LFM3-Omni-2B กับ Moondream 3: เบนช์มาร์กเดียวที่ใช้ร่วมกัน งานที่แตกต่างกันสองแบบ

ลองวาง LFM3-Omni-2B กับ Moondream 3ไว้ข้างกัน แล้วสเปกชีตก็ดูเหมือนพี่น้องกัน ทั้งคู่เป็นโมเดลมัลติโมดัลขนาดเล็กที่มุ่งเป้าไปที่โทรศัพท์ แล็ปท็อป กล้อง และหุ่นยนต์ ทั้งคู่มีบริบท 32K ทั้งคู่ใช้พารามิเตอร์ราวสองพันล้านตัวกับทุกโทเคน ทั้งคู่เผยแพร่น้ำหนักโมเดลแบบเปิดที่ดาวน์โหลดได้แล้ววันนี้ ลองค้นหาการเทียบแบบตัวต่อตัวระหว่างสองรุ่นนี้ดูสิ แล้วจะไม่เจออะไรเลย ซึ่งนั่นแหละคือเหตุผลที่การจับคู่สองรุ่นนี้ยังถูกหยิบมาเทียบกันอยู่เรื่อย ๆ

เมื่อคุณอ่านการ์ดโมเดลทั้งสองอย่างละเอียด ความคล้ายคลึงก็แตกสลายในลักษณะที่ตรวจสอบได้ง่าย เบนช์มาร์กเดียวที่การ์ดทั้งสองรายงานคือ DocVQA โดย LFM3-Omni-2B ได้ 92.47 และ Moondream 3.1 9B A2B ได้ 88.6 ทุกอย่างอื่นที่พวกมันวัดนั้นแยกจากกันโดยสิ้นเชิง โมเดลหนึ่งส่งคืนประโยคspokenคำพูด อีกโมเดลส่งคืน bounding boxes พวกมันไม่ใช่สองคำตอบสำหรับคำถามเดียวกัน

หมายเหตุเกี่ยวกับชื่อ เพราะไดเรกทอรีนี้ชวนสับสน Moondream 3 Preview เปิดตัวเมื่อวันที่ 18 กันยายน 2025 และ Moondream 3.1 9B A2B เมื่อวันที่ 7 กรกฎาคม 2026 ตัวเลข Moondream ทุกตัวในบทความนี้มาจากการ์ด 3.1 ซึ่งเป็นเช็กพอยต์ที่คุณดาวน์โหลดได้ LFM3-Omni-2B เผยแพร่เมื่อวันที่ 27 ตุลาคม 2026 ในฐานะหนึ่งในหกโมเดลในตระกูล LFM3 ของ Liquid AI ทั้งสองใหม่เอี่ยมในความหมายเดียวที่สำคัญในที่นี้: ไม่มีใครภายนอกบริษัทที่สร้างมันขึ้นมาเคยประเมินทั้งคู่เลย

สิ่งที่แต่ละโมเดลส่งคืนมาจริง ๆ

ความแตกต่างที่ลึกที่สุดไม่ใช่จำนวนพารามิเตอร์ แต่คือสัญญาเอาต์พุต

Moondream 3.1 เปิดเผยห้าทักษะที่มีรูปแบบตายตัว: query, caption, detect, point และ segment การตรวจจับส่งคืนกล่องได้ไม่เกิน 200 กล่อง การชี้ตำแหน่งไม่เกิน 64 จุด การแบ่งส่วนไม่เกิน 50 มาสก์ COCO-RLE ทั้งหมดอยู่ในพิกัดปกติ 0–1 ในรูปแบบ JSON มันเป็นเครื่องมือวัดเชิงพื้นที่ที่มีอินเทอร์เฟซแคบและคาดเดาได้ คุณสามารถต่อเอาต์พุตเข้ากับ UI automator หรือ robot planner ได้โดยตรงโดยไม่ต้องมีชั้นแยกวิเคราะห์ด้วย LLM เพราะเอาต์พุตมีโครงสร้างอยู่แล้ว

LFM3-Omni-2B ไม่มีข้อกำหนดเช่นนั้น มันรับข้อความ รูปภาพ วิดีโอที่มีหรือไม่มีแทร็กเสียง และเสียง 16 kHz แล้วสร้างข้อความ เสียงพูด 24 kHz หรือทั้งสองอย่างสลับกัน ไม่มีเส้นทางเอาต์พุตสำหรับพิกัด หากคุณต้องการตำแหน่งจากมัน คุณต้องถามเป็นข้อความร้อยแก้วแล้วแยกวิเคราะห์คำตอบ ซึ่งเป็นระดับความน่าเชื่อถือที่ต่างจากสคีมาที่รับประกันกรอบ

ความแตกต่างเพียงข้อเดียวนั้นตัดสินจำนวนการดีพลอยได้มากกว่าตัวเลขในแถว benchmark ใด ๆ การสลับ model ID หนึ่งเป็นอีกอันไม่ใช่การย้ายระบบ (migration) แต่เป็นการเขียนสิ่งที่บริโภค response ขึ้นใหม่ทั้งหมด

เอกสารข้อมูลจำเพาะแบบเคียงข้างกัน

• พารามิเตอร์ — รวม 2.17B สำหรับ LFM3-Omni-2B โดยทั้งหมดถูกเก็บไว้ในหน่วยความจำและประมวลผล เทียบกับ 9.0B รวมของ Moondream 3.1 ที่มี 2.0B ทำงานต่อโทเค็น

• หน่วยความจำขณะพัก — ประมาณ 4.4 GB ใน BF16 เมื่อคำนวณจากพารามิเตอร์ 2.17B เทียบกับประมาณ 18 GB ใน FP16, ประมาณ 6 GB ใน INT4 ของชุมชน และขั้นต่ำ 10 GB ของ NVIDIA สำหรับบิลด์ fp8 ที่จัดส่ง

• อินพุต — ข้อความ รูปภาพ วิดีโอที่ 2 fps พร้อมหรือไม่มีเสียง และเสียงพูด 16 kHz เทียบกับรูปภาพและข้อความเท่านั้น

• เอาต์พุต — ข้อความ, เสียงพูด 24 kHz, หรือแบบสลับกับข้อความ, JSON, พิกัดและมาสก์ที่ปรับให้เป็นมาตรฐาน

• บริบท — 32,768 โทเค็นเมื่อนับอินพุตรวมเอาต์พุต เทียบกับ 32,768 โทเค็นข้อความบวกไทล์รูปภาพสูงสุด 12 ไทล์ ประมาณ 2,304 โทเค็นวิชัน

• งบประมาณด้านการมองเห็น — สูงสุด 2,048 โทเค็นต่อภาพที่ความละเอียดดั้งเดิม เทียบกับการแบ่งภาพแบบปรับตัวออกเป็น 12 ภาพย่อยที่ 384–1024 พิกเซล

• สัญญาอนุญาต — LFM Open License v1.0 อนุญาตให้ใช้เชิงพาณิชย์เฉพาะเมื่อมีรายได้ต่อปีต่ำกว่า $10M เท่านั้น เทียบกับ Moondream Model License 1.0 ที่ใช้เชิงพาณิชย์ได้ทุกขนาด แต่ไม่มีบริการโฮสต์สำหรับการใช้งานทั่วไป

• เผยแพร่ — 27 ตุลาคม 2026 เทียบกับ 7 กรกฎาคม 2026 โดยสาขา 3 Preview มีมาตั้งแต่ 18 กันยายน 2025

แถวหน่วยความจำคือสิ่งที่คนมักข้ามไป และบนอุปกรณ์เอดจ์ มันคือประเด็นทั้งหมด พารามิเตอร์ที่ใช้งานจริง 2B ของ Moondream ทำให้มีต้นทุนต่อโทเค็นถูกเท่ากับ LFM3-Omni-2B แต่จำนวนรวม 9B ทำให้มันใช้หน่วยความจำใหญ่ขึ้นได้ถึงสี่เท่าที่ความแม่นยำเดียวกัน พารามิเตอร์ที่ใช้งานกำหนดการประมวลผล พารามิเตอร์รวมกำหนดว่ามันจะใส่ลงได้หรือไม่ โมเดลที่ทำงานด้วยความเร็วเท่ากันแต่ต้องใช้ 18 GB ไม่ได้แข่งขันในสล็อตฮาร์ดแวร์เดียวกับโมเดลที่ใส่ได้ใน 4.4 GB

เกณฑ์มาตรฐานเดียวที่ทั้งสองรายงาน

DocVQA คือการตอบคำถามจากเอกสาร ซึ่งให้คะแนนด้วย ANLS และบนการ์ดโมเดลทั้งสองใบระบุค่า 92.47 สำหรับ LFM3-Omni-2B เทียบกับ 88.6 สำหรับ Moondream 3.1 โมเดล Omni นำอยู่ 3.87 คะแนนใน領域ที่ผู้เชี่ยวชาญด้านวิสัยทัศน์ถนัดเอง

ผลลัพธ์นั้นควรอ่านโดยมีข้อควรระวังสามประการ ซึ่งทั้งหมดล้วนสำคัญ ตัวเลขทั้งสอง figures ถูกรายงานเองโดยห้องแล็บที่สร้างโมเดลขึ้นมา ทั้งสองแล็บไม่ได้เผยแพร่ชุดทดสอบ รูปแบบพรอมป์ต์ หรือการเลือกตัวอย่างของตน และช่องว่าง 3.87 จุดบนเบนช์มาร์กที่มีความแปรปรวนระหว่างชุดทดสอบมากขนาดนี้เป็นเพียงข้อบ่งชี้มากกว่าข้อสรุปชี้ขาด สิ่งที่แถวนั้นยืนยันได้จริงนั้นแคบกว่าแต่ยังมีประโยชน์: LFM3-Omni-2B ไม่ได้แตกสลายกับข้อความเอกสารที่หนาแน่น ซึ่งเป็นงานที่คุณคาดว่าโมเดล any-to-any ขนาด 2.17B จะแพ้

อย่านำการตีความแบบเดียวกันไปใช้กับงาน grounding LFM3-Omni-2B รายงาน RefCOCO ที่ 73.55 และ Moondream 3.1 รายงาน RefCOCO-M ที่ 87.1 ซึ่งไม่ใช่การวัดเดียวกัน การ์ดของ Liquid ระบุว่ากล่องถูกอ่านในรูปแบบพิกัดเฉพาะของแต่ละโมเดล ส่วน Moondream รายงาน F1 ที่เกณฑ์ IoU 0.5 การนำค่าหนึ่งลบอีกค่าหนึ่งให้ผลเป็นตัวเลขที่ไม่มีความหมาย ข้อความที่ตรงไปตรงมาคือ การ์ดของ Moondream สร้างขึ้นโดยเน้น grounding ส่วนของ Liquid มองเป็นเพียงหนึ่งแถวจากทั้งหมดสิบเจ็ดแถว

จุดที่ Moondream 3 ยังไม่ใกล้เคียง

บางส่วนของสิ่งนั้นเป็นทางเลือกในการรายงาน มากกว่าจะเป็นช่องว่างของความสามารถ และควรระบุให้ชัดเจนว่าส่วนไหนเป็นแบบไหน โมเดล omni ขนาด 2.17B แทบจะแน่นอนว่าสามารถระบุตำแหน่งภูมิภาคคร่าว ๆ ได้ หากคุณถามเป็นคำพูด สิ่งที่มันทำไม่ได้คือการคืนค่า 200 กรอบในสคีมาโดยมีอัตราความผิดพลาดที่จำกัด เนื่องจากไม่มีสิ่งใดในการฝึกหรือรูปแบบเอาต์พุตของมันที่ถูกสร้างมาเพื่อสิ่งนั้น ผลิตภัณฑ์ทั้งหมดของ Moondream คือการรับประกันว่าพิกัดจะถูกส่งกลับมาในรูปแบบที่แยกวิเคราะห์ได้ การรับประกันนั้นคือสิ่งที่คุณกำลังซื้อ และไม่มีแถว benchmark ใดจากห้องแล็บอื่นที่วัดสิ่งนี้

ตรรกะเดียวกันนี้ใช้ในทางกลับกันสำหรับเลเทนซี Moondream มาพร้อม Photon ซึ่งเป็นเอนจินอินเฟอเรนซ์ที่คอมไพล์โมเดลให้เป็นโปรแกรม GPU เดียว และผู้ขายอ้างว่าทำได้ประมาณ 34 คำขอต่อวินาทีที่แบทช์ 16 บน H100 ด้วย P50 ที่ 59 มิลลิวินาที นั่นเป็นตัวเลขจากผู้ขายที่ยังไม่มีการทำซ้ำผล แต่วิศวกรรมเบื้องหลังนั้นเจาะจงกับโมเดลเพียงตัวเดียว LFM3-Omni-2B ยังไม่มีแนวทางให้บริการที่เทียบเท่ากัน

ในกรณีที่ LFM3-Omni-2B ไม่ใกล้เคียง

Moondream 3.1 ไม่มีเส้นทางเสียงเลย ไม่ใช่แค่เส้นทางที่อ่อนกว่า — ไม่มีเลย อินพุตของมันคือภาพกับข้อความเท่านั้น แค่นั้นเอง ดังนั้นทุกแถวด้านเสียงบนการ์ด Liquid จึงไม่มีคู่แข่ง: อัตราความผิดพลาดระดับคำของ ASR ภาษาอังกฤษ 6.36, ASR หลายภาษา 6.72, TTS ภาษาอังกฤษ UTMOSv2 3.80, VoiceBench 64.73, MMAR 51.40 และการประเมินการเรียกใช้เครื่องมือภายในที่ 52.20

ตัวเลขของวิดีโอที่มีแทร็กเสียงเป็นตัวเลขที่ควรยกมาเน้นเป็นพิเศษ เพราะสิ่งเหล่านี้คือเหตุผลที่โมเดลนี้มีอยู่ Daily-Omni 70.09, WorldSense 47.10, AV-SpeakerBench 46.79 — ทั้งหมดวัดจากวิดีโอพร้อมแทร็กเสียงของมัน เป็นความแม่นยำแบบหลายตัวเลือก และเป็นตัวเลขที่รายงานเองทั้งหมด ข้ออ้างของ Liquid คือตัวเลขเหล่านี้เอาชนะ Qwen2.5-Omni-7B และโมเดลที่มีพารามิเตอร์สูงถึง 10.7B และในตารางของตัวเองก็ทำได้จริงเช่นนั้น: Qwen2.5-Omni-7B ได้ 61.32, 45.37 และ 43.24 ในสามแถวเดียวกัน

รายละเอียดหนึ่งบนการ์ดนั้นสมควรได้รับความสนใจมากกว่าที่ได้รับ Liquid รายงานผล基準ด้านวิสัยทัศน์ชุดเดียวกันสองครั้ง — ครั้งหนึ่งเมื่อพิมพ์คำถาม อีกครั้งเมื่อพูดคำถาม RealWorldQA ลดจาก 66.54 เหลือ 64.68, MMStar ลดจาก 55.67 เหลือ 51.79, POPE ลดจาก 89.34 เหลือ 83.78 การป้อนคำถามผ่านตัวเข้ารหัสเสียงมีต้นทุนระหว่างสองถึงหกคะแนน ขึ้นอยู่กับงาน นั่นคือราคาของเส้นทางเสียงพูด ที่ระบุไว้อย่างตรงไปตรงมา และเป็นตัวเลขที่มีประโยชน์กว่าคะแนนพาดหัวใด ๆ เพียงค่าเดียว

เกิดอะไรขึ้นกับ Moondream 3 ในวันที่ 13 พฤศจิกายน

นี่คือส่วนหนึ่งของการเปรียบเทียบที่มีกำหนดเส้นตาย Prime Intellect ประกาศว่าจะเข้าซื้อ Moondream เมื่อวันที่ 13 ตุลาคม 2026 และ Moondream ยืนยันเรื่องนี้เมื่อวันที่ 14 ตุลาคม โพสต์ระบุว่าในวันที่ 13 พฤศจิกายน 2026 ซึ่งเป็นสามสิบวันหลังการประกาศ Moondream Cloud — ทั้งบริการอนุมานแบบโฮสต์และผลิตภัณฑ์ปรับแต่งโมเดล Lens — จะปิดให้บริการ เครดิตที่ซื้อไว้แต่ยังไม่ได้ใช้จะได้รับการคืนเงิน และลูกค้าจะถูกแนะนำให้ไปยังแพลตฟอร์มอนุมานของผู้ซื้อกิจการเอง

มีสามสิ่งตามมา และมีเพียงสิ่งแรกเท่านั้นที่โอเค น้ำหนักโมเดลแบบเปิด (open weights) ยังคงอยู่และสัญญาอนุญาตไม่เปลี่ยนแปลง ดังนั้นการโฮสต์เองจึงไม่ได้รับผลกระทบ Photon ทำงานในเครื่องโดยไม่มีค่าใช้จ่ายในเวอร์ชัน 1.3.0 ขึ้นไป โดยไม่ต้องใช้คีย์ API สิ่งที่ไม่รอดไปได้อย่างเรียบร้อยคือ Lens: checkpoint ที่ผ่านการ fine-tune และ LoRA อยู่ฝั่งเซิร์ฟเวอร์ และไม่มีช่องทางการส่งออกที่ระบุไว้ในเอกสาร หากผลิตภัณฑ์ของคุณพึ่งพา fine-tune ของ Lens การโยกย้ายไม่ใช่แค่การเปลี่ยนการกำหนดค่า และสิบหกวันก็ไม่ใช่เวลามากนักที่จะค้นพบสิ่งนั้น

ยังมีความแปลกประหลาดเล็ก ๆ อีกเรื่องหนึ่งที่น่าชี้ให้เห็นสำหรับใครก็ตามที่ตรวจสอบแหล่งข้อมูลในสัปดาห์นี้ หน้าราคาของ Moondream ยังคงแสดงแผน Cloud อัตราต่อโทเคน และแพ็กเกจ Team ราคา $350/เดือน โดยไม่พูดถึงการปิดบริการเลย คำประกาศอยู่ในหน้าอื่น ผู้อ่านที่ตรวจสอบเฉพาะหน้าราคาในวันที่ 28 ตุลาคมจะไม่รู้ว่าบริการจะสิ้นสุดลงในอีกสิบหกวัน

แต่ละอันมีค่าใช้จ่ายในการรันเท่าไหร่

Moondream ประกาศอัตราค่าโทเคน: $0.30 ต่อหนึ่งล้านโทเคนอินพุต และ $1.00 ต่อหนึ่งล้านโทเคนเอาต์พุตในระดับเรียลไทม์ โดยลดครึ่งหนึ่งเหลือ $0.15 และ $0.50 ในแบบแบตช์ LFM3-Omni-2B ไม่ได้ประกาศอัตราค่าบริการแบบโฮสต์เลย Liquid กล่าวว่าตระกูลนี้พร้อมใช้งานบน Playground และ API ของบริษัท แต่โพสต์เปิดตัวไม่มีราคา และการ์ดโมเดลก็ไม่มีราคา ความไม่สมมาตรนี้คือเรื่องราวด้านต้นทุน

ลองคิดเลข Moondream จากเคสการเรียกใช้งานจริงดู ภาพหนึ่งภาพใช้โทเค็นวิชันสูงสุด 2,304 โทเค็นเมื่อใช้ full tiling เต็มรูปแบบ บวกพรอมป์ต์ 50 โทเค็นและเอาต์พุต 100 โทเค็น การเรียกหนึ่งครั้งจึงใช้โทเค็นอินพุต 2,354 โทเค็นและเอาต์พุต 100 โทเค็น หรือประมาณ $0.0008 หากเรียก 10,000 ครั้งต่อวัน ก็ประมาณ $8 ต่อวัน หรือ $242 ต่อเดือน และลดลงเหลือประมาณ $121 ต่อเดือนในระดับแบตช์ ราคานี้จะถูกหรือไม่นั้นขึ้นอยู่กับว่าคุณจะต้องจ่ายค่าฮาร์ดแวร์เป็นจำนวนเท่าไรในกรณีอื่นทั้งหมด และนั่นคือการเปรียบเทียบที่ LFM3-Omni-2B บังคับให้คุณต้องทำ เพราะมันไม่ได้ให้ตัวเลขต่อโทเค็นแก่คุณเพื่อนำมาใช้ชั่งน้ำหนักเทียบกัน

บนฮาร์ดแวร์ของคุณเอง ตัวเลขกลับกัน LFM3-Omni-2B มีเวตประมาณ 4.4 GB ใน BF16 ก่อนรวมแอ็กทิเวชัน ตัวถอดรหัสเสียง และ KV cache — เป็นการคำนวณจากจำนวนพารามิเตอร์ ไม่ใช่ขนาดหน่วยความจำที่วัดจริง เนื่องจากการ์ดไม่ได้เปิดเผยตัวเลขหน่วยความจำ Moondream 3.1 ต้องการการ์ด NVIDIA ขนาด 10 GB สำหรับบิลด์ที่วางจำหน่าย หรือประมาณ 6 GB ด้วยการควอนไทซ์ INT4 จากคอมมูนิตี้ โมเดลหนึ่งรันบนโทรศัพท์ อีกโมเดลรันบน Jetson Orin หรือดีกว่า

OrcaRouter สมควรได้รับการกล่าวถึงสักประโยคตรงนี้ เพียงเพราะเวอร์ชันที่ตรงไปตรงมานั้นมีขอบเขตแคบ: ทั้ง LFM3-Omni-2B และ Moondream 3 ต่างก็ไม่ได้อยู่ในแคตตาล็อกของเรา และไม่มีข้อความใดในบทความนี้ที่อ้างว่าเราให้บริการตัวใดตัวหนึ่ง สิ่งที่เราให้บริการผ่านเราเตอร์คือระดับวิชันแบบโฮสต์ — ตัวอย่างเช่น Qwen3-VL-8B — ด้วยราคาตามรายการของผู้ให้บริการที่ส่งต่อโดยบวกเพิ่ม 0% และ การเฟลโอเวอร์อัตโนมัติระหว่างอัปสตรีม หากการคำนวณการโฮสต์ด้วยตนเองข้างต้นคือสิ่งที่ทำให้คุณลังเล นั่นคือตัวเลือกที่การเปรียบเทียบนี้ไม่ได้กล่าวถึง และมันเป็นการซื้อที่แตกต่างออกไป ไม่ใช่การซื้อที่ดีกว่า

ใบอนุญาตอาจเป็นตัวตัดสินก่อนที่การทดสอบมาตรฐานจะเป็นตัวตัดสิน

สัญญาอนุญาตทั้งสองฉบับจำกัดสิ่งต่าง ๆ กัน และฉบับไหนจะส่งผลกับคุณก็ขึ้นอยู่กับลักษณะของบริษัทคุณ

LFM Open License v1.0 กำหนดเกณฑ์รายได้ต่อปีที่ $10,000,000 ต่ำกว่าเกณฑ์นี้ การใช้เชิงพาณิชย์ได้รับอนุญาตโดยตรง เกินเกณฑ์นี้ ข้อ 5 ระบุอย่างชัดเจนว่าการใช้เชิงพาณิชย์ของงานหรืองานดัดแปลงไม่ได้รับอนุญาตภายใต้ข้อตกลงนี้เลย ดังนั้นสตาร์ทอัพจึงสามารถสร้างผลิตภัณฑ์บน LFM3-Omni-2B ได้ฟรี ขณะที่บริษัทที่เกินเกณฑ์ไม่สามารถทำได้หากไม่มีข้อตกลงแยกต่างหาก — ไม่ว่าตัวแบบจะดีเพียงใดก็ตาม

Moondream Model License 1.0 ไม่มีเกณฑ์รายได้ โดยอนุญาตให้ใช้ในเชิงพาณิชย์ได้ทุกขนาด การโฮสต์ด้วยตนเอง การปรับแต่งละเอียด การควอนไทซ์ และการแจกจ่ายต่อ และห้ามธุรกิจหนึ่งโดยเฉพาะ คือการให้บริการโมเดลแบบโฮสต์สำหรับวัตถุประสงค์ทั่วไปสำหรับโมเดลหรือผลงานดัดแปลง โดยไม่มีใบอนุญาตเชิงพาณิชย์เป็นลายลักษณ์อักษรแยกต่างหาก การฝัง Moondream ไว้ในผลิตภัณฑ์ที่เจาะจงแคบกว่าได้รับอนุญาต การขายต่อการอนุมานสำหรับวัตถุประสงค์ทั่วไปบนโมเดลนั้นไม่ได้รับอนุญาต

เมื่ออ่านร่วมกัน เอกสารทั้งสองฉบับแทบจะเสริมกันและกัน Liquid กำหนดสิทธิ์การเข้าถึงตามว่าคุณเป็นใคร ส่วน Moondream กำหนดสิทธิ์ตามสิ่งที่คุณขาย บริษัทขนาดใหญ่ที่วางแผนจะทำผลิตภัณฑ์ประมวลผลอนุมานแบบโฮสต์จะถูกบล็อกโดยทั้งสองระบบ ในรูปแบบที่แตกต่างกัน

ใครควรเลือกอันไหน

เลือก Moondream 3.1 หากผลิตภัณฑ์ต้องการพิกัด การทำงานอัตโนมัติบนหน้าจอ หุ่นยนต์ การตรวจสอบชั้นวางสินค้าในค้าปลีก การนับ หรือสิ่งใดก็ตามที่คำตอบเป็นกรอบ จุด หรือมาสก์ และระบบถัดไปนำไปใช้ในเชิงโปรแกรม ขนาดรวม 9B คือราคาที่ต้องจ่ายสำหรับการรับประกันนั้น และหากคุณกำลังปรับใช้บนฮาร์ดแวร์ระดับ Jetson นั่นคือราคาที่คุณจ่ายได้ วางแผนการย้ายโฮสติ้งตอนนี้แทนที่จะเป็นเดือนพฤศจิกายน

เลือก LFM3-Omni-2B หากผลิตภัณฑ์เกี่ยวข้องกับคนที่กำลังพูดคุยกับอุปกรณ์ หรืออุปกรณ์ที่ต้องได้ยินเสียงในห้อง คีออสก์ที่ตอบกลับด้วยเสียง เครื่องมือภาคสนามที่มือไม่ว่าง กล้องที่ต้องเข้าใจวิดีโอพร้อมแทร็กเสียง หรือเช็กพอยต์เดียวที่มาแทนโมเดล ASR บวก VLM บวกโมเดล TTS คะแนนด้านวิสัยทัศน์อยู่ในระดับที่น่าพอใจแต่ไม่ถึงขั้นโดดเด่น ชุดเครื่องมือเพิ่งมีอายุได้หนึ่งวัน และเส้นทางด้านเสียงคือเหตุผลที่ทำให้ยอมรับทั้งสองข้อนั้น

ยังไม่ต้องเลือกตัวใดเลยในตอนนี้ หากการตัดสินใจนี้มีผลสำคัญ ยังไม่มีสิ่งใดในนี้ที่ได้รับการประเมินอย่างเป็นอิสระ เครื่องมือของ LFM3-Omni-2B กำลังพัฒนาอย่างรวดเร็ว — มีรายการในไลบรารีของ Ollama ขนาด 2.4 GB และ llama.cpp ได้รวมการรองรับไว้เมื่อวันที่ 27 ตุลาคม ซึ่งเป็นวันเดียวกับที่น้ำหนักโมเดลเปิดตัว — แต่รายการใน Ollama ปัจจุบันไม่ตรงกับการ์ดโมเดลในสองจุดที่เห็นชัด โดยแสดงบริบท 125K และ "Text, Image" เป็นอินพุตที่รองรับ เทียบกับการ์ดที่ระบุ 32K และสี่โมดัล นั่นเป็นรายการที่ยังตามไม่ทัน ไม่ใช่ข้อบกพร่องของโมเดล และเป็นเรื่องประเภทที่แก้ไขได้ภายในหนึ่งสัปดาห์ อีกทั้งยังไม่ใช่สิ่งที่จะนำไปใช้ในโปรดักชันสัปดาห์นี้

อะไรจะเปลี่ยนสิ่งนี้

สองเรื่อง การประเมินความเป็นอิสระของ LFM3-Omni-2B ในแถวผลลัพธ์ด้านเสียงและภาพจะช่วยตัดสินว่า 70.09 บน Daily-Omni ยังคงอยู่ภายใต้ฮาร์เนสที่มันไม่ได้เป็นผู้เลือกหรือไม่ และนั่นคือตัวเลขเดียวที่ข้อโต้แย้งเรื่อง omni ทั้งหมดตั้งอยู่บนนั้น และเรื่องราวการให้บริการสำหรับสาขาเสียงพูด — การ์ดโมเดลเอกสารการสร้างข้อความไว้อย่างละเอียด แต่พูดถึงวิธีการให้บริการตัวถอดรหัสเสียงในระดับสเกลไว้น้อยกว่ามาก — จะบอกคุณว่าข้อเสนอ “โมเดลเดียวแทนสี่โมเดล” ยังคงอยู่เมื่อเผชิญกับการติดตั้งใช้งานจริงในโปรดักชันหรือไม่

จนถึงตอนนั้น การเปรียบเทียบก็มีรูปแบบที่ชัดเจน Moondream 3 วัดโลกและส่งตัวเลขให้คุณ LFM3-Omni-2B รับฟังมันและโต้ตอบกลับ เบนช์มาร์กเดียวที่ทั้งคู่มีร่วมกันคือการทดสอบการอ่านเอกสาร และโมเดล omni ชนะด้วยคะแนนต่างไม่ถึงสี่จุด นั่นไม่ใช่การแข่งขันกัน มันเป็นเครื่องเตือนใจว่า "2B multimodal" อธิบายถึงงบประมาณหน่วยความจำ ไม่ใช่งาน