LFM3-Omni-2B vs LFM2.5-VL-3B: następca, który widzi mniej

Najnowszy multimodalny model Liquid AI wypada gorzej w patrzeniu niż ten, który zastąpił. W RealWorldQA LFM3-Omni-2B uzyskuje 66,68, a LFM2.5-VL-3B uzyskuje 73,1. W MMStar to 55,67 wobec 63,3. W RefCOCO w zadaniu wskazywania na podstawie wyrażeń referencyjnych to 73,55 wobec 87,9. W MMBench 73,68 wobec 81,0. Cztery z pięciu benchmarków raportowanych przez oba modele przemawiają na korzyść starszego, większego checkpointu wyłącznie wizyjnego, a różnica nie jest szumem — wynosi od siedmiu do czternastu punktów w zależności od wiersza. Routing między dwoma modelami nie powinien doliczać opłaty platformowej. 0% narzutu Ceny katalogowe dostawców są przekazywane bez zmian.

To nie jest skandal. Dzieje się tak, gdy prosisz mniejszą sieć o wykonywanie większej liczby zadań naraz, a to najprzydatniejszy fakt dla każdego, kto wybiera między tymi dwoma checkpointami. LFM3-Omni-2B nie jest ścieżką aktualizacji dla produktu wizyjnego. To inny produkt, który przypadkiem dzieli nazwę rodziny.

Dwa modele realizujące różne zadania

To zamieszanie jest zrozumiałe, ponieważ oba modele wyglądają jak kolejne generacje tego samego pomysłu. Oba pochodzą od Liquid AI, oba są stworzone do wdrożeń na urządzeniach, oba nie są modelami rozumującymi, oba dziedziczą LFM Open License v1.0 i oba są pozycjonowane na mniej więcej ten sam budżet pamięci. LFM2.5-VL-3B zadebiutował 12 sierpnia 2026 r. jako specjalistyczny model wizyjno-językowy: szkielet tekstowy o 2,6 mld parametrów połączony z enkoderem SigLIP2 NaFlex o 400 mln parametrów, łącznie około 3,1 mld parametrów.

LFM3-Omni-2B, opublikowany 27 października 2026 r., to model any-to-any. Przyjmuje tekst, obrazy, wideo z dźwiękiem lub bez niego oraz dźwięk 16 kHz, a zwraca tekst, mowę 24 kHz albo oba te elementy. Wizja jest jedną z czterech ścieżek wejściowych, a nie całym zadaniem. Budżet parametrów zmniejszył się z 3,1B do 2,17B, podczas gdy liczba zadań wzrosła z jednego do czterech, i to właśnie w wynikach wizyjnych widać tę arytmetykę.

• Parametry — 2,17 mld gęstych parametrów dla LFM3-Omni-2B w porównaniu z około 3,1 mld dla LFM2.5-VL-3B, z czego 400 mln to koder wizji.

• Dane wejściowe — tekst, obraz, wideo i dźwięk 16 kHz vs tekst, obraz i wideo.

• Dane wyjściowe — tekst i mowa 24 kHz kontra sam tekst.

• Kontekst — 32,768 tokenów vs 32,768 tokenów. Identycznie, a oba uwzględniają dane wejściowe i wyjściowe.

• Budżet wizyjny — 2 048 tokenów wizualnych na obraz, natywna rozdzielczość kontra 512-pikselowe fragmenty w natywnej rozdzielczości ze ścieżką miniatury.

• Pozycjonowanie — uniwersalny zamiennik czteromodelowego potoku w porównaniu z dedykowanym VLM do OCR, rozumienia interfejsów użytkownika i wizualnego odpowiadania na pytania.

• Licencja — LFM Open License v1.0 w obu przypadkach, w tym próg przychodu, który reguluje wykorzystanie komercyjne.

Gdzie liczby faktycznie się pokrywają

Porównania benchmarkowe między modelami z różnych laboratoriów są zwykle nieuczciwe, ponieważ narzędzia testowe się różnią. To porównanie jest czystsze niż większość: oba punkty kontrolne zostały ocenione przez tę samą firmę, w tym samym trybie nierozumującym, i oba obejmują pięć tych samych zbiorów danych. To nie sprawia, że liczby są niezależne — nie są — ale sprawia, że można je porównywać ze sobą w sposób, na jaki tabele międzylaboratoryjne rzadko pozwalają.

• RealWorldQA — 66,68 dla LFM3-Omni-2B vs 73,1 dla LFM2.5-VL-3B. Spadek o 6,4 punktu w pytaniach dotyczących scen codziennych.

• MMStar — 55,67 vs 63,3. Spadek o 7,6 punktu w benchmarku zaprojektowanym tak, by opierać się zanieczyszczeniu danych.

• MMBench — 73,68 vs 81,0. Spadek o 7,3 punktu w zakresie ogólnych zdolności multimodalnych.

• RefCOCO pointing — 73.55 vs 87.9. Spadek o 14,4 punktu, największa różnica w zestawie, w zadaniu lokalizowania nazwanego obiektu na obrazie.

• DocVQA — 92,47 vs 91,1. Wyjątek: LFM3-Omni-2B prowadzi o 1,4 punktu w odpowiadaniu na pytania dotyczące dokumentów.

Wynik DocVQA jest tym, który nie pozwala sprowadzić tego do prostej historii w stylu „nowy model jest gorszy”. Tekst dokumentu to zadanie, w którym zdolność modelu zunifikowanego do odczytania strony w wysokiej rozdzielczości i rozumowania o niej w jednym przebiegu może pokonać pipeline — i jest to także zadanie, w którym limit Liquid wynoszący 2,048 tokenów na obraz powinien szkodzić najbardziej. To, że model omni mimo to wygrywa w tym zadaniu, sugeruje, że degradacja wizji nie jest jednolita w różnych zadaniach. Koncentruje się ona w zadaniach przestrzennych i referencyjnych, czyli dokładnie tam, gdzie można by oczekiwać, że model z mniejszą dedykowaną pojemnością wizualną będzie sobie radził gorzej.

Ile kosztują dodatkowe modalności

Ścieżka audio nie jest darmowa, a karta wyjątkowo jasno pokazuje, gdzie pojawia się koszt. Kontekst 32K jest współdzielony przez wszystkie modalności: wideo przy 2 klatkach na sekundę przez 384 klatki zużywa większość okna, zanim zdążysz zadać pytanie. Obrazy są ograniczone do 2 048 tokenów wizualnych każdy, co stanowi w przybliżeniu górny limit rozdzielczości dla odczytu gęstego tekstu na zdjęciu. Model wyłącznie wizyjny ma ten sam kontekst 32K, ale nie musi zużywać go na audio.

Wyjście mowy wprowadza drugi czynnik, który nie ma nic wspólnego z benchmarkami. LiquidCodec przekształca wygenerowane tokeny w dźwięk o częstotliwości 24 kHz szybciej niż w czasie rzeczywistym, co umożliwia strumieniowanie odpowiedzi mówionych. Karta modelu dokumentuje jednak obsługę SGLang wyłącznie dla wyjścia tekstowego i nie opisuje, jak obsługiwana jest gałąź mowy. Jeśli potrzebujesz odpowiedzi mówionych z własnej infrastruktury, brakuje implementacji referencyjnej dla tej połowy modelu. Porównaj to z LFM2.5-VL-3B, za którym stoi rok narzędzi — GGUF, MLX, vLLM, SGLang, ONNX — oraz doniesienia o 228 tokenach na sekundę na M5 Max przy zużyciu pamięci poniżej 3,3 GB.

Dojrzałość nie jest wierszem w benchmarku, ale decyduje o wdrożeniach. Model, który dziś działa wszędzie, bije model, który jutro będzie działać na jednej ścieżce, chyba że dodatkowa modalność jest powodem, dla którego tam jesteś.

Jak wybrać

Jeśli zadaniem jest odczytywanie zrzutów ekranu, analizowanie dokumentów, wskazywanie obiektów lub odpowiadanie na pytania dotyczące obrazu z kamery, LFM2.5-VL-3B jest lepszym modelem i nie ma porównania w tych wierszach, które się liczą. Szczególnie 14-punktowa różnica w RefCOCO powinna zakończyć dyskusję w każdym zastosowaniu w robotyce lub automatyzacji UI. To, że ma 3,1B parametrów, nie szkodzi, gdy alternatywą jest model 2,17B zużywający jedną trzecią swojej pojemności na uszy i usta.

Jeśli zadanie polega na tym, że osoba mówi do urządzenia, a urządzenie odpowiada — kiosk, asystent telefoniczny, narzędzie terenowe, gdy ręce są zajęte — LFM3-Omni-2B robi coś, czego LFM2.5-VL-3B nie potrafi zrobić przy dowolnej liczbie parametrów. Nie wybierasz gorszego modelu wizyjnego; decydujesz się scalić cztery modele w jeden i akceptujesz regresję wizyjną jako cenę tego scalenia.

Istnieje trzecia opcja, którą tabela benchmarków czyni oczywistą: uruchomić oba. Specjalistę od wizji do klatek, model omni do rozmowy. To dwa checkpointy i około 7,4 GB w BF16, co wciąż mieści się w pamięci jednego średniej klasy GPU. DSL routingu OrcaRouter powstał dokładnie dla takiej kompozycji — jeden endpoint, reguły kierujące żądanie obrazu i tekstu do specjalisty, a żądanie głosowe do modelu omni, z automatycznym przełączaniem awaryjnym, jeśli któraś ścieżka zawiedzie. Żaden z tych checkpointów nie jest dziś w naszym katalogu, więc to raczej wzorzec niż obietnica; sedno w tym, że pytanie „który model” ma trzecią odpowiedź, o której nie wspomina post premierowy żadnego z dostawców.

Werdykt

LFM3-Omni-2B to prawdziwe osiągnięcie inżynierskie przy 2,17 mld parametrów i zły zamiennik LFM2.5-VL-3B w każdym zastosowaniu, które jest przede wszystkim wizualne. Uczciwym sposobem odczytania tej pary jest potraktowanie jej jako rozwidlenia we własnej linii produktów Liquid: jedna gałąź optymalizuje widzenie, druga – udział w rozmowie. Nazwa rodziny i wspólna licencja sprawiają, że wyglądają jak sekwencja. Tabela benchmarków mówi, że są rodzeństwem, a starsze rodzeństwo jest lepsze w tym, do czego zostało stworzone.

To, co zmieniłoby tę ocenę, to niezależna ewaluacja, ponieważ całe powyższe porównanie opiera się na liczbach, które Liquid podał na temat swoich dwóch modeli. Możliwe, że model omni oceniano na trudniejszych wariantach tych zbiorów danych albo w trybie, który stawia go w niekorzystnej sytuacji. Nic w karcie modelu na to nie wskazuje, a konsekwentny kierunek czterech z pięciu wierszy przemawia przeciwko temu. Dopóki ktoś spoza firmy nie odtworzy którejkolwiek z tabel, najbezpieczniejsza interpretacja jest zarazem najprostsza: model specjalistyczny lepiej widzi, a model omni słyszy.