Moondream 3 vs LFM2.5-VL 3B: De een wijst naar het antwoord, de ander antwoordt alleen maar.

Het nuttigste verschil tussen M​oondream 3 Preview en LFM2.5-VL-3B zit niet in hun benchmarktabellen. Het is dat M​oondream 3 Preview over een afbeelding redeneert door erin te wijzen — zijn redeneringssporen zijn verankerd en verwijzen naar specifieke regio's — terwijl LFM2.5-VL-3B expliciet een niet-redenerend model is dat direct antwoordt, een keuze die Liquid AI maakte om de latentie laag te houden voor werk op het apparaat. Dezelfde afbeelding erin, twee totaal verschillende dingen komen eruit, en welke je wilt, hangt ervan af of een downstreamsysteem het antwoord moet vertrouwen of het alleen maar consumeert.

Al het andere volgt uit die fork. M​oondream 3 Preview is een sparse mixture-of-experts-model met 9 miljard totale parameters, waarvan 2 miljard actief, uitgebracht op 18 september 2025 door M​oondream, dat in oktober 2026 werd overgenomen door Prime Intellect. LFM2.5-VL-3B is een dense model van 3,1 miljard — een taalbackbone van 2,6 miljard met een 400M SigLIP2 NaFlex-visionencoder — dat op 12 augustus 2026 door Liquid AI werd uitgebracht als directe opvolger van LFM2-VL-3B. De ene is een specialist die is gebouwd om te detecteren en aan te wijzen en ook vragen kan beantwoorden. De andere is een generalist die is gebouwd om te antwoorden en onlangs heeft geleerd om aan te wijzen.

De metrische botsing die je eerst moet opmerken

Zet de twee onderbouwende cijfers naast elkaar en de vergelijking ziet eruit als een bijna-gelijkspel. Dat is het niet, want het zijn niet dezelfde metingen.

De lanceringsgrafiek van Moondream vermeldt Moondream 3 Preview op 91,1 op RefCOCO. Liquid AI rapporteert LFM2.5-VL-3B met een RefCOCO precision@1 van 87,9. RefCOCO-nauwkeurigheid en RefCOCO precision@1 zijn verschillende statistieken die over dezelfde dataset worden berekend, en een verschil van 3,2 punten tussen beide zegt niets over welk model beter lokaliseert. Wie die twee cijfers in een staafdiagram naast elkaar zet, vergelijkt een getal met een anders gedefinieerd getal.

• M​oondream 3 Preview grounding — RefCOCO 91,1, op een grafiek waar frontier-baselines (GPT-5, Gemini 2.5-Flash, C​laude 4 S​onnet) via een template werden bevraagd omdat ze geen native grounding hebben, en waar sommige preview-scores uit een steekproef van 100 vragen kwamen in plaats van de volledige set. Door de leverancier gerapporteerd en, zoals M​oondream zelf zegt, geen eerlijke strijd.

• LFM2.5-VL-3B grounding — RefCOCO precision@1 87,9, een stijging ten opzichte van 57,1 bij de vorige LFM2-VL-3B, wat Liquid toeschrijft aan het opschalen van synthetische groundingdata. Door de leverancier gerapporteerd, een vergelijking binnen dezelfde testopstelling met zijn eigen voorganger, wat de betekenisvollere as is.

• Detectie en aanwijzen — Moondream 3 Preview: native detect en pointvaardigheden, gestructureerde coördinatenuitvoer, onderdeel van de architectuur. LFM2.5-VL-3B: grounding toegevoegd via training, op dezelfde manier als coördinaten teruggegeven, waarbij function calling ook nieuw is in de VL-lijn (ToolSandbox 26,4 naar 59,5, BFCL v4 20,5 naar 32,5).

De eerlijke lezing: Liquid AI heeft een zuivere voor-en-na op identieke harnassen en Moondream heeft een cross-model-grafiek met sjabloonvoorbehouden. Geen van beide geeft je een rechtstreekse vergelijking. Als groundingnauwkeurigheid de beslissende factor is in je evaluatie, is je eigen gelabelde set het enige instrument dat het kan beslechten.

Wat onderbouwd redeneren je kost

M​oondream's query-skill draait standaard in de reasoning-modus. Het model doorloopt de vraag en zijn trace verwijst naar de regio's van de afbeelding die het gebruikt, die je in de playground kunt inspecteren door over de tekst te hoveren. Voor alles waarbij een mens het antwoord moet controleren — een defectmelding aan een productielijn, een beveiligingsincident, een medische triage-markering — is die eigenschap veel waard. Het is het verschil tussen een model dat "nee" zegt en een model dat "nee, hier" zegt. p>De kosten zijn tokens. De reasoning-modus genereert een trace vóór het antwoord, en M​oondream's eigen documentatie biedt de ontsnappingsroute: geef reasoning=False mee voor eenvoudige vragen, omdat het bedrijf weet dat de modus niet gratis is. Dat is een echte architectonische bekentenis — een goed ontworpen model zou geen flag nodig hebben om het denken uit te schakelen.

LFM2.5-VL-3B heeft geen equivalent. Het is ontworpen als een niet-redenerend model, en Liquid AI is duidelijk over de afweging: direct antwoorden houdt de latentie laag voor realtimegebruik en gebruik op het toestel. Er is geen spoor om te inspecteren en geen modus om uit te schakelen. In een kassarij barcodes scannen, of op een telefoon een menu vertalen: dat is de juiste technische keuze, en het ontbrekende spoor is geen defect.

Dus de vraag is niet welke beter is. Het gaat erom of iets stroomafwaarts van je model de redenering leest. Als een mens dat doet, zijn de grounded traces van Moondream de functie die je koopt. Als alleen een programma dat doet, betaal je voor tokens die niemand zal lezen.

Waar 3.1B daadwerkelijk wint

De grootteclaim van LFM2.5-VL-3B is geen marketing. Het draait in minder dan 3,3 GB geheugen met 228 tokens per seconde op een Apple M5 Max, en 116 tokens per seconde op een AMD Ryzen AI Max+ 395, met GGUF-, ONNX- en MLX-exports die naast het native checkpoint zijn gepubliceerd. Dat is een model dat je op een laptop kunt zetten, en Liquid AI levert het ook als een WebGPU Hugging Face Space die in een browsertab draait.

M​oondream 3 Preview heeft een kleiner aantal actieve parameters — 2B tegenover 3,1B — maar de vergelijking is niet symmetrisch, omdat een MoE-checkpoint volledig resident moet zijn, ook al wordt slechts een fractie ervan actief. De 9B aan gewichten moet ergens onderdak vinden. M​oondreams eigen antwoord daarop is Photon, de lokale inferentie-engine, die het model draait op N​VIDIA-GPU's vanaf Ampere en op Apple Silicon-Macs. Andere beperking: LFM2.5-VL-3B is klein genoeg om overal te passen, M​oondream 3 Preview is snel in termen van rekenkracht maar groot in termen van geheugen.

• Context — beide 32K tokens. Echte convergentie, en het is het vermelden waard gezien de sprong van twee jaar ten opzichte van de 2K-vensters van de vorige M​oondream-generatie.

• Talen — LFM2.5-VL-3B somt er zestien op: Engels, Arabisch, Chinees, Frans, Duits, Italiaans, Japans, Koreaans, Portugees, Spaans, Vietnamees, Thais, Indonesisch, Hindi, Russisch, Pools, en verdubbelde de woordenschat naar 128.000 om niet-Latijnse schriften te ondersteunen. De modelkaart van M​oondream 3 Preview legt de nadruk op visuele capaciteiten in plaats van een talenlijst; beschouw meertalige VQA als iets dat je moet testen in plaats van iets dat beloofd wordt.

• Documentlezen — LFM2.5-VL-3B: DocVQA 91,1, ChartQA 81,3, OCRBench v1 84,2, OCRBench v2 English 47,5, MMMU 48,4. M​oondream 3 Preview: DocVQA 88,3, ChartQA 86,6, POPE 89,0. Verschillende testharnassen, aan beide zijden door de leverancier gerapporteerd.

• Wat LFM2.5-VL-3B je afraadt om te doen — in de kaart van Liquid AI staat ronduit dat het niet wordt aanbevolen voor taken met een lange context of taken die veel redeneervermogen vereisen, zoals visueel webdesign of technische vragen over blauwdrukken. Die zin is nuttiger dan de meeste benchmarktabellen.

Implementatie, en waar een router inpast

Geen van deze twee modellen wordt via OrcaRouter aangeboden, en het is de moeite waard om dat direct te zeggen in plaats van eromheen te draaien: het zijn beide open-weight-checkpoints die je zelf draait, en de gehoste endpoint van M​oondream 3 Preview — M​oondream Cloud — wordt op 13 november 2026 stopgezet na de overname door Prime Intellect, waarbij ongebruikte credits worden terugbetaald.

Wat dat verandert, is de vorm van de beslissing. Een team dat een zelfgehoste VLM als standaard neemt, komt meestal uit bij een tweede, gehost model voor de gevallen die het lokale model slecht afhandelt, en op dat punt is het integratiewerk het probleem: twee SDK's, twee authenticatieschema's, twee retrystrategieën, en een storing bij de leverancier die jouw storing wordt.

Dit is het geval waarvoor OrcaRouter's routing-DSL is gebouwd. Je stelt meerdere modellen samen in één aanroep — het lokale model van 3,1B beantwoordt wat het kan, een gehost model neemt de rest over — achter één sleutel voor meer dan 200 modellen, met de lijstprijs van de provider doorgegeven zonder markup en automatische failover wanneer een upstream verslechtert. Aangezien noch M​oondream 3 Preview noch LFM2.5-VL-3B in die catalogus staat, staat de routeringslaag boven hen in plaats van hen te vervangen: zo houd je het goedkope lokale pad goedkoop zonder dat een storing bij een leverancier jouw storing wordt.

De licentie-fork, die scherper is dan de benchmarks

Twee verschillende licentiefilosofieën, en het verschil is voor een productbeslissing belangrijker dan een verschil van 3 punten in de score.

M​oondream 3 Preview wordt geleverd onder de Business Source License 1.1 met een Additional Use Grant (No Third-Party Service). Intern gebruik en productiegebruik, persoonlijke projecten, onderzoek, benchmarks, fine-tunes, merges, kwantisaties, gewichtdelta's en gebruik in een product dat niet substantieel overlapt met de betaalde aanbiedingen van M​oondream zijn allemaal toegestaan. Het verkopen van een gehoste API die vergelijkbare visiemogelijkheden biedt, een beheerde "M​oondream-as-a-service", of het insluiten van de gewichten in een betaalde SDK die vergelijkbare mogelijkheden levert, vereist een aparte overeenkomst. M​oondream 3.1 is overgestapt naar de M​oondream Model License 1.0, die dezelfde regel schoner formuleert: een component van je product is toegestaan, toegang tot M​oondream zelf als het product niet. Edge-apparaten, door de klant beheerde VPC's en het draaien van het model op gehuurde cloud- of neocloud-GPU's vallen allemaal expliciet aan de toegestane kant.

LFM2.5-VL-3B valt onder Liquid AI's eigen LFM Open License v1.0. Lees deze voordat je hem uitbrengt, zoals je bij elke licentie op maat zou doen, maar de families verschillen in aard: de beperking van M​oondream richt zich op één specifieke bedrijfsactiviteit — het doorverkopen van het model — terwijl die van Liquid een brede open licentie met eigen voorwaarden is.

Als je een domeinspecifieke builder bent, zijn beide prima en is de licentiekwestie een formaliteit. Als je bedrijf ook maar enigszins in de buurt komt van "wij hosten vision-modellen voor andere mensen", is de licentie van Moondream de beperking die je als eerste leest, en die van LFM is de licentie die je waarschijnlijk zonder problemen accepteert.

Welke moet je kiezen?

Kies M​oondream 3 Preview als het antwoord inspecteerbaar moet zijn. Als een mens de uitvoer beoordeelt, als de trace moet laten zien welk deel van de afbeelding de beslissing heeft gestuurd, als detectie en pointing het hoofdproduct zijn en niet slechts een functie — dan is die gegronde redenering de hele reden om 9B geheugen te betalen voor een model met 2B actieve parameters. Reserveer budget voor Photon of een GPU, en houd in je planning rekening met het sluiten van de gehoste endpoint.

Kies LFM2.5-VL-3B als het model op het apparaat moet draaien. Als je uitrolt naar een telefoon, een laptop, een industriële box-pc op de fabrieksvloer of een browsertabblad, en de werklast bestaat uit eenmalige taken met hoge doorvoer en lage latentie — schermen lezen, documenten transcriberen, objecten in een stream detecteren — dan is een dense 3,1B-model dat antwoordt zonder na te denken precies wat je wilt, en het aantal van 228 tokens per seconde op een M5 Max is het getal dat de doorslag geeft.

Kies beide als je er het budget voor hebt, en routeer ertussen: LFM2.5-VL-3B op elk frame omdat het bijna gratis is om te draaien, M​oondream 3 Preview op de frames waar een onderbouwd antwoord het wachten waard is.

Wat de cijfers je niet kunnen vertellen, is of er in de praktijk iets mis is gegaan: de gedocumenteerde AI-incidenten en agent-fouten rond modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernstniveau, betrouwbaarheidsgraad en betwistingsmarkering heeft.