LFM3-Omni-2B против Moondream 3: один общий бенчмарк, две разные задачи

Поставьте LFM3-Omni-2B и Moondream 3 рядом — и их спецификации выглядят как у близнецов. Обе — небольшие мультимодальные модели, нацеленные на телефоны, ноутбуки, камеры и роботов. У обеих контекст 32K. Обе задействуют примерно два миллиарда параметров на каждый токен. Обе поставляются с открытыми весами, которые можно скачать уже сегодня. Поищите их прямое сравнение — и не найдёте ничего, и именно поэтому их так часто ставят в пару.

Затем вы внимательно читаете две карточки моделей — и сходство рассыпается так, что это легко проверить. Единственный бенчмарк, который указан в обеих карточках, — DocVQA: LFM3-Omni-2B набирает там 92.47, а Moondream 3.1 9B A2B — 88.6. Все остальные измеряемые ими показатели не пересекаются. Одна модель возвращает произнесённые предложения. Другая возвращает bounding boxes. Это не два ответа на один и тот же вопрос.

Замечание о названиях, потому что в каталоге легко запутаться. Moondream 3 Preview вышел 18 сентября 2025 года, а Moondream 3.1 9B A2B — 7 июля 2026 года; все цифры Moondream в этом материале взяты из карточки 3.1, то есть из того чекпоинта, который можно скачать. LFM3-Omni-2B был опубликован 27 октября 2026 года как одна из шести моделей семейства LFM3 от Liquid AI. Обе модели совершенно новые в единственном важном здесь смысле: ни одну из них не оценивал никто за пределами компании, которая её создала.

Что на самом деле возвращает каждая модель

Самое глубокое различие — не количество параметров. Это контракт вывода.

Moondream 3.1 предоставляет пять навыков с фиксированной структурой: query, caption, detect, point и segment. Детекция возвращает не более 200 рамок, point — не более 64 точек, сегментация — не более 50 масок COCO-RLE, все в нормализованных координатах 0–1 в формате JSON. Это инструмент пространственных измерений с узким, предсказуемым интерфейсом. Вы можете передавать его вывод напрямую в UI-автоматизатор или планировщик робота без слоя разбора с помощью LLM, поскольку вывод уже структурирован.

У LFM3-Omni-2B нет такого контракта. Она принимает текст, изображения, видео со звуковой дорожкой или без неё и аудио 16 кГц, а генерирует текст, речь 24 кГц или и то и другое с чередованием. Пути вывода координат нет. Если вам нужно получить из неё местоположение, вы спрашиваете обычным текстом и разбираете ответ — это другой класс надёжности по сравнению со схемой, которая гарантирует рамку.

Эта единственная разница решает судьбу большего числа внедрений, чем любая строка бенчмарка. Замена одного ID модели на другой — это не миграция. Это переписывание всего, что потребляет ответ.

Сравнение технических характеристик

• Параметры — 2,17 млрд суммарно у LFM3-Omni-2B, все они постоянно находятся в памяти и задействованы в вычислениях, против 9,0 млрд суммарно у Moondream 3.1 при 2,0 млрд активных на токен.

• Память в простое — около 4,4 ГБ в BF16 по расчёту на 2,17 млрд параметров против примерно 18 ГБ в FP16, около 6 ГБ в community-варианте INT4 и минимальные 10 ГБ для NVIDIA в поставляемой сборке fp8.

• Входные данные — текст, изображения, видео с частотой 2 кадра/с со звуком или без него, а также речь с частотой 16 кГц по сравнению с только изображениями и текстом.

• Выходные данные — текст, речь 24 кГц или чередование с текстом, JSON, нормализованные координаты и маски.

• Контекст — 32,768 токенов с учётом входных и выходных данных против 32,768 текстовых токенов плюс до 12 фрагментов изображения, около 2,304 визуальных токенов.

• Бюджет для изображений — до 2 048 токенов на изображение в исходном разрешении против адаптивного разбиения на тайлы до 12 фрагментов при 384–1024 px.

• Лицензия — LFM Open License v1.0: коммерческое использование разрешено только при годовой выручке ниже $10 млн, в отличие от Moondream Model License 1.0 — коммерческое использование при любом размере, но без универсального хостингового сервиса.

• Опубликовано — 27 октября 2026 г. против 7 июля 2026 г., причём ветка 3 Preview датируется 18 сентября 2025 г.

Строку про память обычно пропускают, но на edge-устройстве именно она и решает всё. 2B активных параметров Moondream делают его таким же дешёвым в расчёте на токен, как LFM3-Omni-2B, но 9B общих параметров делают его до четырёх раз больше по памяти при той же точности. Активные параметры определяют вычисления. Общие параметры определяют, влезет ли модель вообще. Модель, которая работает с той же скоростью, но требует 18 ГБ, не конкурирует за тот же аппаратный слот, что и модель, помещающаяся в 4.4 ГБ.

Единственный показатель, который приводят оба

DocVQA — это ответы на вопросы по документам, оценка ведётся по ANLS, и в двух карточках моделей указано 92,47 для LFM3-Omni-2B против 88,6 для Moondream 3.1. Omni-модель опережает на 3,87 балла на собственной территории специалиста по зрению.

Этот результат следует воспринимать с тремя оговорками, и все они принципиальны. Обе цифры самостоятельно сообщены лабораториями, создавшими модели. Ни одна из лабораторий не опубликовала свою среду оценки, формат промптов или принцип отбора выборки. А разрыв в 3,87 балла на бенчмарке с таким большим разбросом между средами оценки носит скорее ориентировочный, чем решающий характер. Что действительно устанавливает эта строка, так это более узкий, но всё же полезный факт: LFM3-Omni-2B не разваливается на плотном тексте документов — задаче, на которой, как можно было бы ожидать, проиграет any-to-any модель с 2,17 млрд параметров.

Не распространяйте ту же трактовку на граундинг. LFM3-Omni-2B сообщает RefCOCO 73,55, а Moondream 3.1 сообщает RefCOCO-M 87,1, и это не одно и то же измерение. В карточке Liquid отмечено, что рамки считываются в родном формате координат каждой модели; Moondream сообщает F1 при пороге IoU 0,5. Если вычесть одно из другого, получится число, которое ничего не значит. Честнее сказать так: карточка Moondream построена вокруг граундинга, а в карточке Liquid он рассматривается как одна строка из семнадцати.

Где Moondream 3 не дотягивает

Часть этого — вопрос выбора при отчётности, а не пробел в возможностях, и стоит точно определить, что именно к чему относится. Omni-модель с 2.17B параметров почти наверняка сможет найти примерную область, если спросить её словами. Чего она не может — вернуть 200 рамок в заданной схеме с ограниченной частотой ошибок, потому что ни её обучение, ни формат вывода не были для этого созданы. Весь продукт Moondream — это гарантия того, что координаты возвращаются в пригодном для разбора виде. Именно эту гарантию вы и покупаете, и ни одна строка бенчмарка от другой лаборатории её не измеряет.

Та же логика работает в обратном направлении для задержки. Moondream поставляет Photon — движок вывода, который компилирует модель в единую программу для GPU, и поставщик заявляет около 34 запросов в секунду при размере пакета 16 на H100 с P50 59 мс. Это цифры поставщика, не воспроизведённые, но инженерия за ними специфична для одной модели. У LFM3-Omni-2B пока нет сопоставимого решения для сервинга.

Где LFM3-Omni-2B не близок

У Moondream 3.1 нет аудиотракта. Не более слабого — никакого. На вход подаются изображение и текст, и всё. Поэтому каждая аудиострока в карточке Liquid бесспорна: доля ошибок в словах для английского ASR — 6,36, для многоязычного ASR — 6,72, UTMOSv2 для английского TTS — 3,80, VoiceBench — 64,73, MMAR — 51,40 и внутренняя оценка вызова инструментов — 52,20.

Цифры для видео со звуковой дорожкой стоит выделить особо, потому что именно ради них модель и существует. Daily-Omni 70.09, WorldSense 47.10, AV-SpeakerBench 46.79 — все измерены на видео с аудиодорожкой, точность при выборе из нескольких вариантов, все данные заявлены самими разработчиками. Liquid утверждает, что эти показатели превосходят Qwen2.5-Omni-7B и модели с числом параметров до 10.7B, и по собственной таблице Liquid это так: Qwen2.5-Omni-7B набирает 61.32, 45.37 и 43.24 в тех же трёх строках.

Одна деталь на той карточке заслуживает большего внимания, чем ей уделили. Liquid сообщает одни и те же результаты по визуальным бенчмаркам дважды — один раз с набранным вопросом, другой раз с произнесённым вслух. RealWorldQA падает с 66,54 до 64,68, MMStar — с 55,67 до 51,79, POPE — с 89,34 до 83,78. Прогон вопроса через аудиокодер стоит от двух до шести пунктов в зависимости от задачи. Это цена речевого пути, прямо названная, и это более полезная цифра, чем любой отдельный заголовочный результат.

Что случится с Moondream 3 13 ноября?

Это та часть сравнения, у которой есть крайний срок. Prime Intellect объявила о приобретении Moondream 13 октября 2026 года, а Moondream подтвердила это 14 октября. В публикации говорится, что 13 ноября 2026 года, через тридцать дней после объявления, Moondream Cloud — как хостинговый инференс, так и продукт для тонкой настройки Lens — прекращает работу. Неиспользованные купленные кредиты возвращаются, а клиентов направляют на собственную платформу инференса приобретателя.

Далее следуют три момента, и только первый не вызывает тревоги. Открытые веса сохраняются, а лицензия не меняется, поэтому самостоятельный хостинг не затрагивается. Photon работает локально бесплатно на версии 1.3.0 и более поздних без API-ключа. А вот Lens в целости не сохраняется: дообученные чекпоинты и LoRA хранятся на стороне сервера, и документированного способа экспорта нет. Если ваш продукт зависит от дообучения в Lens, миграция — это не просто изменение конфигурации, и шестнадцати дней слишком мало, чтобы это обнаружить.

Есть ещё одна мелкая странность, о которой стоит предупредить всех, кто на этой неделе проверяет источники. На странице цен Moondream по-прежнему перечислены тарифы Cloud, ставки за токен и тариф Team за $350 в месяц, и ничего не сказано о закрытии. Объявление размещено на другой странице. Читатель, который 28 октября проверит только страницу цен, не узнает, что сервис прекратит работу через шестнадцать дней.

Сколько стоит эксплуатация каждого из них

Moondream публикует тарифы на токены: $0,30 за миллион входных токенов и $1,00 за миллион выходных на тарифе реального времени, со снижением вдвое до $0,15 и $0,50 при пакетной обработке. LFM3-Omni-2B вообще не публикует тариф на хостинг. Liquid заявляет, что это семейство доступно в её Playground и API, но в анонсе запуска цена не указана, и в карточке модели цена не указана. Эта асимметрия и есть суть истории о затратах.

Прогоните расчёт Moondream на реалистичном вызове. Одно изображение стоит до 2 304 vision-токенов при полном тайлинге; добавьте промпт из 50 токенов и 100 выходных токенов, и один вызов — это 2 354 входных токена и 100 выходных токенов, или около $0,0008. При 10 000 вызовов в день это примерно $8 в день, или $242 в месяц, а на batch-тарифе — около $121 в месяц. Дёшево ли это, полностью зависит от того, сколько вы иначе потратили бы на оборудование, и именно это сравнение LFM3-Omni-2B заставляет вас провести, потому что он не даёт вам цифры за токен, с которой можно было бы его сопоставить.

На вашем собственном оборудовании арифметика меняется на противоположную. LFM3-Omni-2B — это около 4,4 ГБ весов в BF16 до активаций, аудиодекодера и KV-кэша; расчёт по числу параметров, а не измеренный объём, поскольку карта не публикует данные о памяти. Moondream 3.1 требует видеокарту NVIDIA на 10 ГБ для поставляемой сборки или около 6 ГБ с общественной INT4-квантизацией. Одна модель работает на телефоне. Другая — на Jetson Orin или мощнее.

OrcaRouter заслуживает здесь лишь одного предложения, и только потому, что честная версия узка: ни LFM3-Omni-2B, ни Moondream 3 нет в нашем каталоге, и ничто в этой статье не утверждает, что мы предоставляем доступ к любому из них. Что мы действительно маршрутизируем, так это хостинговый тариф визуальных моделей — например, Qwen3-VL-8B — с ценой провайдера по прайс-листу, передаваемой с наценкой 0% и автоматическим переключением при сбое между апстримами. Если приведённые выше расчёты для самостоятельного размещения — это то, что заставляет вас колебаться, то это тот вариант, который сравнение оставляет за скобками, и это другая покупка, а не лучшая.

Лицензия может принять решение раньше, чем это сделает бенчмарк.

Эти две лицензии ограничивают разные вещи, и какая из них вас заденет, зависит от того, как выглядит ваша компания.

LFM Open License v1.0 устанавливает порог годовой выручки в $10,000,000. Ниже него коммерческое использование лицензируется напрямую. Выше него в разделе 5 прямо указано, что коммерческое использование произведения или производного произведения по соглашению вообще не лицензируется. Таким образом, стартап может бесплатно создать продукт на основе LFM3-Omni-2B, а компания, превысившая порог, не может сделать этого без отдельной сделки — независимо от того, насколько хороша модель.

Лицензия на модель Moondream 1.0 не устанавливает порог по выручке. Она разрешает коммерческое использование любого масштаба, самостоятельный хостинг, дообучение, квантование и распространение, а также запрещает один конкретный вид деятельности: предоставление универсального хостингового сервиса для модели или производной модели без отдельной письменной коммерческой лицензии. Встраивание Moondream в более узкий продукт разрешено. Перепродажа универсального инференса на её основе — нет.

Если читать их вместе, эти два документа почти дополняют друг друга. Liquid ставит условия в зависимости от того, кто вы; Moondream — в зависимости от того, что вы продаёте. Крупная компания, планирующая продукт на основе хостингового инференса, блокируется обоими — но по-разному.

Кто должен выбирать

Выбирайте Moondream 3.1, если продукту нужны координаты. Автоматизация экрана, робототехника, аудит розничных полок, подсчёт — всё, где ответом является рамка, точка или маска, а следующая система потребляет его программно. Общий объём 9B — это цена такой гарантии, и если вы развёртываетесь на оборудовании класса Jetson, эту цену вы можете себе позволить. Планируйте миграцию хостинга уже сейчас, а не в ноябре.

Выбирайте LFM3-Omni-2B, если продукт предполагает, что человек разговаривает с устройством, или устройство, которое должно слышать помещение. Киоск, который отвечает вслух, полевой инструмент, когда руки заняты, камера, которая должна понимать видео вместе со звуковой дорожкой, единая контрольная точка, заменяющая модель ASR плюс VLM плюс модель TTS. Оценки зрения приличные, но не выдающиеся, инструментарий существует всего день, и именно речевой тракт — причина принять и то, и другое.

Не выбирайте ни то, ни другое — но только если решение критически важно. Здесь ничего не было независимо оценено. Инструментарий LFM3-Omni-2B развивается быстро — в библиотеке Ollama есть запись объёмом 2,4 ГБ, а llama.cpp добавил поддержку 27 октября, в тот же день, когда появились веса, — но текущая запись в Ollama расходится с карточкой модели в двух заметных моментах: там указан контекст 125K и «Текст, изображение» в качестве поддерживаемых входов, тогда как карточка заявляет 32K и четыре модальности. Это запись, которая ещё не обновилась, а не дефект модели, и такое обычно исправляют за неделю. И это также не то, что стоит запускать в продакшен на этой неделе.

Что могло бы это изменить?

Две вещи. Независимая оценка LFM3-Omni-2B на аудиовизуальных строках позволила бы выяснить, сохранится ли 70.09 на Daily-Omni в тестовом стенде, который модель не выбирала, и именно на этом единственном числе держится весь аргумент в пользу omni. А история про обслуживание речевой ветви — карточка модели подробно описывает генерацию текста и гораздо меньше говорит о том, как аудиодекодер обслуживается в масштабе — сказала бы вам, выдерживает ли тезис «одна модель заменяет четыре» столкновение с боевым развёртыванием.

До тех пор сравнение имеет чёткую форму. Moondream 3 измеряет мир и выдаёт вам числа. LFM3-Omni-2B слушает его и отвечает. Единственный бенчмарк, который у них общий, — тест на чтение документов, и omni-модель выигрывает его менее чем на четыре балла. Это не соперничество. Это напоминание о том, что «2B multimodal» описывает бюджет памяти, а не задачу.