LFM3-Omni-2B vs LFM2.5-VL-3B: O sucessor que vê menos

O mais novo modelo multimodal da Liquid AI é pior em visão do que aquele que substituiu. No RealWorldQA, LFM3-Omni-2B obtém 66,68 e LFM2.5-VL-3B obtém 73,1. No MMStar, é 55,67 contra 63,3. No RefCOCO, para apontamento de expressões referenciais, é 73,55 contra 87,9. No MMBench, 73,68 contra 81,0. Quatro dos cinco benchmarks que os dois modelos reportam favorecem o checkpoint mais antigo, maior e apenas de visão, e a diferença não é ruído — fica entre sete e quatorze pontos, dependendo da linha. O roteamento entre dois modelos não deve acrescentar uma taxa de plataforma. 0% de margem Os preços de tabela do provedor passam sem alteração.

Isso não é um escândalo. É o que acontece quando você pede a uma rede menor que faça mais tarefas ao mesmo tempo, e é o fato mais útil para qualquer pessoa que esteja decidindo entre esses dois checkpoints. O LFM3-Omni-2B não é o caminho de upgrade para um produto de visão. É um produto diferente que por acaso compartilha um nome de família.

Dois modelos desempenhando funções diferentes

A confusão é compreensível, porque os dois modelos parecem gerações consecutivas da mesma ideia. Ambos vêm da Liquid AI, ambos são concebidos para implementação no dispositivo, ambos não são modelos de raciocínio, ambos herdam a LFM Open License v1.0 e ambos são posicionados para um orçamento de memória aproximadamente semelhante. O LFM2.5-VL-3B foi lançado em 12 de agosto de 2026 como um especialista em visão e linguagem: uma espinha dorsal de texto de 2,6B emparelhada com um codificador SigLIP2 NaFlex de 400M, cerca de 3,1B de parâmetros no total.

O LFM3-Omni-2B, publicado em 27 de outubro de 2026, é um modelo any-to-any. Ele recebe texto, imagens, vídeo com ou sem trilha sonora e áudio de 16 kHz, e retorna texto, fala de 24 kHz ou ambos. A visão é um dos quatro caminhos de entrada, e não o trabalho inteiro. O orçamento de parâmetros passou de 3,1B para 2,17B, enquanto o número de tarefas passou de uma para quatro, e é nas pontuações de visão que essa aritmética aparece.

• Parâmetros — 2,17B densos para o LFM3-Omni-2B vs cerca de 3,1B para o LFM2.5-VL-3B, dos quais 400M correspondem ao codificador de visão.

• Entradas — texto, imagem, vídeo e áudio de 16 kHz vs texto, imagem e vídeo.

• Saídas — texto e fala de 24 kHz vs. apenas texto.

• Contexto — 32.768 tokens vs 32.768 tokens. Idênticos, e ambos contam entrada mais saída.

• Orçamento de visão — 2.048 tokens visuais por imagem, resolução nativa vs. patches de 512 pixels em resolução nativa com um caminho de miniatura.

• Posicionamento — um substituto omni para um pipeline de quatro modelos vs. um VLM dedicado para OCR, compreensão de UI e perguntas e respostas visuais.

• Licença — LFM Open License v1.0 em ambos os casos, incluindo o limite de receita que rege o uso comercial.

Onde os números realmente se sobrepõem

Comparações de benchmark entre modelos de laboratórios diferentes costumam ser desonestas, porque os harnesses diferem. Esta é mais limpa do que a maioria: ambos os checkpoints foram avaliados pela mesma empresa, no mesmo modo sem raciocínio, e ambos relatam cinco dos mesmos conjuntos de dados. Isso não torna os números independentes — eles não são —, mas os torna comparáveis entre si de uma forma que tabelas entre laboratórios raramente são.

• RealWorldQA — 66,68 para LFM3-Omni-2B vs 73,1 para LFM2.5-VL-3B. Uma queda de 6,4 pontos em perguntas sobre cenas do cotidiano.

• MMStar — 55,67 vs 63,3. Uma queda de 7,6 pontos em um benchmark criado para resistir à contaminação de dados.

• MMBench — 73,68 vs 81,0. Uma queda de 7,3 pontos na capacidade multimodal ampla.

• RefCOCO pointing — 73,55 vs 87,9. Uma queda de 14,4 pontos, a maior diferença do conjunto, na tarefa de localizar um objeto nomeado em uma imagem.

• DocVQA — 92,47 vs 91,1. A exceção: LFM3-Omni-2B está 1,4 ponto à frente em resposta a perguntas sobre documentos.

O resultado do DocVQA é o que impede que isso se torne uma história simples de "o novo modelo é pior". Texto de documento é a tarefa em que a capacidade de um modelo unificado de ler uma página em alta resolução e raciocinar sobre ela em uma única passagem pode superar um pipeline — e também é a tarefa em que o limite de 2,048 tokens por imagem do Liquid deveria prejudicar mais. O fato de o modelo omni vencer aí de qualquer forma sugere que a degradação da visão não é uniforme entre as tarefas. Ela está concentrada em tarefas espaciais e de referência, que é exatamente onde você esperaria que um modelo com menos capacidade visual dedicada tivesse dificuldades.

Quanto custam as modalidades extras

O caminho do áudio não é gratuito, e a ficha é excepcionalmente clara sobre onde o custo recai. O contexto de 32K é compartilhado entre todas as modalidades: um vídeo a 2 quadros por segundo por 384 quadros consome a maior parte da janela antes mesmo de você fazer uma pergunta. As imagens têm um limite de 2.048 tokens visuais cada, o que é aproximadamente o teto de resolução para ler texto denso em uma fotografia. O modelo somente visão tem o mesmo contexto de 32K, mas não precisa gastar nada dele com áudio.

A saída de fala acrescenta uma segunda consideração que não tem nada a ver com benchmarks. O LiquidCodec converte tokens gerados em áudio de 24 kHz mais rápido que o tempo real, e é isso que torna possíveis as respostas faladas transmitidas em streaming. Mas o model card documenta o serving via SGLang apenas para saída de texto e não descreve como o ramo de fala é servido. Se você precisar de respostas faladas a partir da sua própria infraestrutura, a implementação de referência para essa metade do modelo está ausente. Compare isso com o LFM2.5-VL-3B, que tem um ano de ferramentas por trás — GGUF, MLX, vLLM, SGLang, ONNX e relatos de 228 tokens por segundo em um M5 Max com menos de 3,3 GB de memória.

Maturidade não é uma linha de benchmark, mas decide implantações. Um modelo que roda em todo lugar hoje vence um modelo que roda em um único caminho amanhã, a menos que a modalidade extra seja o motivo de você estar lá.

Como escolher

Se o trabalho for ler capturas de tela, interpretar documentos, apontar para objetos ou responder a perguntas sobre a transmissão de uma câmera, o LFM2.5-VL-3B é o modelo melhor — e não chega nem perto nos quesitos que importam. A lacuna de 14 pontos no RefCOCO, em particular, deveria encerrar a discussão para qualquer caso de uso de robótica ou automação de UI. Ter 3,1B de parâmetros não prejudica quando a alternativa é um modelo de 2,17B gastando um terço da sua capacidade em orelhas e uma boca.

Se o trabalho envolve uma pessoa falando com um dispositivo e o dispositivo respondendo — um quiosque, um assistente de celular, uma ferramenta de campo em que as mãos estão ocupadas —, o LFM3-Omni-2B faz algo que o LFM2.5-VL-3B não consegue fazer com qualquer número de parâmetros. Você não está escolhendo um modelo de visão pior; está escolhendo fundir quatro modelos em um e aceitar a regressão de visão como o preço da fusão.

Há uma terceira opção que a tabela de benchmark torna óbvia: executar os dois. Um especialista em visão para os quadros, um modelo omni para a conversa. São dois checkpoints e cerca de 7.4 GB em BF16, o que ainda cabe na memória de uma única GPU de médio porte. A DSL de roteamento do OrcaRouter existe exatamente para essa composição — um endpoint, regras que enviam uma solicitação de imagem e texto para o especialista e uma solicitação de voz para o modelo omni, com failover automático se qualquer um dos caminhos falhar. Nenhum dos checkpoints está no nosso catálogo hoje, então isso é um padrão e não uma promessa; o ponto é que a pergunta "qual modelo" tem uma terceira resposta que nenhum post de lançamento dos fornecedores menciona.

O veredito

LFM3-Omni-2B é uma conquista genuína de engenharia com 2,17 bilhões de parâmetros, e um péssimo substituto para o LFM2.5-VL-3B em qualquer aplicação primordialmente visual. A forma honesta de ler o par é como uma bifurcação na própria linha de produtos da Liquid: um ramo otimiza para enxergar, o outro para participar de uma conversa. O nome da família e a licença compartilhada fazem com que pareçam uma sequência. A tabela de benchmarks diz que são irmãos, e o irmão mais velho é melhor naquilo para o que foi criado.

O que mudaria essa avaliação seria uma avaliação independente, porque toda a comparação acima se baseia em números que a Liquid produziu sobre seus próprios dois modelos. É possível que o modelo omni tenha sido avaliado em variantes mais difíceis desses conjuntos de dados, ou em um modo que o desfavoreça. Nada na ficha sugere isso, e a direção consistente de quatro das cinco linhas argumenta contra. Até que alguém fora da empresa reproduza qualquer uma das tabelas, a leitura mais segura também é a mais simples: o especialista vê melhor, e o modelo omni ouve.