LFM3-Omni-2B kontra Moondream 3: jeden wspólny benchmark, dwa różne zadania

Postaw LFM3-Omni-2B i Moondream 3 obok siebie, a karty specyfikacji wyglądają jak rodzeństwo. Oba to małe modele multimodalne przeznaczone do telefonów, laptopów, kamer i robotów. Oba mają kontekst 32K. Oba angażują około dwóch miliardów parametrów przy każdym tokenie. Oba są udostępniane jako otwarte wagi, które możesz pobrać już dziś. Poszukaj bezpośredniego porównania ich obu i nic nie znajdziesz — i właśnie dlatego to zestawienie wciąż się pojawia.

Potem uważnie czytasz obie karty modeli i podobieństwo rozsypuje się w sposób, który łatwo sprawdzić. Jedynym benchmarkiem, który podają obie karty, jest DocVQA, gdzie LFM3-Omni-2B uzyskuje 92,47, a Moondream 3.1 9B A2B — 88,6. Wszystko inne, co mierzą, jest rozłączne. Jeden model zwraca wypowiedziane zdania. Drugi zwraca ramki ograniczające. To nie są dwie odpowiedzi na to samo pytanie.

Uwaga o nazwach, ponieważ katalog jest mylący. Moondream 3 Preview ukazał się 18 września 2025 r., a Moondream 3.1 9B A2B — 7 lipca 2026 r.; każdy numer Moondream w tym tekście pochodzi z karty 3.1, czyli checkpointu, który można pobrać. LFM3-Omni-2B opublikowano 27 października 2026 r. jako jeden z sześciu modeli w rodzinie LFM3 Liquid AI. Oba są zupełnie nowe w jedynym sensie, jaki tu ma znaczenie: żadnego z nich nie ocenił nikt spoza firmy, która go zbudowała.

Co tak naprawdę zwraca każdy model

Najgłębsza różnica to nie liczba parametrów. To kontrakt wyjściowy.

Moondream 3.1 udostępnia pięć umiejętności o stałych kształtach: query, caption, detect, point i segment. Detekcja zwraca co najwyżej 200 prostokątów, wskazywanie co najwyżej 64 punktów, segmentacja co najwyżej 50 masek COCO-RLE, wszystko we współrzędnych znormalizowanych 0–1 w formacie JSON. To przestrzenny przyrząd pomiarowy o wąskim, przewidywalnym interfejsie. Możesz podłączyć jego dane wyjściowe bezpośrednio do automatyzatora interfejsu użytkownika lub planisty robota, bez warstwy parsowania LLM, ponieważ dane wyjściowe są już ustrukturyzowane.

LFM3-Omni-2B nie ma takiego kontraktu. Przyjmuje tekst, obrazy, wideo z jego ścieżką dźwiękową lub bez niej oraz dźwięk o częstotliwości 16 kHz, a generuje tekst, mowę o częstotliwości 24 kHz albo oba te elementy przeplatane. Nie ma ścieżki wyjściowej dla współrzędnych. Jeśli chcesz uzyskać z niego lokalizację, pytasz prozą i parsujesz odpowiedź, co stanowi inną klasę niezawodności niż schemat gwarantujący ramkę.

Ta jedna różnica rozstrzyga o większej liczbie wdrożeń niż jakikolwiek wiersz w benchmarku. Zamiana jednego identyfikatora modelu na drugi to nie migracja. To przepisanie wszystkiego, co konsumuje odpowiedź.

Arkusz specyfikacji, obok siebie

• Parametry — łącznie 2,17 mld dla LFM3-Omni-2B, wszystkie rezydentne i uczestniczące w obliczeniach, w porównaniu z łącznie 9,0 mld dla Moondream 3.1 przy 2,0 mld aktywnych na token.

• Pamięć w stanie spoczynku — około 4,4 GB w BF16 według obliczeń dla 2,17 mld parametrów w porównaniu z około 18 GB w FP16, około 6 GB w społecznościowym INT4 oraz 10 GB jako dolna granica NVIDIA dla dostarczanej kompilacji fp8.

• Dane wejściowe — tekst, obrazy, wideo przy 2 fps z dźwiękiem lub bez, oraz mowa 16 kHz kontra tylko obrazy i tekst.

• Dane wyjściowe — tekst, mowa 24 kHz lub przeplatane vs tekst, JSON, znormalizowane współrzędne i maski.

• Kontekst — 32 768 tokenów licząc dane wejściowe i wyjściowe w porównaniu z 32 768 tokenami tekstu plus do 12 kafelków obrazu, około 2304 tokeny wizyjne.

• Budżet wizji — do 2048 tokenów na obraz w natywnej rozdzielczości w porównaniu z adaptacyjnym kafelkowaniem do 12 przycięć przy 384–1024 px.

• Licencja — LFM Open License v1.0, użycie komercyjne dozwolone wyłącznie poniżej 10 mln USD rocznego przychodu w porównaniu z Moondream Model License 1.0, komercyjne przy dowolnej skali, ale bez ogólnodostępnej usługi hostowanej.

• Opublikowano — 27 października 2026 vs 7 lipca 2026, przy czym gałąź 3 Preview datuje się na 18 września 2025.

Wiersz dotyczący pamięci to ten, który ludzie pomijają, a na urządzeniu brzegowym stanowi on cały argument. 2B aktywnych parametrów Moondream sprawia, że jest on tak tani na token jak LFM3-Omni-2B, ale jego 9B parametrów łącznych czyni go nawet czterokrotnie większym pod względem pamięci przy tej samej precyzji. Parametry aktywne rządzą obliczeniami. Parametry łączne decydują o tym, czy coś się zmieści. Model, który działa z tą samą szybkością, ale potrzebuje 18 GB, nie konkuruje o to samo miejsce sprzętowe co model mieszczący się w 4.4 GB.

Jedyny benchmark, który oboje raportują

DocVQA to odpowiadanie na pytania dotyczące dokumentów, oceniane za pomocą ANLS, a na dwóch kartach modeli widnieje 92,47 dla LFM3-Omni-2B wobec 88,6 dla Moondream 3.1. Model omni wyprzedza o 3,87 punktu na własnym terenie specjalisty od wizji.

Ten wynik należy odczytywać z trzema zastrzeżeniami, z których wszystkie są kluczowe. Obie liczby są deklarowane przez same laboratoria, które zbudowały modele. Żadne z laboratoriów nie opublikowało swojego środowiska ewaluacyjnego, formatu promptów ani doboru próby. A różnica 3,87 punktu na benchmarku o tak dużej wariancji między środowiskami ma charakter sugestywny, a nie rozstrzygający. To, co ten wiersz faktycznie ustala, jest węższe i wciąż przydatne: LFM3-Omni-2B nie załamuje się na gęstym tekście dokumentów, czyli zadaniu, w którym można by oczekiwać, że model any-to-any o 2,17 mld parametrów przegra.

Nie przenoś tego samego odczytu na grounding. LFM3-Omni-2B podaje RefCOCO na poziomie 73,55, a Moondream 3.1 podaje RefCOCO-M na poziomie 87,1 — to nie są te same pomiary. Karta modelu Liquid zauważa, że ramki są odczytywane w natywnym formacie współrzędnych każdego modelu; Moondream podaje F1 przy progu IoU 0,5. Odjęcie jednego od drugiego daje liczbę, która nic nie znaczy. Uczciwym stwierdzeniem jest, że karta Moondream jest zbudowana wokół groundingu, a karta Liquid traktuje go jako jeden wiersz spośród siedemnastu.

Gdzie Moondream 3 nie jest blisko

Niektóre z tego to wybór sposobu raportowania, a nie luka w możliwościach, i warto doprecyzować, które. Model omni 2.17B prawie na pewno potrafi zlokalizować przybliżony region, jeśli zapytać go słowami. Czego nie potrafi, to zwrócić 200 ramek w schemacie z ograniczonym współczynnikiem błędów, ponieważ nic w jego treningu ani formacie wyjściowym nie zostało do tego zbudowane. Całym produktem Moondream jest gwarancja, że współrzędne wracają w formacie możliwym do sparsowania. Tę gwarancję kupujesz, a żaden wiersz benchmarku od innego laboratorium jej nie mierzy.

Ta sama logika działa w odwrotnym kierunku w przypadku opóźnienia. Moondream dostarcza Photon, silnik wnioskowania, który kompiluje model do jednego programu GPU, a dostawca twierdzi, że osiąga około 34 żądań na sekundę przy partii 16 na H100 przy P50 wynoszącym 59 ms. Są to wartości podane przez dostawcę, nieodtworzone niezależnie, ale stojąca za nimi inżynieria jest specyficzna dla jednego modelu. LFM3-Omni-2B nie ma jeszcze równoważnej historii serwowania.

Gdzie LFM3-Omni-2B nie jest blisko

Moondream 3.1 nie ma ścieżki audio. Nie słabszej — żadnej. Jego wejście to obraz i tekst, kropka. Dlatego każdy wiersz audio na karcie Liquid pozostaje bez konkurencji: angielski ASR — współczynnik błędu słów 6.36, wielojęzyczny ASR 6.72, angielski TTS UTMOSv2 3.80, VoiceBench 64.73, MMAR 51.40 oraz wewnętrzna ocena wywoływania narzędzi na poziomie 52.20.

Liczby dotyczące wideo ze ścieżką dźwiękową to te, które warto wyróżnić, ponieważ to one są powodem istnienia modelu. Daily-Omni 70,09, WorldSense 47,10, AV-SpeakerBench 46,79 — wszystkie mierzone na wideo z jego ścieżką dźwiękową, dokładność w pytaniach wielokrotnego wyboru, wszystkie zgłoszone przez twórców. Twierdzenie Liquid jest takie, że przewyższają one Qwen2.5-Omni-7B oraz modele o nawet 10,7B parametrów, i według jej własnej tabeli tak jest: Qwen2.5-Omni-7B uzyskuje 61,32, 45,37 i 43,24 w tych samych trzech wierszach.

Jeden szczegół na tej karcie zasługuje na więcej uwagi, niż otrzymał. Liquid podaje te same benchmarki wizyjne dwukrotnie — raz z wpisanym pytaniem, raz z wypowiedzianym pytaniem. RealWorldQA spada z 66,54 do 64,68, MMStar z 55,67 do 51,79, POPE z 89,34 do 83,78. Przepuszczenie pytania przez enkoder audio kosztuje od dwóch do sześciu punktów w zależności od zadania. To jest cena ścieżki mowy, powiedziana wprost, i jest to liczba bardziej użyteczna niż jakikolwiek pojedynczy wynik z nagłówka.

Co się stanie z Moondream 3 13 listopada?

To jest ta część porównania, która ma termin. Prime Intellect ogłosił 13 października 2026 r., że przejmuje Moondream, a Moondream potwierdził to 14 października. W poście stwierdzono, że 13 listopada 2026 r., trzydzieści dni po ogłoszeniu, Moondream Cloud — zarówno hostowana inferencja, jak i produkt do dostrajania Lens — zostanie wyłączony. Niewykorzystane zakupione kredyty są zwracane, a klienci są kierowani do własnej platformy inferencyjnej nabywcy.

Trzy rzeczy z tego wynikają i tylko pierwsza jest komfortowa. Otwarte wagi przetrwają, a licencja pozostaje bez zmian, więc hostowanie na własnym serwerze nie jest zagrożone. Photon działa lokalnie bez dodatkowych kosztów w wersji 1.3.0 i późniejszych, bez klucza API. Co nie przetrwa w czystej postaci, to Lens: dostrojone checkpointy i LoRA-y znajdują się po stronie serwera, a udokumentowana ścieżka eksportu nie istnieje. Jeśli Twój produkt zależy od dostrojenia w Lens, migracja nie jest zmianą konfiguracji, a szesnaście dni to niewiele czasu, by to odkryć.

Jest jeszcze drobna osobliwość, warta odnotowania dla każdego, kto w tym tygodniu sprawdza źródła. Strona z cennikiem Moondream nadal wymienia plany Cloud, stawki za token i plan Team za 350 USD miesięcznie, a nie wspomina o zamknięciu. Ogłoszenie znajduje się na innej stronie. Czytelnik, który 28 października sprawdzi tylko stronę z cennikiem, nie dowie się, że usługa kończy działalność za szesnaście dni.

Ile kosztuje eksploatacja każdego z nich

Moondream publikuje stawki za tokeny: 0,30 USD za milion tokenów wejściowych i 1,00 USD za milion tokenów wyjściowych w warstwie czasu rzeczywistego, obniżone o połowę do 0,15 USD i 0,50 USD w trybie wsadowym. LFM3-Omni-2B nie publikuje żadnej stawki za hosting. Liquid twierdzi, że rodzina jest dostępna w jego Playground i API, ale wpis o premierze nie zawiera ceny, a karta modelu nie zawiera ceny. Ta asymetria jest sednem kwestii kosztów.

Przeprowadź obliczenia Moondream dla realistycznego wywołania. Pojedynczy obraz kosztuje do 2 304 tokenów wizyjnych przy pełnym kafelkowaniu; dodaj 50-tokenowy prompt i 100 tokenów wyjściowych, a jedno wywołanie to 2 354 tokeny wejściowe i 100 tokenów wyjściowych, czyli około $0.0008. Przy 10 000 wywołań dziennie to około $8 dziennie, czyli $242 miesięcznie, spadając do około $121 miesięcznie w warstwie wsadowej. Czy to jest tanie, zależy wyłącznie od tego, ile w przeciwnym razie wydałbyś na sprzęt, i to jest porównanie, do którego zmusza cię LFM3-Omni-2B, ponieważ nie daje ci żadnej liczby na token, z którą mógłbyś to zestawić.

Na własnym sprzęcie rachunek się odwraca. LFM3-Omni-2B to około 4,4 GB wag w BF16, nie licząc aktywacji, dekodera audio i pamięci podręcznej KV — wyliczenie z liczby parametrów, a nie zmierzony rozmiar, ponieważ karta nie podaje żadnej wartości pamięci. Moondream 3.1 wymaga karty NVIDIA z 10 GB dla swojej dostarczanej kompilacji lub około 6 GB przy społecznościowej kwantyzacji INT4. Jeden model działa na telefonie. Drugi działa na Jetson Orin lub lepszym.

OrcaRouter zasługuje tu na jedno zdanie tylko dlatego, że uczciwa wersja jest wąska: ani LFM3-Omni-2B, ani Moondream 3 nie znajduje się w naszym katalogu i nic w tym artykule nie twierdzi, że oferujemy którykolwiek z nich. To, co routujemy, to hostowana warstwa wizyjna — na przykład Qwen3-VL-8B — wraz z ceną katalogową dostawcy przekazywaną bez narzutu (0% marży) i automatycznym przełączaniem awaryjnym między dostawcami upstream. Jeśli to właśnie powyższe wyliczenia dotyczące samodzielnego hostowania sprawiają, że się wahasz, to jest opcja, którą porównanie pomija, i jest to inny zakup, a nie lepszy.

Licencja może zadecydować, zanim zrobi to benchmark.

Te dwie licencje ograniczają różne rzeczy, a to, która z nich okaże się istotna, zależy od tego, jak wygląda twoja firma.

LFM Open License v1.0 określa próg $10,000,000 rocznego przychodu. Poniżej tego progu wykorzystanie komercyjne jest licencjonowane wprost. Powyżej niego sekcja 5 stwierdza jasno, że komercyjne wykorzystanie utworu lub utworu zależnego nie jest w ogóle licencjonowane na mocy umowy. Startup może więc bezpłatnie zbudować produkt na LFM3-Omni-2B, a firma przekraczająca próg nie może tego zrobić bez odrębnej umowy — niezależnie od tego, jak dobry jest model.

Moondream Model License 1.0 nie ma progu przychodowego. Zezwala na komercyjne wykorzystanie w dowolnej skali, self-hosting, dostrajanie, kwantyzację i redystrybucję, a zakazuje jednego konkretnego rodzaju działalności: świadczenia hostowanej usługi modelu ogólnego przeznaczenia dla modelu lub jego pochodnej bez odrębnej pisemnej licencji komercyjnej. Osadzanie Moondream w węższym produkcie jest dozwolone. Odsprzedaż ogólnego wnioskowania z jego użyciem nie jest.

Czytane razem, te dwa dokumenty są niemal komplementarne. Liquid kontroluje dostęp na podstawie tego, kim jesteś; Moondream kontroluje go na podstawie tego, co sprzedajesz. Duża firma planująca hostowany produkt inferencyjny jest blokowana przez oba, na różne sposoby.

Kto powinien wybrać, które

Wybierz Moondream 3.1, jeśli produkt wymaga współrzędnych. Automatyzacja ekranu, robotyka, audyty półek sklepowych, liczenie — cokolwiek, gdzie odpowiedzią jest ramka, punkt lub maska, a kolejny system wykorzystuje ją programowo. Całkowity rozmiar 9B to cena tej gwarancji, a jeśli wdrażasz na sprzęcie klasy Jetson, to cena, którą możesz zapłacić. Zaplanuj migrację hostingu teraz, a nie w listopadzie.

Wybierz LFM3-Omni-2B, jeśli produkt obejmuje osobę rozmawiającą z urządzeniem albo urządzenie, które musi słyszeć pomieszczenie. Kiosk, który odpowiada na głos, narzędzie terenowe, przy którym ręce są zajęte, kamera, która musi rozumieć wideo wraz ze ścieżką dźwiękową, pojedynczy checkpoint zastępujący model ASR plus VLM plus model TTS. Wyniki w zakresie widzenia są przyzwoite, ale nie wyjątkowe, zestaw narzędzi ma zaledwie dzień, a ścieżka mowy jest powodem, by zaakceptować jedno i drugie.

Nie wybieraj żadnego z nich — jeszcze — jeśli decyzja ma kluczowe znaczenie. Nic tutaj nie zostało niezależnie ocenione. Narzędzia LFM3-Omni-2B rozwijają się szybko — wpis w bibliotece Ollama istnieje i ma 2,4 GB, a llama.cpp scalił dla niego wsparcie 27 października, tego samego dnia, w którym pojawiły się wagi — ale wpis w Ollama obecnie nie zgadza się z kartą modelu w dwóch widocznych miejscach: pokazuje kontekst 125K i „Text, Image” jako obsługiwane dane wejściowe, podczas gdy karta podaje 32K i cztery modalności. To wpis, który jeszcze nie nadążył za rzeczywistością, a nie wada modelu, i to coś, co zwykle poprawia się w ciągu tygodnia. To także nie jest coś, co w tym tygodniu powinno trafić na produkcję.

Co by to zmieniło

Dwie rzeczy. Niezależna ewaluacja LFM3-Omni-2B w wierszach audio-wizualnych rozstrzygnęłaby, czy wynik 70,09 na Daily-Omni przetrwa w harnessie, którego model nie wybrał, i to jest jedyna liczba, na której opiera się cała argumentacja za omni. A historia serwowania dla gałęzi mowy — karta modelu szczegółowo dokumentuje generowanie tekstu i mówi znacznie mniej o tym, jak dekoder audio jest serwowany na dużą skalę — powiedziałaby, czy hasło „jeden model zastępuje cztery” przetrwa zderzenie z wdrożeniem produkcyjnym.

Do tego czasu porównanie ma klarowny kształt. Moondream 3 mierzy świat i podaje ci liczby. LFM3-Omni-2B słucha go i odpowiada. Jedynym wspólnym benchmarkiem jest test czytania dokumentów, a model omni wygrywa go o mniej niż cztery punkty. To nie rywalizacja. To przypomnienie, że „2B multimodal” opisuje budżet pamięci, a nie zadanie.