LFM3-Audio-2B vs Dessa: Jeden możesz pobrać, drugiego możesz tylko posłuchać

od Liquid AILFM3-Audio-2B to checkpoint z 2 mld parametrów na otwartej licencji, z repozytorium Hugging Face i buildem o rozmiarze 2,1 GB, który można pobrać na laptopa. Należąca do Blocka Dessa to pełnodupleksowy model mowy ogłoszony 23 października 2026 r. z dostępem przez listę oczekujących, bez wag, bez podanej liczby parametrów, bez API i bez opublikowanego benchmarku. Postaw je obok siebie, a zwykłe porównanie rozpada się, zanim się zacznie: jeden z nich każdy czytelnik może uruchomić, dostroić i zmierzyć, a drugiego można tylko posłuchać. Pytanie, które ma sens, nie dotyczy tego, który brzmi lepiej. Dotyczy tego, co każda firma zdecydowała się opublikować i co ten wybór pozwala ci zrobić w poniedziałek rano.

Oba pojawiają się z tą samą etykietą ostrzegawczą, ale z przeciwnych kierunków. LFM3-Audio-2B ukazał się 27 października 2026 r. w ramach premiery sześciomodelowej rodziny LFM3, a gałąź audio otrzymała jeden akapit wpisu Liquid o rodzinie modeli oraz kartę modelu. Nie ma osobnego ogłoszenia „Introducing LFM3-Audio”, żadnej pozycji cennika audio na stronie Liquid, a — w chwili pisania tego tekstu — nigdzie nie przeprowadzono niezależnego testu porównawczego modelu. Dessa ma odwrotny problem: tuzin wyselekcjonowanych nagrań rozmów i niemal żadnej specyfikacji. Żadna z firm nie dała osobie z zewnątrz wystarczających informacji, by odtworzyć wynik.

Co każdy z nich faktycznie opublikował

Bez przymiotników relacja jest krótka. Wszystko poniżej pochodzi z karty modelu Liquid, jego wpisu o rodzinie modeli lub własnego ogłoszenia Block; nic nie zostało niezależnie zweryfikowane.

• Co otrzymujesz — LFM3-Audio-2B: checkpoint w BF16, konwersje GGUF i MLX 4-bit, tokenizer oraz wagi kodeka w osobnym katalogu audio_tokenizer. Dessa: formularz listy oczekujących i zestaw klipów wideo.

• Rozmiar — LFM3-Audio-2B: 2 mld parametrów, 2,1 GB w wersji Ollama. Dessa: nie ujawniono. Block twierdzi, że mieści się na MacBook Pro M4 Max, co sugeruje model wystarczająco mały dla 128 GB zunifikowanej pamięci, ale to przypuszczenie, a nie liczba.

• Wejście i wyjście — LFM3-Audio-2B: tekst lub dźwięk 16 kHz na wejściu; tekst, mowa 24 kHz lub przeplatany tekst i mowa na wyjściu. Dessa: dźwięk na wejściu, dźwięk na wyjściu, bez pośredniego tekstu na żadnym etapie.

• Kontekst — LFM3-Audio-2B: 32K tokenów obejmujących wejście i wyjście. To nie jest liczba 256K powtarzana w niektórych materiałach o LFM3; ta dotyczy modelu tekstowego LFM3-1.7B. Dessa: nieopublikowane.

• Licencja — LFM3-Audio-2B: LFM Open License v1.0, bezpłatna do użytku komercyjnego przy rocznych przychodach poniżej 10 mln USD. Dessa: brak wag, więc nie ma żadnej licencji do przeczytania.

• Test porównawczy — LFM3-Audio-2B: sześciowierszowa tabela dostawcy. Dessa: brak.

W tym ostatnim wierszu porównanie staje się ciekawe. Liquid opublikował liczby i żadnego niezależnego świadka. Block opublikował świadków — dziennikarzy, którzy wysłuchali tych samych nagrań — i żadnych liczb. Czytelnik, próbując wybrać między nimi, wybiera, jakiego rodzaju lukę tolerować.

Jedyna przewaga, którą ma Dessa, a której nie można pobrać

Dessa została zaprojektowana do trybu pełnego dupleksu: słucha, gdy mówi. Model można przerwać w połowie zdania, potrafi wtrącić „racja” lub „mm-hm”, gdy jeszcze mówisz, i dostosować swoje wyczucie czasu do twojego. Dema Blocka mocno na tym polegają — śmiech w środku własnego zdania, zmiana głośności na życzenie, dokończenie tytułu filmu za mówcę, który go zapomniał. The Verge, słuchając tych samych nagrań, uznał rozmowy za „trochę niezręczne i osobliwe”, co jest trafnym opisem systemu, który uczy się wyczucia czasu na oczach wszystkich.

LFM3-Audio-2B nie twierdzi, że tak jest. To model typu żądanie–odpowiedź ze strumieniowaniem: przyczynowy enkoder audio pozwala mu na prefill, gdy mówisz, i stąd bierze się podawana przez Liquid wartość „nawet 50 ms” czasu do pierwszego tokenu, a LiquidCodec strumieniuje mowę z powrotem. Strumieniowanie odpowiedzi nie jest tym samym co obsługa wtrącania się (barge-in). Jeśli Twój produkt potrzebuje rozmowy, w którą można się wtrącać, LFM3-Audio-2B to model o niewłaściwym kształcie i żadna ilość dostrajania nie zmieni interfejsu.

To, czego demonstracja Dessa nie może ci powiedzieć, to jak często zachowuje się w ten sposób, gdy nikt nie wybiera klipu. Block twierdzi, że nagrania są na żywo, niekierowane i opatrywane napisami później, co wyklucza najprostszą formę oszustwa demonstracyjnego. Nie wyklucza to selekcji. Zespół, który nagrywa wiele rozmów i publikuje najlepsze z nich, udowodnił, że dobre rozmowy istnieją, a nie że model jest niezawodny.

Liczby opublikowane przez Liquid i ile są warte

Karta modelu Liquid zawiera sześć wartości, z czego cztery mają wartość poprzednika. Wszystkie porównują LFM3-Audio-2B z LFM2.5-Audio-1.5B, modelem, który zastępuje. Nie wskazano żadnego zbioru testowego, narzędzia testowego ani wariancji.

• Angielski ASR, współczynnik błędów słów — 6,23 wobec 6,13. Bez zmian. Jedyny wiersz, który się nie zmienił, a różnica jest wystarczająco mała, by mogła być szumem próbkowania.

• Wielojęzyczny ASR, WER/CER — 6,03. Nie podano wartości dla poprzedniej wersji.

• TTS dla języka angielskiego, UTMOSv2 — 3,83 wobec 3,22. Przesunięcie o 0,6 punktu, znacznie wykraczające poza szum, w skali, na której 4,0 zwykle uznaje się za wynik bliski ludzkiemu.

• VoiceBench — 73,13 wobec 55,17.

• Rozumienie dźwięku, MMAR — 50,60 wobec 25,85. Prawie dwukrotnie.

• Wywoływanie narzędzi z mowy, ewaluacja wewnętrzna — 58,50. Brak wartości dla poprzedniej wersji.

W zestawieniu z innymi modelami w tabeli samego Liquid to dobry mały model, a nie lider: Voxtral Mini 3B osiąga WER 5,51, a NVIDIA Audex 2B — 5,99; oba lepsze niż 6,23; Qwen2.5-Omni 3B wygrywa w rozumieniu audio z wynikiem 54,41; Gemma 4 E4B wygrywa w wywoływaniu narzędzi z wynikiem 72,40. Uczciwe podsumowanie to konkurencyjne rozpoznawanie, wyraźny krok naprzód w jakości głosu i solidne rozumowanie jak na model 2B — ale nie rekord w żadnej kolumnie.

Dessa nie ma odpowiednika tego wiersza, a jego brak nie jest kwestią techniczną. Model oparty wyłącznie na mowie, trenowany bez tekstu, nie ma natywnego interfejsu do schematu JSON, pliku PDF ani wywołania API. Block na własnej stronie przyznaje, że otwarte pozostają pytania: jak efektywnie model oparty wyłącznie na mowie uczy się faktów i języków oraz czy uczenie w kontekście przetrwa bez wstępnego trenowania na tekście. To różnica między przekonującym rozmówcą a uniwersalnym asystentem, a żadna z firm nie opublikowała testu, który by to rozstrzygnął.

Licencja, dostęp i kto na czym może budować

Licencja LFM3-Audio-2B jest praktycznym powodem, dla którego wygrywa większość rozmów zakupowych, zanim w ogóle omówiona zostanie jakość. LFM Open License v1.0 pozwala na użycie komercyjne przy rocznym przychodzie poniżej 10 mln USD, a powyżej tej kwoty wymaga płatnej licencji. Wagi są dostępne na Hugging Face; llama.cpp scalił obsługę w PR #31257 27 października; Ollama wymienia kompilację o rozmiarze 2,1 GB; Transformers wymaga wersji 5.20.2 lub nowszej z trust_remote_code. Wymóg niestandardowego kodu to rzecz, którą trzeba przypiąć — model ładuje się z własnego modułu i odczytuje wagi kodeka z osobnego katalogu, więc nieprzypięte środowisko to zgłoszenie do supportu, które tylko czeka, żeby się pojawić.

Dessa nie ma porównywalnej ścieżki. Dostęp to lista oczekujących oraz wczesny dostęp dla niewielkiej grupy badaczy bezpieczeństwa AI, którzy zgłaszają się z instytucjonalnym adresem e-mail. Podane przez Block powody — ciekawość, interakcja człowiek–AI, bezpieczeństwo — są spójne z trzymaniem głosu, który odczytuje emocje, w niewielkim gronie. Kompromis polega na tym, że dostęp za bramką i niezależna ocena ciągną w przeciwnych kierunkach. Dopóki zewnętrzna grupa nie opublikuje liczb, publiczny zapis to klipy dostawcy plus wrażenia dziennikarzy z klipów dostawcy.

Istnieje koszt drugiego rzędu, który rzadko trafia do porównań. Model do pobrania to zależność, którą posiadasz: 2,1 GB, proces, który trzeba utrzymywać przy życiu, brak SLA i próg licencyjny, na który trzeba uważać wraz z rozwojem. Model z listą oczekujących nie jest w ogóle zależnością — to wynik badań, który możesz zacytować, ale nie możesz go wdrożyć. Dla zespołu wybierającego stos głosowy to nie są dwa punkty na jednej linii. To dwie różne decyzje.

Czego potrzebuje agent głosowy, czego żaden z modeli nie zapewnia samodzielnie

Systemy głosowe w produkcji rzadko opierają się na jednym modelu. Niezależnie od tego, czy interfejs działa w trybie dupleksowym, czy w schemacie żądanie-odpowiedź, rozmowa nieustannie przekazuje pracę zwykłym modelom tekstowym: wyszukiwanie, ekstrakcję, sprawdzenie zgodności z polityką, wywołanie rozumowania w tle podczas wstrzymanej pauzy. Ta warstwa delegowania to miejsce, w którym tkwi zmienność kosztów i gdzie zła godzina u jednego dostawcy staje się Twoją awarią.

Aby być precyzyjnym co do naszego własnego zakresu: LFM3-Audio-2B nie jest dostępny w OrcaRouter, a Dessa w ogóle nie jest API. OrcaRouter udostępnia warstwę tekstową, do której deleguje agent głosowy — ponad 200 modeli za jednym kluczem w cenie katalogowej dostawcy bez doliczonej marży, automatyczne przełączanie awaryjne, gdy dostawca zawiedzie, DSL routingu, który składa kilka modeli w jedno wywołanie, oraz fuzję modeli, gdy osąd pojedynczego modelu nie wystarcza. Jeśli prototypujesz lokalnie z LFM3-Audio-2B, część pętli odpowiadająca za wywoływanie narzędzi to ta, którą możesz już dziś umieścić za tym endpointem; część audio pozostaje na Twojej maszynie.

Test, który by to rozstrzygnął

Dla LFM3-Audio-2B brakujące dowody są konkretne: niezależne uruchomienie WER na standardowym zbiorze, pomiar opóźnienia na sprzęcie innym niż M4 Max oraz odtworzenie przyrostu UTMOS przez kogoś, kto nie pracuje dla Liquid. Uzupełnienie dotyczące ASR na żywo w llama.cpp też ma znaczenie, ponieważ transkrypcja wsadowa jest dziś obsługiwaną ścieżką, a ograniczenie do języka angielskiego jest barierą, gdy pojawi się strumieniowanie.

Dla Dessy lista jest krótsza i trudniejsza: wydzielony zbiór rozmów do testów, opóźnienie end-to-end obejmujące pierwszą słyszalną reakcję, odzyskiwanie po przerwaniu, zrozumiałość w hałasie, budżet danych i mocy obliczeniowej oraz jakaś miara zachowywania faktów. Każdy z tych elementów zamieniłby pokazową składankę w ewaluację. Wszystkie razem uczyniłyby z niej produkt.

Do tego czasu dokładny opis jest wąski i użyteczny. LFM3-Audio-2B to model mowy 2B, który można pobrać w minutę, mówi lepiej niż model, który zastępuje, słucha mniej więcej równie dobrze i nie ma jeszcze niezależnych świadków. Dessa to najciekawsze demo głosu tego miesiąca, którego nie ma jak sprawdzić. Jeśli musisz coś zbudować w tym kwartale, tylko jedno z tych zdań kończy się wdrożeniem.