Moondream 3 vs LFM2.5-VL 3B: Um Aponta Para a Resposta, o Outro Apenas Responde

A diferença mais útil entre M​oondream 3 Preview e LFM2.5-VL-3B não está nas tabelas de benchmark deles. É que o M​oondream 3 Preview raciocina sobre uma imagem apontando para dentro dela — seus rastros de raciocínio são fundamentados, referenciando regiões específicas — enquanto o LFM2.5-VL-3B é explicitamente um modelo que não raciocina e responde diretamente, uma escolha que a Liquid AI fez para manter a latência baixa para trabalho no dispositivo. Mesma imagem na entrada, duas coisas totalmente diferentes saem, e qual delas você quer depende de se um sistema downstream precisa confiar na resposta ou apenas consumi-la.

Todo o resto decorre desse fork. O Moondream 3 Preview é um modelo esparso de mistura de especialistas com 9B de parâmetros totais e 2B ativos, lançado em 18 de setembro de 2025 pela Moondream, que foi adquirida pela Prime Intellect em outubro de 2026. O LFM2.5-VL-3B é um modelo denso de 3,1B — um backbone de linguagem de 2,6B com um codificador de visão SigLIP2 NaFlex de 400M — lançado pela Liquid AI em 12 de agosto de 2026 como sucessor direto do LFM2-VL-3B. Um é um especialista criado para detectar e apontar e também pode responder a perguntas. O outro é um generalista criado para responder e que recentemente aprendeu a apontar.

A colisão de métricas que você precisa notar primeiro

Coloque os dois números de base lado a lado e a comparação parece quase um empate. Não é, porque não são a mesma medição.

O gráfico de lançamento da Moondream lista o Moondream 3 Preview com 91,1 no RefCOCO. A Liquid AI relata o LFM2.5-VL-3B com precisão@1 de 87,9 no RefCOCO. A acurácia do RefCOCO e a precisão@1 do RefCOCO são estatísticas diferentes calculadas sobre o mesmo conjunto de dados, e uma diferença de 3,2 pontos entre elas não diz nada sobre qual modelo localiza melhor. Qualquer pessoa que coloque esses dois valores em um gráfico de barras está comparando um número com um número definido de forma diferente.

• M​oondream 3 Preview grounding — RefCOCO 91,1, num gráfico em que as baselines de fronteira (GPT-5, Gemini 2.5-Flash, C​laude 4 S​onnet) foram consultadas por meio de um template porque não têm grounding nativo, e em que algumas pontuações de preview vieram de uma amostra de 100 perguntas em vez do conjunto completo. Reportado pelo fornecedor e, como o próprio M​oondream diz, não é uma comparação justa.

• grounding do LFM2.5-VL-3B — precisão@1 no RefCOCO de 87,9, ante 57,1 no LFM2-VL-3B anterior, o que a Liquid atribui ao aumento da escala de dados sintéticos de grounding. Relatado pelo fornecedor, comparação no mesmo harness contra seu próprio antecessor, que é o eixo mais significativo.

• Detecção e apontamento — M​oondream 3 Preview: habilidades nativas de detecção e apontamento, saída estruturada de coordenadas, parte da arquitetura. LFM2.5-VL-3B: grounding adicionado por treinamento, retornado como coordenadas da mesma forma, com chamada de função também nova na linha VL (ToolSandbox 26.4 a 59.5, BFCL v4 20.5 a 32.5).

A leitura honesta: a Liquid AI tem um antes e depois claro em harnesses idênticos, e a Moondream tem um gráfico entre modelos com ressalvas de template. Nenhuma das duas oferece uma comparação direta. Se a precisão de grounding for o fator decisivo na sua avaliação, seu próprio conjunto rotulado é o único instrumento que vai resolver isso.

O que o raciocínio fundamentado te custa

Moondreamquery A skill de roda em modo de raciocínio por padrão. O modelo percorre a pergunta e seu rastro faz referência às regiões da imagem que está usando, as quais você pode inspecionar no playground passando o mouse sobre o texto. Para qualquer coisa em que um humano precise auditar a resposta — um apontamento de defeito em uma linha de produção, um incidente de segurança, um sinalizador de triagem médica —, essa propriedade vale muito. É a diferença entre um modelo que diz "não" e um modelo que diz "não, aqui". p>O custo é em tokens. O modo de raciocínio gera um rastro antes da resposta, e a própria documentação do Moondream oferece a saída de emergência: passe reasoning=False para perguntas simples, porque a empresa sabe que o modo não é gratuito. Essa é uma admissão arquitetural de verdade — um modelo bem projetado não precisaria de uma flag para desligar o raciocínio.

LFM2.5-VL-3B não tem equivalente. Ele foi projetado como um modelo de não raciocínio, e a Liquid AI é direta sobre o trade-off: responder diretamente mantém a latência baixa para uso em tempo real e no dispositivo. Não há rastro para inspecionar e nem modo para desativar. Em uma fila de caixa lendo códigos de barras, ou um telefone traduzindo um menu, essa é a decisão de engenharia correta e a ausência de rastro não é um defeito.

Portanto, a questão não é qual é melhor. É se algo a jusante do seu modelo lê o raciocínio. Se um humano lê, os traços fundamentados do M​oondream são o recurso que você está comprando. Se apenas um programa lê, você está pagando por tokens que ninguém vai ler.

Onde o 3.1B realmente vence

A alegação de tamanho do LFM2.5-VL-3B não é marketing. Ele roda com menos de 3,3 GB de memória a 228 tokens por segundo em um Apple M5 Max, e 116 tokens por segundo em um AMD Ryzen AI Max+ 395, com exportações GGUF, ONNX e MLX publicadas ao lado do checkpoint nativo. Esse é um modelo que você pode colocar em um laptop, e a Liquid AI também o disponibiliza como um Hugging Face Space com WebGPU que roda em uma aba do navegador.

O Moondream 3 Preview tem uma contagem menor de ativos parâmetros — 2B contra 3,1B — mas a comparação não é simétrica, porque um checkpoint MoE precisa estar totalmente residente mesmo que apenas uma fração dele seja ativada. Os 9B de pesos precisam de um lugar para ficar. A resposta do próprio Moondream para isso é o Photon, seu motor de inferência local, que executa o modelo em GPUs NVIDIA a partir de Ampere e em Macs Apple Silicon. Restrição diferente: o LFM2.5-VL-3B é pequeno o suficiente para caber em qualquer lugar, o Moondream 3 Preview é rápido no sentido de computação, mas grande no sentido de memória.

• Contexto — ambos com 32K tokens. Convergência genuína, e vale a pena notar, dado o salto de dois anos em relação às janelas de 2K da geração anterior do Moondream.

• Idiomas — LFM2.5-VL-3B lista dezesseis: inglês, árabe, chinês, francês, alemão, italiano, japonês, coreano, português, espanhol, vietnamita, tailandês, indonésio, hindi, russo, polonês, e dobrou seu vocabulário para 128.000 para dar suporte a sistemas de escrita não latinos. A ficha do Moondream 3 Preview destaca a capacidade visual em vez de uma lista de idiomas; trate o VQA multilíngue como algo a testar, e não como algo prometido.

• Leitura de documentos — LFM2.5-VL-3B: DocVQA 91,1, ChartQA 81,3, OCRBench v1 84,2, OCRBench v2 English 47,5, MMMU 48,4. Moondream 3 Preview: DocVQA 88,3, ChartQA 86,6, POPE 89,0. Harnesses diferentes, valores relatados pelos fornecedores de ambos os lados.

• O que o LFM2.5-VL-3B diz para você não fazer — a ficha da Liquid AI afirma claramente que ele não é recomendado para tarefas de contexto longo ou que exigem muito raciocínio, como design visual para web ou perguntas técnicas sobre blueprints. Essa frase é mais útil do que a maioria das tabelas de benchmark.

Implantação, e onde um roteador se encaixa

Nenhum desses modelos é disponibilizado por meio do OrcaRouter, e vale dizer isso diretamente em vez de ficar rodeando o assunto: ambos são checkpoints de pesos abertos que você mesmo executa, e o endpoint hospedado do M​oondream 3 Preview — o M​oondream Cloud — será desativado em 13 de novembro de 2026 após a aquisição pela Prime Intellect, com créditos não utilizados reembolsados.

O que isso muda é a forma da decisão. Uma equipe que adota como padrão um VLM auto-hospedado normalmente acaba ficando com um segundo modelo, hospedado, para os casos em que o local tem mau desempenho e, nesse ponto, o trabalho de integração é o problema: dois SDKs, dois esquemas de autenticação, duas políticas de repetição e uma indisponibilidade do fornecedor que se torna a sua indisponibilidade.

Este é o caso para o qual a DSL de roteamento da OrcaRouter foi criada. Você compõe vários modelos em uma única chamada — o modelo local de 3,1B responde ao que puder, um modelo hospedado assume o restante — por trás de uma única chave para mais de 200 modelos, com o preço de lista do provedor repassado sem margem e failover automático quando um upstream se degrada. Como nem o Moondream 3 Preview nem o LFM2.5-VL-3B estão nesse catálogo, a camada de roteamento fica acima deles em vez de substituí-los: é assim que você mantém o caminho local barato sem transformar uma indisponibilidade de fornecedor na sua indisponibilidade.

A bifurcação do licenciamento, que é mais acentuada do que os benchmarks

Duas filosofias de licenciamento diferentes, e a diferença importa mais para uma decisão de produto do que uma diferença de 3 pontos na pontuação.

O M​oondream 3 Preview é distribuído sob a Business Source License 1.1 com uma Concessão Adicional de Uso (No Third-Party Service). O uso interno e em produção, projetos pessoais, pesquisa, benchmarks, fine-tunes, merges, quantizações, deltas de pesos e o uso dentro de um produto que não se sobreponha substancialmente às ofertas pagas do M​oondream são todos permitidos. Vender uma API hospedada que exponha capacidades de visão semelhantes, um "M​oondream-as-a-service" gerido, ou incorporar os pesos num SDK pago que ofereça capacidades comparáveis requer um acordo separado. O M​oondream 3.1 passou para a M​oondream Model License 1.0, que enuncia a mesma regra de forma mais clara: um componente do seu produto é permitido; o acesso ao próprio M​oondream como produto não é. Dispositivos de borda, VPCs controladas pelo cliente e a execução do modelo em GPUs alugadas de cloud ou neocloud estão todos explicitamente do lado permitido.

LFM2.5-VL-3B está sob a própria LFM Open License v1.0 da Liquid AI. Leia-a antes de distribuir, como faria com qualquer licença sob medida, mas as famílias são diferentes em natureza: a restrição da M​oondream tem como alvo um negócio específico — a revenda do modelo — enquanto a da Liquid é uma licença aberta ampla com termos próprios.

Se você é um construtor voltado a um domínio específico, ambas servem, e a questão da licença é uma formalidade. Se o seu negócio estiver em qualquer lugar próximo de "hospedamos modelos de visão para outras pessoas," a licença do M​oondream é a restrição que você lê primeiro, e a do LFM é a que você provavelmente consegue liberar.

Qual escolher

Escolha o M​oondream 3 Preview se a resposta tiver de ser inspecionável. Se uma pessoa revisa a saída, se o rastro precisa mostrar qual parte da imagem motivou a decisão, se detecção e apontamento são o produto principal e não apenas um recurso — esse raciocínio fundamentado é o motivo inteiro de gastar 9B de memória por um modelo de 2B ativos. Reserve orçamento para o Photon ou uma GPU, e planeje considerando o fechamento do endpoint hospedado.

Escolha LFM2.5-VL-3B se o modelo precisar ficar no dispositivo. Se você está entregando para um telefone, um laptop, uma caixa no chão de fábrica ou uma aba do navegador, e a carga de trabalho é de turno único, alto throughput e baixa latência — ler telas, transcrever documentos, detectar objetos em um fluxo — então um modelo denso de 3,1B que responde sem pensar é exatamente o que você quer, e seus 228 tokens por segundo em um M5 Max é o número que decide a questão.

Escolha os dois se tiver orçamento para isso e faça o roteamento entre eles: LFM2.5-VL-3B em todos os quadros, porque é quase gratuito para executar; Moondream 3 Preview nos quadros em que uma resposta fundamentada vale a pena esperar.

O que os números não podem dizer é se algo deu errado em campo: os incidentes de IA documentados e as falhas de agentes envolvendo modelos dessa classe estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.