はありません。テキスト、画像、サウンドトラックの有無にかかわらず動画、16 kHz 音声を入力として受け取り、テキスト、24 kHz 音声、またはその両方をインターリーブして生成します。座標出力の経路はありません。そこから位置情報を得たい場合は、文章で尋ねて回答を解析する必要があり、これはバウンディングボックスを保証するスキーマとは信頼性のクラスが異なります。

そのたった一つの違いが、どのベンチマークの行よりも多くのデプロイを左右する。一方のモデルIDをもう一方に差し替えるのは移行ではない。それは、応答を利用するあらゆるものの書き直しだ。

スペックシートを並べて表示

• パラメーター — LFM3-Omni-2B は合計 2.17B で、そのすべてが常駐して計算するのに対し、Moondream 3.1 は合計 9.0B で、トークンあたり 2.0B がアクティブです。

• 待機時メモリ — 2.17Bパラメータの計算上、BF16で約4.4 GB、FP16では約18 GB、コミュニティINT4では約6 GB、出荷されるfp8ビルドではNVIDIAの下限が10 GBです。

• 入力 — テキスト、画像、音声あり/なしの2 fps動画、16 kHzの音声 対 画像とテキストのみ。

• 出力 — テキスト、24 kHz 音声、またはテキストとのインターリーブ、JSON、正規化座標とマスク。

• コンテキスト — 入力と出力を合計した32,768トークンに対して、32,768テキストトークンと最大12枚の画像タイル、約2,304ビジョントークンです。

• ビジョン予算 — ネイティブ解像度では画像あたり最大2,048トークン、適応タイル分割では384～1024 pxで12クロップ。

• ライセンス — LFM Open License v1.0は、年間収益1,000万ドル未満に限り商用利用を許諾するのに対し、Moondream Model License 1.0は、規模を問わず商用利用可能ですが、汎用ホステッドサービスは不可です。

• 公開 — 2026年10月27日 対 2026年7月7日、3 Preview ブランチは2025年9月18日にさかのぼります。

メモリの行は人が飛ばしがちな項目だが、エッジデバイスではそれが議論のすべてだ。Moondreamの2Bのアクティブパラメータにより、トークンあたりのコストはLFM3-Omni-2Bと同じくらい安いが、総パラメータが9Bであるため、同じ精度ではメモリ上最大4倍大きくなる。アクティブパラメータは計算量を決める。総パラメータはそれが収まるかどうかを決める。同じ速度で動いても18 GBを必要とするモデルは、4.4 GBに収まるモデルと同じハードウェア枠を争っているのではない。

両者が報告している唯一のベンチマーク

DocVQAは文書質問応答であり、ANLSで採点され、2つのモデルカードではLFM3-Omni-2Bが92.47、Moondream 3.1が88.6と記載されている。オムニモデルは、視覚専門モデルの得意分野で3.87ポイントリードしている。

その結果は三つの留保付きで読むべきであり、いずれも省略できない。両方の数値は、モデルを構築したラボによる自己申告である。どちらのラボも、評価ハーネス、プロンプト形式、サンプル選択を公開していない。また、ハーネス間のばらつきがこれほど大きいベンチマークでの3.87ポイント差は、決定的というより示唆的である。この行が実際に確立するのは、より狭いが依然として有用な点だ。LFM3-Omni-2Bは高密度の文書テキストで崩れない。これは、2.17Bのany-to-anyモデルなら負けると予想されるタスクである。

同じ解釈をグラウンディングにまで広げないでください。LFM3-Omni-2B は RefCOCO を 73.55 と報告し、Moondream 3.1 は RefCOCO-M を 87.1 と報告していますが、これらは同じ測定ではありません。Liquid のカードは、ボックスが各モデル固有の座標形式で読み取られることを注記しています。Moondream は IoU 閾値 0.5 での F1 を報告しています。一方から他方を差し引いても、意味のない数値になるだけです。正直に言えば、Moondream のカードはグラウンディングを中心に構成されており、Liquid のカードではそれを17行のうちの1行として扱っています。

Moondream 3が及ばないところ

その一部は能力の差ではなく報告の選択によるものであり、どちらなのかを正確に区別する価値がある。2.17Bのオムニモデルなら、言葉で尋ねればおおよその領域を特定できる可能性はほぼ確実にある。できないのは、誤差率に上限のあるスキーマで200個のボックスを返すことだ。なぜなら、そのための訓練も出力形式も備わっていないからだ。Moondreamの製品全体が約束しているのは、座標が解析可能な形で返ってくることだ。その保証こそが購入対象であり、他研究室のベンチマークの一行がそれを測っているわけではない。

レイテンシについては、同じ論理が逆に働く。Moondreamは、モデルを単一のGPUプログラムにコンパイルする推論エンジンPhotonを提供しており、ベンダーはH100上でバッチ16のとき毎秒約34リクエスト、P50が59 msだと主張している。これらはベンダー公表の数値であり、再現されていないが、その背後のエンジニアリングは特定の1モデルに固有のものだ。LFM3-Omni-2Bにはまだ同等のサービング基盤の話はない。

LFM3-Omni-2B が近くないところ

Moondream 3.1には音声経路がありません。弱い経路ですらない——皆無です。入力は画像とテキストのみ、以上です。したがってLiquidカード上のすべての音声関連行は競合なしです：英語ASRの単語誤り率6.36、多言語ASR 6.72、英語TTS UTMOSv2 3.80、VoiceBench 64.73、MMAR 51.40、そして社内ツール呼び出し評価52.20。

音声付き動画の数値こそが特に取り上げる価値のあるものだ。なぜなら、それがこのモデルの存在理由だからだ。Daily-Omni 70.09、WorldSense 47.10、AV-SpeakerBench 46.79 — いずれも音声トラック付きの動画で測定された多肢選択式の正答率で、すべて自己申告によるものだ。Liquidの主張は、これらがQwen2.5-Omni-7Bおよび最大10.7Bパラメータのモデルを上回るというもので、自社の表でも実際にそうなっている：Qwen2.5-Omni-7Bは同じ3行で61.32、45.37、43.24を記録している。

そのカードの1つの細部は、これまで以上に注目されてよいものです。Liquidは同じ視覚ベンチマークを2回報告しています。1回は質問を文字入力した場合、もう1回は質問を音声で読み上げた場合です。RealWorldQAは66.54から64.68に、MMStarは55.67から51.79に、POPEは89.34から83.78に低下します。質問を音声エンコーダー経由で入力すると、タスクに応じて2～6ポイントのコストがかかります。それが音声経路の代償であり、率直に示されたもので、どの単一の見出しスコアよりも有用な数字です。

11月13日にMoondream 3はどうなりますか

これは期限付きの比較部分です。Prime Intellectは2026年10月13日にMoondreamの買収を発表し、Moondreamは10月14日にそれを確認しました。投稿によると、発表から30日後の2026年11月13日に、Moondream Cloud（ホスト型推論とLensファインチューニング製品の両方）が停止します。未使用の購入済みクレジットは返金され、顧客は買収企業自身の推論プラットフォームへ誘導されています。

続くのは3つの点で、快適なのは最初の1つだけです。オープンウェイトは存続し、ライセンスも変更されていないため、セルフホスティングには影響ありません。Photonはバージョン1.3.0以降、APIキーなしで無料でローカル動作します。きれいに存続しないのはLensです。ファインチューニング済みチェックポイントとLoRAはサーバー側にあり、文書化されたエクスポート経路はありません。製品がLensのファインチューンに依存している場合、移行は設定変更では済まず、それに気づくには16日では足りません。

今週情報源を確認する人に指摘しておく価値のある、やや小さな違和感がある。Moondreamの料金ページには依然としてCloudプラン、トークン単位の料金、月額350ドルのTeamプランが掲載されており、サービス終了については何も書かれていない。告知は別のページにある。10月28日に料金ページだけを確認した読者は、サービスが16日後に終了することを知らないだろう。

それぞれを動かすのにかかるコスト

Moondreamはトークン単価を公開している。リアルタイム階層では入力100万トークンあたり0.30ドル、出力100万トークンあたり1.00ドル、バッチではその半額の0.15ドルと0.50ドルになる。LFM3-Omni-2Bはホスト型の料金を一切公開していない。Liquidはこのファミリーが同社のPlaygroundとAPIで利用可能だと述べているが、ローンチ時の投稿にも価格はなく、モデルカードにも価格はない。この非対称性こそがコストの物語だ。

現実的な呼び出しでMoondreamの計算を実行してみましょう。1枚の画像はフルタイリング時に最大2,304ビジョントークンかかり、そこに50トークンのプロンプトと100トークンの出力を加えると、1回の呼び出しは入力2,354トークンと出力100トークン、約0.0008ドルになります。1日10,000回なら1日約8ドル、月約242ドルとなり、バッチ階層では月約121ドルまで下がります。それが安いかどうかは、本来ハードウェアにいくらかけるか次第であり、LFM3-Omni-2Bは比較に使えるトークン単価の数字を示さないため、まさにその比較を迫られます。

自前のハードウェアでは計算が逆転します。LFM3-Omni-2B は、アクティベーション、オーディオデコーダ、KV キャッシュを除いた BF16 の重みが約 4.4 GB です。これはカードがメモリ数値を公表していないため、実測フットプリントではなくパラメータ数からの計算です。Moondream 3.1 は出荷ビルドに 10 GB の NVIDIA カードを必要とし、コミュニティの INT4 量子化なら約 6 GB で済みます。一方のモデルはスマートフォンで動作します。もう一方は Jetson Orin 以上で動作します。

ここで OrcaRouter に一文を割く価値があるのは、正直に言えばその範囲が狭いからです。LFM3-Omni-2B も Moondream 3 も当社のカタログにはなく、本記事には当社がどちらかを提供しているという主張は一切ありません。当社がルーティングするのはホスト型ビジョン階層——たとえば Qwen3-VL-8B——で、プロバイダーのリスト価格を0%のマークアップでそのまま反映し、上流間の自動フェイルオーバーを実行します。前述のセルフホスティングの計算がためらわせる理由なら、それはこの比較が省いている選択肢であり、より良い買い方ではなく別の買い物です。

ライセンスがベンチマークより先に決めるかもしれない。

2つのライセンスはそれぞれ異なる点を制限しており、どちらが影響するかは貴社の状況によって異なります。

LFM Open License v1.0 は、年間収益 {{1}}10,000,000ドル{{/1}} の閾値を定めています。それを下回る場合、商用利用は無条件で許諾されます。それを上回る場合、第5条は、本著作物または派生物の商用利用が本契約の下では一切許諾されないことを明記しています。したがって、スタートアップは LFM3-Omni-2B 上で無料で製品を構築できますが、閾値を超えた企業は、別途契約なしには構築できません — モデルの性能がどれほど優れていても関係ありません。

Moondreamモデルライセンス1.0には売上高のしきい値がありません。規模を問わず商用利用、セルフホスティング、ファインチューニング、量子化、再配布を許可しており、特定の事業を1つだけ禁止しています。すなわち、別途書面による商用ライセンスなしに、本モデルまたはその派生モデルについて汎用のホスト型モデルサービスを提供することです。Moondreamをより限定的な製品に組み込むことは許可されています。それを用いた汎用推論の再販は許可されていません。

併せて読むと、この2つの文書はほぼ相補的だ。Liquidは「あなたが誰か」でゲートし、Moondreamは「何を売るか」でゲートする。ホスト型推論製品を計画している大企業は、両方によって、それぞれ異なる形でブロックされる。

誰がどれを選ぶべきか

製品が座標を必要とするなら、Moondream 3.1を選んでください。画面自動化、ロボティクス、小売棚監査、カウント、そして答えがボックス、点、マスクであり、次のシステムがそれをプログラム的に消費するあらゆる用途です。合計9Bのフットプリントはその保証の代償であり、Jetsonクラスのハードウェアにデプロイするなら、支払える代償です。ホスティング移行は11月ではなく今計画してください。

製品が人とデバイスの会話を伴うもの、またはデバイスが部屋の音を聞き取る必要があるものであるなら、LFM3-Omni-2Bを選べ。声に出して答えるキオスク、両手がふさがっている現場向けツール、映像をその音声トラックごと理解する必要があるカメラ、ASRモデル＋VLM＋TTSモデルを置き換える単一のチェックポイント。視覚のスコアは卓越しているとまではいかないが堅実で、ツールチェーンはまだ登場したばかり。それでも両方を受け入れられる理由は音声処理経路にある。

その判断が要になるなら、今はどちらも選ばないでください。ここにあるものはどれも独立に評価されていません。LFM3-Omni-2B のツール周りは急速に進んでいます。Ollama ライブラリには 2.4 GB のエントリが存在し、llama.cpp は重みが公開されたのと同じ日である 10 月 27 日にそのサポートをマージしました。しかし Ollama の掲載情報は現在、モデルカードと目に見える形で二点食い違っており、コンテキストを 125K、対応入力を「Text, Image」と表示していますが、カードでは 32K と 4 モダリティです。それは掲載情報が追いついていないだけで、モデルの欠陥ではなく、一週間で直る類のものです。今週本番投入するものでもありません。

何がこれを変えるでしょうか

2点あります。LFM3-Omni-2B を音声視覚の行で独立評価すれば、Daily-Omni の 70.09 が、自ら選んだわけではないハーネスでも生き残るかが決着します。そして、それがオムニの主張全体が依拠する唯一の数値です。さらに、音声ブランチのサービングの話——モデルカードはテキスト生成を詳細に記述していますが、音声デコーダを大規模にどうサービングするかについては、はるかに少なくしか触れていません——は、「1つのモデルが4つを置き換える」という売り文句が本番デプロイと接触しても耐えるかどうかを教えてくれます。

それまでは、この比較は明快な形をしている。Moondream 3 は世界を測定し、あなたに数値を手渡す。LFM3-Omni-2B はそれに耳を傾け、言葉を返す。両者が共有する唯一のベンチマークは文書読解テストで、そのオムニモデルは4ポイント未満の差でそれを制している。それはライバル関係ではない。「2B multimodal」が表すのはメモリ予算であり、仕事ではないという注意喚起だ。