LFM3-Omni-2B vs LFM2.5-VL-3B: Efterföljaren som ser mindre

Liquid AIs nyaste multimodala modell är sämre på att se än modellen den ersatte. På RealWorldQA LFM3-Omni-2B får 66,68 och LFM2.5-VL-3B får 73,1. På MMStar är det 55,67 mot 63,3. På RefCOCO för pekning med hänvisningsuttryck är det 73,55 mot 87,9. På MMBench, 73,68 mot 81,0. Fyra av de fem benchmarks som båda modellerna rapporterar resultat för gynnar den äldre, större checkpointen med enbart vision, och gapet är inte brus – det ligger mellan sju och fjorton poäng beroende på rad. Routning mellan två modeller bör inte lägga till någon plattformsavgift. 0 % påslag Leverantörernas listpriser förs vidare oförändrade.

Det är ingen skandal. Det är vad som händer när man ber ett mindre nätverk att utföra fler uppgifter samtidigt, och det är det enskilt mest användbara faktumet för den som ska välja mellan dessa två checkpoints. LFM3-Omni-2B är inte uppgraderingsvägen för en visionsprodukt. Det är en annan produkt som råkar dela ett familjenamn.

Två modeller som utför olika uppgifter

Förvirringen är förståelig, eftersom de två modellerna ser ut som på varandra följande generationer av samma idé. Båda kommer från Liquid AI, båda är byggda för distribution på enheten, båda är icke-resonerande, båda ärver LFM Open License v1.0 och båda ligger på ungefär samma minnesbudget. LFM2.5-VL-3B lanserades den 12 augusti 2026 som en specialist på vision och språk: en textryggrad på 2,6B parad med en 400M SigLIP2 NaFlex-kodare, cirka 3,1B parametrar totalt.

LFM3-Omni-2B, publicerad den 27 oktober 2026, är en any-to-any-modell. Den tar text, bilder, video med eller utan ljudspår och 16 kHz-ljud, och den returnerar text, 24 kHz-tal eller båda. Datorseende är en av fyra indatavägar snarare än hela uppgiften. Parameterbudgeten gick från 3,1B till 2,17B medan antalet uppgifter gick från en till fyra, och det är i datorseendepoängen som den aritmetiken syns.

• Parametrar — 2,17B dense för LFM3-Omni-2B jämfört med cirka 3,1B för LFM2.5-VL-3B, varav 400M är visionskodaren.

• Indata — text, bild, video och 16 kHz-ljud jämfört med text, bild och video.

• Utdata — text och 24 kHz-tal jämfört med enbart text.

• Kontext — 32 768 token mot 32 768 token. Identiska, och båda räknar in indata plus utdata.

• Visuell budget — 2 048 visuella tokens per bild, nativ upplösning kontra 512-pixelspatchar i nativ upplösning med en sökväg till miniatyrbild.

• Positionering — en omni-ersättning för en pipeline med fyra modeller kontra en dedikerad VLM för OCR, UI-förståelse och visuellt frågebesvarande.

• Licens — LFM Open License v1.0 i båda fallen, inklusive intäktsgränsen som styr kommersiell användning.

Där siffrorna faktiskt överlappar varandra

Benchmarkjämförelser mellan modeller från olika labb är vanligtvis ohederliga, eftersom testramverken skiljer sig. Den här är renare än de flesta: båda checkpoints utvärderades av samma företag, i samma icke-resonerande läge, och båda rapporterar fem av samma datamängder. Det gör inte siffrorna oberoende — det är de inte — men det gör dem jämförbara med varandra på ett sätt som tabeller mellan labb sällan är.

• RealWorldQA — 66,68 för LFM3-Omni-2B mot 73,1 för LFM2.5-VL-3B. En minskning med 6,4 punkter på frågor om vardagsscener.

• MMStar — 55,67 vs 63,3. En minskning med 7,6 punkter på ett benchmark som är utformat för att motstå datakontaminering.

• MMBench — 73,68 vs 81,0. Ett tapp på 7,3 punkter i bred multimodal förmåga.

• RefCOCO-pekning — 73,55 mot 87,9. Ett tapp på 14,4 punkter, den största skillnaden i uppsättningen, i uppgiften att lokalisera ett namngivet objekt i en bild.

• DocVQA — 92,47 mot 91,1. Undantaget: LFM3-Omni-2B ligger 1,4 poäng före när det gäller dokumentfrågor.

DocVQA-resultatet är det som hindrar detta från att bli en enkel historia om att "den nya modellen är sämre". Dokumenttext är uppgiften där en enhetlig modells förmåga att läsa en sida i hög upplösning och resonera kring den i ett enda pass kan slå en pipeline – och det är också uppgiften där Liquids gräns på 2 048 token per bild borde skada mest. Att omni-modellen ändå vinner där tyder på att försämringen av synförmågan inte är enhetlig över uppgifter. Den är koncentrerad till spatiala och refererande uppgifter, vilket är precis där man skulle förvänta sig att en modell med mindre dedikerad visuell kapacitet får svårt.

Vad de extra modaliteterna kostar

Ljudvägen är inte gratis, och kortet är ovanligt tydligt med var kostnaden landar. 32K-kontexten delas mellan alla modaliteter: en video vid 2 bildrutor per sekund i 384 bildrutor förbrukar större delen av fönstret innan du ens har ställt en fråga. Bilder begränsas till 2 048 visuella tokens var, vilket ungefär är upplösningstaket för att läsa tät text i ett fotografi. Den enbart visuella modellen har samma 32K-kontext men behöver inte lägga någon av den på ljud.

Talutmatning tillför en andra aspekt som inte har något med benchmarks att göra. LiquidCodec omvandlar genererade tokens till 24 kHz-ljud snabbare än realtid, vilket är det som gör strömmade talade svar möjliga. Men modellkortet dokumenterar SGLang-servering endast för textutmatning och beskriver inte hur talgrenen serveras. Om du behöver talade svar från din egen infrastruktur saknas referensimplementeringen för den halvan av modellen. Jämför det med LFM2.5-VL-3B, som har ett års verktyg bakom sig – GGUF, MLX, vLLM, SGLang, ONNX och rapporter om 228 tokens per sekund på en M5 Max med under 3,3 GB minne.

Mognad är inte en rad i ett benchmark, men den avgör driftsättningar. En modell som körs överallt idag slår en modell som körs på en enda väg imorgon, om inte den extra modaliteten är anledningen till att du är där.

Hur man väljer

Om jobbet går ut på att läsa skärmbilder, tolka dokument, peka på objekt eller svara på frågor om en kameraström är LFM2.5-VL-3B den bättre modellen, och det är inte ens nära på de rader som spelar roll. Särskilt gapet på 14 punkter i RefCOCO bör avsluta diskussionen för alla användningsfall inom robotik eller UI-automatisering. Att vara 3,1 miljarder parametrar skadar inte när alternativet är en modell på 2,17 miljarder parametrar som lägger en tredjedel av sin kapacitet på öron och en mun.

Om arbetet innebär att en person talar till en enhet och att enheten talar tillbaka – en kiosk, en telefonassistent, ett fältverktyg där händerna är upptagna – gör LFM3-Omni-2B något som LFM2.5-VL-3B inte kan göra oavsett antal parametrar. Du väljer inte en sämre visionsmodell; du väljer att slå ihop fyra modeller till en och accepterar visionsregressionen som priset för sammanslagningen.

Det finns ett tredje alternativ som benchmarktabellen gör uppenbart: kör båda. En visionsspecialist för bildrutorna, en omni-modell för konversationen. Det är två checkpoints och cirka 7,4 GB i BF16, vilket fortfarande ryms inom minnet hos en enda mellanklass-GPU. OrcaRouters routing-DSL finns till just för den här sammansättningen — en slutpunkt, regler som skickar en bild-och-text-förfrågan till specialisten och en talad förfrågan till omni-modellen, med automatiskt failover om någon av vägarna misslyckas. Ingen av checkpointsarna finns i vår katalog i dag, så det är ett mönster snarare än ett löfte; poängen är att frågan "vilken modell" har ett tredje svar som ingen av leverantörernas lanseringsinlägg nämner.

Domen

LFM3-Omni-2B är en äkta ingenjörsprestation med 2,17B parametrar, och en dålig ersättare för LFM2.5-VL-3B i alla applikationer som i första hand är visuella. Ett ärligt sätt att tolka paret är som en förgrening i Liquids egen produktlinje: en gren optimerar för att se, den andra för att delta i en konversation. Familjenamnet och den delade licensen får dem att se ut som en sekvens. Benchmarktabellen säger att de är syskon, och det äldre syskonet är bättre på det det byggdes för.

Det som skulle förändra den bedömningen är en oberoende utvärdering, eftersom hela jämförelsen ovan vilar på siffror som Liquid tagit fram om sina egna två modeller. Det är möjligt att omni-modellen utvärderades på svårare varianter av dessa datamängder, eller i ett läge som missgynnar den. Inget i kortet tyder på det, och den konsekventa riktningen i fyra av fem rader talar emot det. Tills någon utanför företaget reproducerar någon av tabellerna är den säkraste tolkningen också den enklaste: specialisten ser bättre, och omni-modellen hör.