Moondream 3 vs LFM2.5-VL 3B: En pekar på svaret, en svarar bara

Den mest användbara skillnaden mellan M​oondream 3 Preview och LFM2.5-VL-3B är inte i deras benchmarktabeller. Det är att M​oondream 3 Preview resonerar om en bild genom att peka in i den – dess resonemangsspår är förankrade och refererar till specifika regioner – medan LFM2.5-VL-3B uttryckligen är en icke-resonerande modell som svarar direkt, ett val Liquid AI gjorde för att hålla latensen låg för arbete på enheten. Samma bild in, två helt olika saker kommer ut, och vilken man vill ha beror på om ett nedströms system måste lita på svaret eller bara konsumera det.

Allt annat följer av den förgreningen. M​oondream 3 Preview är en gles mixture-of-experts-modell med totalt 9B parametrar, varav 2B aktiva, släppt den 18 september 2025 av M​oondream, som förvärvades av Prime Intellect i oktober 2026. LFM2.5-VL-3B är en tät 3,1B-modell – en 2,6B språkryggrad med en 400M SigLIP2 NaFlex-visionskodare – som släpptes av Liquid AI den 12 augusti 2026 som en direkt efterträdare till LFM2-VL-3B. Den ena är en specialist som byggdes för att detektera och peka och kan även besvara frågor. Den andra är en generalist som byggdes för att svara och nyligen har lärt sig att peka.

Metrikkollisionen du måste upptäcka först

Ställ de två underlagsiffrorna sida vid sida, så ser jämförelsen ut att vara nästan oavgjord. Så är det inte, eftersom de inte mäter samma sak.

Moondreams lanseringsdiagram anger Moondream 3 Preview till 91,1 på RefCOCO. Liquid AI rapporterar LFM2.5-VL-3B på 87,9 i RefCOCO precision@1. RefCOCO-noggrannhet och RefCOCO precision@1 är olika statistiska mått som beräknas över samma dataset, och en skillnad på 3,2 punkter mellan dem säger ingenting om vilken modell som lokaliserar bättre. Den som staplar de två siffrorna i ett stapeldiagram jämför ett tal med ett tal som definierats annorlunda.

• Moondream 3 Preview-grounding — RefCOCO 91.1, på ett diagram där frontier-baslinjer (GPT-5, Gemini 2.5-Flash, Claude 4 Sonnet) tillfrågades via en mall eftersom de inte har inbyggd grounding, och där vissa preview-poäng kom från ett urval på 100 frågor i stället för hela uppsättningen. Leverantörsrapporterat och, som Moondream själv säger, inte en rättvis kamp.

• LFM2.5-VL-3B grounding – RefCOCO precision@1 87,9, upp från 57,1 på den tidigare LFM2-VL-3B, vilket Liquid tillskriver skalning av syntetisk grounding-data. Leverantörsrapporterat, jämförelse i samma harness mot sin egen föregångare, vilket är den mer meningsfulla axeln.

• Detektering och pekning — M​oondream 3 Preview: inbyggda detekterings- och pekningsfärdigheter, strukturerad koordinatutdata, en del av arkitekturen. LFM2.5-VL-3B: grundning tillagd genom träning, returneras som koordinater på samma sätt, med funktionsanrop också nytt för VL-linjen (ToolSandbox 26,4 till 59,5, BFCL v4 20,5 till 32,5).

Den ärliga tolkningen: Liquid AI har en tydlig före/efter-jämförelse på identiska testriggar och M​oondream har ett diagram över flera modeller med mallrelaterade förbehåll. Ingen av dem ger dig en direkt jämförelse. Om grounding-noggrannhet är den avgörande faktorn i din utvärdering är din egen märkta datamängd det enda instrumentet som kan avgöra det.

Vad grundat resonemang kostar dig

M​oondreams query-färdighet körs i resonemangsläge som standard. Modellen arbetar sig igenom frågan och dess spår refererar till regionerna i bilden som den använder, som du kan granska i playgrounden genom att hålla muspekaren över texten. För allt där en människa måste granska svaret – en defektbedömning på en produktionslinje, en säkerhetsincident, en medicinsk triageflagga – är den egenskapen värd mycket. Det är skillnaden mellan en modell som säger "nej" och en modell som säger "nej, här." p>Kostnaden är tokens. Resonemangsläget genererar ett spår före svaret, och M​oondreams egen dokumentation erbjuder nödutgången: skicka reasoning=False för enkla frågor, eftersom företaget vet att läget inte är gratis. Det är ett verkligt arkitektoniskt erkännande – en välkonstruerad modell skulle inte behöva en flagga för att stänga av tänkandet.

LFM2.5-VL-3B har ingen motsvarighet. Den designades som en icke-resonerande modell, och Liquid AI är öppna med avvägningen: att svara direkt håller latensen låg för realtid och användning på enheten. Det finns inget spår att granska och inget läge att stänga av. I en kassakö där man läser streckkoder, eller en telefon som översätter en meny, är det rätt ingenjörsbeslut och det saknade spåret är inte en defekt.

Så frågan är inte vilket som är bättre. Det är huruvida något nedströms din modell läser resonemanget. Om en människa gör det är M​oondreams förankrade spår den funktion du betalar för. Om bara ett program gör det betalar du för tokens som ingen kommer att läsa.

Där 3.1B faktiskt vinner

Storlekspåståendet för LFM2.5-VL-3B är inte marknadsföring. Den använder under 3,3 GB minne vid 228 tokens per sekund på en Apple M5 Max, och 116 tokens per sekund på en AMD Ryzen AI Max+ 395, med GGUF-, ONNX- och MLX-exporter publicerade tillsammans med den nativa checkpointen. Det är en modell som du kan köra på en bärbar dator, och Liquid AI levererar den även som ett WebGPU Hugging Face Space som körs i en webbläsarflik.

Moondream 3 Preview har ett mindre aktiv parameterantal – 2B mot 3,1B – men jämförelsen är inte symmetrisk, eftersom en MoE-checkpoint måste vara helt resident även om bara en bråkdel av den aktiveras. De 9B vikterna behöver någonstans att vara. Moondreams eget svar på det är Photon, dess lokala inferensmotor, som kör modellen på NVIDIA-GPU:er från Ampere och framåt och på Apple Silicon-Macar. Annan begränsning: LFM2.5-VL-3B är tillräckligt litet för att få plats var som helst, Moondream 3 Preview är snabbt i beräkningshänseende men stort i minneshänseende.

• Kontext — båda 32K tokens. Äkta konvergens, och värt att notera med tanke på tvåårshoppet från 2K-fönstren i den tidigare M​oondream-generationen.

• Språk — LFM2.5-VL-3B listar sexton: engelska, arabiska, kinesiska, franska, tyska, italienska, japanska, koreanska, portugisiska, spanska, vietnamesiska, thailändska, indonesiska, hindi, ryska, polska, och fördubblade sin vokabulär till 128 000 för att stödja icke-latinska skrifter. M​oondream 3 Previews modellkort framhäver visuell förmåga snarare än en språklista; se flerspråkig VQA som något att testa snarare än något som utlovats.

• Dokumentläsning — LFM2.5-VL-3B: DocVQA 91,1, ChartQA 81,3, OCRBench v1 84,2, OCRBench v2 English 47,5, MMMU 48,4. M​oondream 3 Preview: DocVQA 88,3, ChartQA 86,6, POPE 89,0. Olika testramverk, leverantörsrapporterade på båda sidor.

• Vad LFM2.5-VL-3B säger åt dig att inte göra – Liquid AIs kort säger klart och tydligt att den inte rekommenderas för långkontext- eller resonemangstunga uppgifter som visuell webbdesign eller tekniska frågor om ritningar. Den meningen är mer användbar än de flesta benchmarktabeller.

Distribution, och var en router passar in

Ingen av dessa modeller serveras via OrcaRouter, och det är värt att säga det rakt ut i stället för att dansa runt det: båda är checkpoints med öppna vikter som du kör själv, och M​oondream 3 Previews hostade slutpunkt – M​oondream Cloud – stängs den 13 november 2026 efter Prime Intellects förvärv, med outnyttjade krediter återbetalda.

Det som förändras är beslutets form. Ett team som standardiserar på en självhostad VLM hamnar oftast med en andra, hostad modell för de fall där den lokala hanterar dåligt, och vid det laget är integrationsarbetet problemet: två SDK:er, två autentiseringsscheman, två återförsökspolicyer och ett leverantörsavbrott som blir ert avbrott.

Det här är fallet som OrcaRouters routing-DSL är byggt för. Du komponerar flera modeller till ett enda anrop – den lokala 3,1B-modellen svarar på det den kan, en hostad modell tar resten – bakom en enda nyckel för fler än 200 modeller, med leverantörernas listpris vidarebefordrat utan påslag och automatisk redundansväxling när en uppström försämras. Eftersom varken M​oondream 3 Preview eller LFM2.5-VL-3B finns i den katalogen ligger routningslagret ovanpå dem i stället för att ersätta dem: det är så du håller den billiga lokala vägen billig utan att göra en leverantörsstörning till din störning.

Licensgaffeln, som är vassare än riktmärkena

Två olika licensfilosofier, och skillnaden spelar större roll för ett produktbeslut än en poängskillnad på 3 poäng.

Moondream 3 Preview levereras under Business Source License 1.1 med ett Additional Use Grant (No Third-Party Service). Intern och produktionsanvändning, personliga projekt, forskning, benchmarks, finjusteringar, sammanslagningar, kvantiseringar, viktdeltan och användning i en produkt som inte väsentligt överlappar Moondreams betalda erbjudanden är alla tillåtna. Att sälja ett hostat API som exponerar liknande visionskapaciteter, en hanterad "Moondream-as-a-service", eller att bädda in vikterna i ett betalt SDK som levererar jämförbara kapaciteter kräver ett separat avtal. Moondream 3.1 övergick till Moondream Model License 1.0, som anger samma regel på ett tydligare sätt: att vara en komponent i din produkt är tillåtet, men åtkomst till Moondream självt som produkten är inte det. Edge-enheter, kundstyrda VPC:er och att köra modellen på leasade cloud- eller neocloud-GPU:er är alla uttryckligen på den tillåtna sidan.

LFM2.5-VL-3B omfattas av Liquid AI:s egen LFM Open License v1.0. Läs den innan du släpper, precis som du skulle göra med vilken skräddarsydd licens som helst, men familjerna är väsensskilda: Moondreams begränsning riktar sig mot en specifik affärsverksamhet – vidareförsäljning av modellen – medan Liquid AI:s är en bred öppen licens med sina egna villkor.

Om du är en domänspecifik byggare är båda okej och licensfrågan en formalitet. Om din verksamhet ens är i närheten av "vi hostar visionsmodeller åt andra", är Moondreams licens den begränsning du läser först, och LFM:s är den du förmodligen får klartecken för.

Vilken ska man välja?

Välj M​oondream 3 Preview om svaret måste vara granskningsbart. Om en människa granskar utdata, om spårningen behöver visa vilken del av bilden som drev beslutet, om detektion och pekning är den primära produkten snarare än en funktion – då är det grundade resonemanget hela anledningen till att betala 9B minne för en modell med 2B aktiva parametrar. Budgetera för Photon eller en GPU, och planera för att den hostade slutpunkten stängs.

Välj LFM2.5-VL-3B om modellen måste ligga på enheten. Om du distribuerar till en telefon, en laptop, en box på fabriksgolvet eller en webbläsarflik, och arbetsbelastningen består av en enda tur med hög genomströmning och låg latens – att läsa skärmar, transkribera dokument, upptäcka objekt i en ström – då är en tät 3,1B-modell som svarar utan att tänka precis vad du vill ha, och dess 228 tokens per sekund på en M5 Max är siffran som avgör det.

Välj båda om du har budget för det, och routa mellan dem: LFM2.5-VL-3B på varje bildruta eftersom det är nästan gratis att köra, Moondream 3 Preview på de bildrutor där ett förankrat svar är värt att vänta på.

Vad siffrorna inte kan berätta för dig är huruvida något av det har gått fel i fält: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.