LFM3-Omni-2B vs LFM2.5-VL-3B: รุ่นสืบทอดที่มองเห็นได้น้อยลง

โมเดลมัลติโมดัลรุ่นใหม่ล่าสุดของ Liquid AI มองภาพได้แย่กว่ารุ่นที่มันแทนที่ บน RealWorldQA LFM3-Omni-2B ได้คะแนน 66.68 และ LFM2.5-VL-3B ได้คะแนน 73.1 บน MMStar ได้ 55.67 เทียบกับ 63.3 บน RefCOCO การชี้ตามวลีอ้างอิงได้ 73.55 เทียบกับ 87.9 บน MMBench ได้ 73.68 เทียบกับ 81.0 ในห้าเบนช์มาร์กที่ทั้งสองโมเดลรายงานร่วมกัน มีสี่ตัวที่สนับสนุนเช็กพอยต์รุ่นเก่ากว่า ใหญ่กว่า และใช้เฉพาะวิสชัน และช่องว่างไม่ใช่สัญญาณรบกวน — อยู่ระหว่างเจ็ดถึงสิบสี่จุดขึ้นอยู่กับแถว การกำหนดเส้นทางระหว่างสองโมเดลไม่ควรเพิ่มค่าธรรมเนียมแพลตฟอร์ม มาร์กอัป 0% ราคาตามรายการของผู้ให้บริการส่งผ่านโดยไม่เปลี่ยนแปลง

นั่นไม่ใช่เรื่องอื้อฉาว มันคือสิ่งที่เกิดขึ้นเมื่อคุณขอให้เครือข่ายที่เล็กกว่าทำงานหลายอย่างพร้อมกัน และมันเป็นข้อเท็จจริงที่มีประโยชน์ที่สุดเพียงข้อเดียวสำหรับใครก็ตามที่กำลังตัดสินใจเลือกระหว่างเช็กพอยต์ทั้งสองนี้ LFM3-Omni-2B ไม่ใช่เส้นทางการอัปเกรดสำหรับผลิตภัณฑ์ด้านวิชัน มันเป็นผลิตภัณฑ์ที่แตกต่างออกไปซึ่งบังเอิญมีชื่อตระกูลเดียวกัน

สองโมเดลที่ทำงานต่างกัน

ความสับสนนี้เป็นเรื่องที่เข้าใจได้ เพราะโมเดลทั้งสองดูเหมือนเป็นรุ่นต่อเนื่องกันของแนวคิดเดียวกัน ทั้งคู่มาจาก Liquid AI ทั้งคู่ถูกสร้างขึ้นสำหรับการติดตั้งบนอุปกรณ์ ทั้งคู่ไม่ใช่โมเดลแบบ reasoning ทั้งคู่สืบทอด LFM Open License v1.0 และทั้งคู่ถูกวางตำแหน่งไว้ที่งบประมาณหน่วยความจำใกล้เคียงกันโดยประมาณ LFM2.5-VL-3B เปิดตัวเมื่อวันที่ 12 สิงหาคม 2026 ในฐานะผู้เชี่ยวชาญด้าน vision-language: แกนข้อความขนาด 2.6B ที่จับคู่กับตัวเข้ารหัส SigLIP2 NaFlex ขนาด 400M รวมพารามิเตอร์ประมาณ 3.1B

LFM3-Omni-2B ซึ่งเผยแพร่เมื่อวันที่ 27 ตุลาคม 2026 เป็นโมเดลแบบ any-to-any โดยรับข้อความ ภาพ วิดีโอที่มีหรือไม่มีแทร็กเสียง และเสียง 16 kHz แล้วส่งคืนข้อความ เสียงพูด 24 kHz หรือทั้งสองอย่าง วิสัยทัศน์เป็นเพียงหนึ่งในสี่เส้นทางอินพุต ไม่ใช่ภาระงานทั้งหมด จำนวนพารามิเตอร์ลดจาก 3.1B เหลือ 2.17B ขณะที่จำนวนงานเพิ่มจากหนึ่งเป็นสี่ และคะแนนด้านวิสัยทัศน์คือจุดที่การเปลี่ยนแปลงเชิงตัวเลขนี้สะท้อนออกมา

• พารามิเตอร์ — 2.17B แบบ dense สำหรับ LFM3-Omni-2B เทียบกับประมาณ 3.1B สำหรับ LFM2.5-VL-3B โดย 400M เป็นตัวเข้ารหัสภาพ

• อินพุต — ข้อความ รูปภาพ วิดีโอ และเสียง 16 kHz เทียบกับข้อความ รูปภาพ และวิดีโอ

• เอาต์พุต — ข้อความและเสียงพูด 24 kHz เทียบกับข้อความเท่านั้น

• บริบท — 32,768 โทเค็น เทียบกับ 32,768 โทเค็น เท่ากันทุกประการ และทั้งคู่ให้นับรวมทั้งอินพุตและเอาต์พุต

• งบประมาณด้านการมองเห็น — 2,048 โทเค็นภาพต่อภาพ ความละเอียดเนทีฟเทียบกับแพตช์ 512 พิกเซลที่ความละเอียดเนทีฟพร้อมพาธภาพย่อ

• การวางตำแหน่ง — ตัวแทนแบบ omni ที่ใช้แทนไปป์ไลน์สี่โมเดล เทียบกับ VLM เฉพาะทางสำหรับ OCR การทำความเข้าใจ UI และการตอบคำถามจากภาพ

• สัญญาอนุญาต — LFM Open License v1.0 ในทั้งสองกรณี รวมถึงเกณฑ์รายได้ที่กำกับการใช้งานเชิงพาณิชย์

ที่ซึ่งตัวเลขทับซ้อนกันจริง ๆ

การเปรียบเทียบเบนช์มาร์กระหว่างโมเดลจากแล็บที่ต่างกันมักไม่ซื่อสัตย์ เพราะฮาร์เนสที่ใช้แตกต่างกัน การเปรียบเทียบนี้สะอาดกว่าที่พบส่วนใหญ่: เช็กพอยต์ทั้งสองถูกประเมินโดยบริษัทเดียวกัน ในโหมดไม่ใช้การให้เหตุผลแบบเดียวกัน และทั้งคู่รายงานชุดข้อมูลเดียวกันห้าชุด สิ่งนี้ไม่ได้ทำให้ตัวเลขเป็นอิสระจากกัน — พวกมันไม่เป็นอิสระ — แต่ทำให้ตัวเลขเปรียบเทียบกันได้ในแบบที่ตารางข้ามแล็บแทบจะไม่เคยทำได้

• RealWorldQA — 66.68 สำหรับ LFM3-Omni-2B เทียบกับ 73.1 สำหรับ LFM2.5-VL-3B คะแนนลดลง 6.4 จุดในคำถามเกี่ยวกับฉากในชีวิตประจำวัน

• MMStar — 55.67 เทียบกับ 63.3 ลดลง 7.6 จุดบนเบนช์มาร์กที่สร้างขึ้นเพื่อต้านทานการปนเปื้อนของข้อมูล

• MMBench — 73.68 เทียบกับ 81.0 ความสามารถด้านมัลติโมดัลแบบกว้างลดลง 7.3 จุด

• RefCOCO pointing — 73.55 เทียบกับ 87.9 ลดลง 14.4 จุด ซึ่งเป็นช่องว่างที่กว้างที่สุดในชุด ในงานระบุตำแหน่งวัตถุที่ถูกระบุชื่อในภาพ

• DocVQA — 92.47 เทียบกับ 91.1 ข้อยกเว้น: LFM3-Omni-2B นำอยู่ 1.4 คะแนนในด้านการตอบคำถามจากเอกสาร

ผลลัพธ์ DocVQA คือสิ่งที่ทำให้เรื่องนี้ไม่ใช่แค่เรื่องง่าย ๆ ว่า "โมเดลใหม่แย่ลง" ข้อความในเอกสารเป็นงานที่ความสามารถของโมเดลแบบรวมในการอ่านหน้าเอกสารที่ความละเอียดสูงและให้เหตุผลเกี่ยวกับเนื้อหานั้นในครั้งเดียวสามารถเอาชนะไปป์ไลน์ได้ — และยังเป็นงานที่เพดาน 2,048 โทเค็นต่อภาพของ Liquid ควรสร้างผลกระทบมากที่สุด การที่โมเดล omni ชนะในงานนี้อยู่ดีบ่งชี้ว่าการเสื่อมลงของการมองเห็นไม่ได้เกิดขึ้นสม่ำเสมอในทุกงาน มันกระจุกตัวอยู่ในงานเชิงพื้นที่และงานแบบอ้างอิง ซึ่งเป็นจุดที่คุณคาดว่าโมเดลที่มีความจุทางการมองเห็นเฉพาะทางน้อยกว่าจะลำบาก

ค่าใช้จ่ายของโมดัลลิตีเพิ่มเติมคือเท่าไร

เส้นทางเสียงไม่ได้ไม่มีต้นทุน และการ์ดระบุชัดเจนเป็นพิเศษว่าต้นทุนไปตกอยู่ที่ใด คอนเท็กซ์ 32K ถูกใช้ร่วมกันในทุกโมดัลลิตี: วิดีโอที่ 2 เฟรมต่อวินาทีเป็นเวลา 384 เฟรมกินพื้นที่หน้าต่างบริบทส่วนใหญ่ไปก่อนที่คุณจะถามคำถาม รูปภาพถูกจำกัดที่ 2,048 โทเค็นภาพต่อรูป ซึ่งเป็นเพดานความละเอียดโดยประมาณสำหรับการอ่านข้อความที่แน่นในภาพถ่าย โมเดลแบบวิชันอย่างเดียวมีคอนเท็กซ์ 32K เท่ากัน แต่ไม่ต้องใช้ส่วนใดเลยกับเสียง

เอาต์พุตเสียงพูดเพิ่มข้อพิจารณาที่สองซึ่งไม่เกี่ยวข้องกับ benchmark เลย LiquidCodec แปลงโทเค็นที่สร้างขึ้นเป็นเสียง 24 kHz ได้เร็วกว่าเวลาจริง ซึ่งเป็นสิ่งที่ทำให้การตอบกลับด้วยเสียงแบบสตรีมมิ่งเป็นไปได้ แต่การ์ดโมเดลระบุการให้บริการ SGLang สำหรับเอาต์พุตข้อความเท่านั้น และไม่ได้อธิบายว่าสาขาเสียงพูดถูกให้บริการอย่างไร หากคุณต้องการคำตอบแบบเสียงพูดจากโครงสร้างพื้นฐานของคุณเอง Implementation อ้างอิงสำหรับครึ่งนั้นของโมเดลยังขาดหายไป เปรียบเทียบกับ LFM2.5-VL-3B ซึ่งมีเครื่องมือสนับสนุนมาหนึ่งปี — GGUF, MLX, vLLM, SGLang, ONNX และมีรายงานว่าได้ 228 โทเค็นต่อวินาทีบน M5 Max ที่ใช้หน่วยความจำต่ำกว่า 3.3 GB

ความพร้อมของโมเดลไม่ใช่แถวในตาราง benchmark แต่มันเป็นตัวกำหนดการนำไปใช้งานจริง โมเดลที่รันได้ทุกที่ในวันนี้ย่อมเหนือกว่าโมเดลที่รันได้บนเส้นทางเดียวในวันพรุ่งนี้ เว้นแต่ว่าความสามารถหลากหลายรูปแบบที่เพิ่มขึ้นนั้นคือเหตุผลที่คุณเลือก用它

วิธีการเลือก

ถ้างานคือการอ่านภาพหน้าจอ การแยกวิเคราะห์เอกสาร การชี้ไปที่วัตถุ หรือการตอบคำถามเกี่ยวกับฟีดจากกล้อง LFM2.5-VL-3B เป็นโมเดลที่ดีกว่า และไม่ใช่แค่สูสีในแถวที่สำคัญ ช่องว่าง 14 จุดใน RefCOCO โดยเฉพาะควรยุติการถกเถียงสำหรับกรณีการใช้งานหุ่นยนต์หรือระบบอัตโนมัติ UI การมีพารามิเตอร์ 3.1B ไม่ได้เป็นข้อเสีย เมื่อทางเลือกคือโมเดล 2.17B ที่ใช้ความจุหนึ่งในสามไปกับหูและปาก

ถ้างานนั้นเกี่ยวข้องกับการที่คนคนหนึ่งพูดกับอุปกรณ์และอุปกรณ์พูดตอบกลับมา — คีออสก์ ผู้ช่วยบนโทรศัพท์ อุปกรณ์ภาคสนามที่มือไม่ว่าง — LFM3-Omni-2B กำลังทำสิ่งที่ LFM2.5-VL-3B ทำไม่ได้ไม่ว่าจะมีจำนวนพารามิเตอร์เท่าใดก็ตาม คุณไม่ได้กำลังเลือกโมเดลด้านภาพที่แย่กว่า แต่คุณกำลังเลือกที่จะยุบสี่โมเดลให้เหลือหนึ่งเดียว และยอมรับว่าความสามารถด้านภาพที่ถดถอยลงคือราคาที่ต้องจ่ายของการยุบรวมนั้น

ยังมีทางเลือกที่สามที่ตาราง benchmark ทำให้เห็นได้ชัด นั่นคือ รันทั้งสองตัว โมเดลเฉพาะทางด้านวิชันสำหรับเฟรม และโมเดล omni สำหรับบทสนทนา นั่นคือ checkpoint สองตัวกับหน่วยความจำราว 7.4 GB ใน BF16 ซึ่งยังอยู่ในหน่วยความจำของ GPU ระดับกลางเพียงตัวเดียว DSL การกำหนดเส้นทางของ OrcaRouter มีไว้สำหรับการประกอบแบบนี้โดยเฉพาะ — ปลายทางเดียว กฎที่ส่งคำขอแบบภาพและข้อความไปยังโมเดลเฉพาะทาง และส่งคำขอแบบเสียงพูดไปยังโมเดล omni พร้อมระบบ failover อัตโนมัติหากเส้นทางใดเส้นทางหนึ่งล้มเหลว ทั้งสอง checkpoint ยังไม่มีอยู่ในแคตตาล็อกของเราในตอนนี้ ดังนั้นนี่จึงเป็นแพตเทิร์นมากกว่าคำสัญญา ประเด็นก็คือ คำถามที่ว่า "จะเลือกโมเดลไหน" มีคำตอบที่สามที่โพสต์เปิดตัวของผู้จำหน่ายทั้งสองรายไม่ได้กล่าวถึงเลย

คำตัดสิน

LFM3-Omni-2B เป็นความสำเร็จทางวิศวกรรมที่แท้จริงด้วยจำนวนพารามิเตอร์ 2.17B และเป็นตัวแทนที่แย่สำหรับ LFM2.5-VL-3B ในแอปพลิเคชันใดก็ตามที่เน้นภาพเป็นหลัก วิธีอ่านคู่นี้อย่างตรงไปตรงมาคือมองเป็นทางแยกในสายผลิตภัณฑ์ของ Liquid เอง: สาขาหนึ่งปรับให้เหมาะกับการมองเห็น อีกสาขาหนึ่งปรับให้เหมาะกับการมีส่วนร่วมในการสนทนา ชื่อตระกูลและสัญญาอนุญาตที่ใช้ร่วมกันทำให้ทั้งคู่ดูเหมือนเป็นลำดับต่อเนื่องกัน ตาราง benchmark บอกว่าพวกมันเป็นพี่น้องกัน และพี่ที่แก่กว่าก็ทำสิ่งที่มันถูกสร้างมาได้ดีกว่า

สิ่งที่อาจเปลี่ยนการประเมินนั้นได้คือการประเมินที่เป็นอิสระ เพราะการเปรียบเทียบทั้งหมดข้างต้นตั้งอยู่บนตัวเลขที่ Liquid ผลิตขึ้นเกี่ยวกับโมเดลสองตัวของตนเอง เป็นไปได้ว่าโมเดล omni ถูกประเมินบนชุดข้อมูลเหล่านี้ในรูปแบบที่ยากกว่า หรือในโหมดที่เสียเปรียบมัน ไม่มีสิ่งใดในการ์ดที่บ่งชี้เช่นนั้น และทิศทางที่สอดคล้องกันของสี่ในห้าแถวก็โต้แย้งข้อสันนิษฐานนั้น จนกว่าคนนอกบริษัทจะทำซ้ำตารางใดตารางหนึ่งได้ การตีความที่ปลอดภัยที่สุดก็เป็นสิ่งที่เรียบง่ายที่สุดเช่นกัน: โมเดลเฉพาะทางมองเห็นได้ดีกว่า และโมเดล omni ได้ยิน