LFM3-Omni-2B so với LFM2.5-VL-3B: Bản kế nhiệm nhìn thấy ít hơn

Mô hình đa phương thức mới nhất của Liquid AI nhìn kém hơn mô hình mà nó thay thế. Trên RealWorldQA, LFM3-Omni-2B đạt 66.68 và LFM2.5-VL-3B đạt 73.1. Trên MMStar, mô hình này đạt 55.67 so với 63.3. Trên RefCOCO, bài kiểm tra chỉ điểm theo cụm từ tham chiếu, mô hình này đạt 73.55 so với 87.9. Trên MMBench, 73.68 so với 81.0. Bốn trong năm benchmark mà cả hai mô hình cùng báo cáo nghiêng về checkpoint cũ hơn, lớn hơn và chỉ có thị giác, và khoảng cách này không phải nhiễu — nó nằm trong khoảng từ bảy đến mười bốn điểm tùy theo hàng. Định tuyến giữa hai mô hình không nên cộng thêm phí nền tảng. 0% cộng thêm Giá niêm yết của nhà cung cấp được giữ nguyên.

Đó không phải là một vụ bê bối. Đó là điều xảy ra khi bạn yêu cầu một mạng nhỏ hơn làm nhiều việc cùng một lúc, và đó là thông tin hữu ích nhất đối với bất kỳ ai đang cân nhắc giữa hai checkpoint này. LFM3-Omni-2B không phải là con đường nâng cấp cho một sản phẩm thị giác. Đó là một sản phẩm khác chỉ tình cờ có chung tên dòng.

Hai mô hình làm những công việc khác nhau

Sự nhầm lẫn là dễ hiểu, bởi vì hai mô hình trông giống như những thế hệ liên tiếp của cùng một ý tưởng. Cả hai đều đến từ Liquid AI, đều được xây dựng để triển khai trên thiết bị, đều không phải mô hình suy luận, đều kế thừa LFM Open License v1.0 và đều được định hướng cho ngân sách bộ nhớ xấp xỉ như nhau. LFM2.5-VL-3B ra mắt vào ngày 12 tháng 8 năm 2026 với tư cách là một chuyên gia ngôn ngữ-thị giác: một xương sống văn bản 2.6B tham số kết hợp với bộ mã hóa SigLIP2 NaFlex 400M, tổng cộng khoảng 3.1B tham số.

LFM3-Omni-2B, được công bố vào ngày 27 tháng 10 năm 2026, là một mô hình any-to-any. Mô hình nhận văn bản, hình ảnh, video có hoặc không có âm thanh nền và âm thanh 16 kHz, rồi trả về văn bản, giọng nói 24 kHz hoặc cả hai. Thị giác là một trong bốn luồng đầu vào chứ không phải toàn bộ công việc. Ngân sách tham số giảm từ 3,1B xuống 2,17B trong khi số lượng tác vụ tăng từ một lên bốn, và điểm số thị giác là nơi phép tính đó thể hiện rõ.

• Tham số — 2,17B dense cho LFM3-Omni-2B so với khoảng 3,1B cho LFM2.5-VL-3B, trong đó 400M là bộ mã hóa thị giác.

• Đầu vào — văn bản, hình ảnh, video và âm thanh 16 kHz so với văn bản, hình ảnh và video.

• Đầu ra — văn bản và giọng nói 24 kHz so với chỉ văn bản.

• Ngữ cảnh — 32,768 token so với 32,768 token. Giống hệt nhau và cả hai đều tính cả đầu vào lẫn đầu ra.

• Ngân sách thị giác — 2,048 token thị giác mỗi ảnh, độ phân giải gốc so với các mảnh 512 pixel ở độ phân giải gốc với đường dẫn hình thu nhỏ.

• Định vị — một giải pháp omni thay thế cho quy trình bốn mô hình so với một VLM chuyên dụng cho OCR, hiểu giao diện người dùng và hỏi đáp trực quan.

• Giấy phép — LFM Open License v1.0 trong cả hai trường hợp, bao gồm ngưỡng doanh thu điều chỉnh việc sử dụng cho mục đích thương mại.

Nơi các con số thực sự chồng lấn lên nhau

Việc so sánh benchmark giữa các mô hình đến từ những phòng thí nghiệm khác nhau thường không trung thực, vì các bộ khung đánh giá khác nhau. Phép so sánh này sạch sẽ hơn phần lớn: cả hai checkpoint đều được cùng một công ty đánh giá, ở cùng chế độ không suy luận, và cả hai đều báo cáo năm bộ dữ liệu giống nhau. Điều đó không khiến các con số trở nên độc lập — chúng không độc lập — nhưng nó khiến chúng có thể so sánh được với nhau theo cách mà các bảng so sánh giữa các phòng thí nghiệm hiếm khi làm được.

• RealWorldQA — 66,68 đối với LFM3-Omni-2B so với 73,1 đối với LFM2.5-VL-3B. Giảm 6,4 điểm ở các câu hỏi về cảnh thường ngày.

• MMStar — 55,67 so với 63,3. Giảm 7,6 điểm trên một bộ đánh giá được xây dựng để chống ô nhiễm dữ liệu.

• MMBench — 73,68 so với 81,0. Giảm 7,3 điểm về khả năng đa phương thức tổng quát.

• RefCOCO pointing — 73,55 so với 87,9. Mức giảm 14,4 điểm, khoảng cách lớn nhất trong bộ, ở tác vụ định vị một đối tượng được đặt tên trong ảnh.

• DocVQA — 92,47 so với 91,1. Ngoại lệ: LFM3-Omni-2B dẫn trước 1,4 điểm về hỏi đáp tài liệu.

Kết quả DocVQA chính là điều khiến đây không trở thành một câu chuyện đơn giản kiểu “mô hình mới tệ hơn”. Văn bản tài liệu là tác vụ mà ở đó khả năng của một mô hình hợp nhất trong việc đọc một trang ở độ phân giải cao và suy luận về nó trong một lượt có thể đánh bại một pipeline — và đây cũng là tác vụ mà giới hạn 2.048 token mỗi ảnh của Liquid được cho là sẽ gây bất lợi nhiều nhất. Việc mô hình omni vẫn thắng ở đó cho thấy sự suy giảm thị giác không đồng đều giữa các tác vụ. Nó tập trung ở các tác vụ không gian và tham chiếu, đúng vào nơi mà bạn sẽ kỳ vọng một mô hình có năng lực thị giác chuyên dụng ít hơn sẽ gặp khó khăn.

Chi phí của các phương thức bổ sung

Đường âm thanh không hề miễn phí, và thẻ mô tả nói rất rõ chi phí rơi vào đâu. Ngữ cảnh 32K được chia sẻ trên mọi phương thức: một video ở 2 khung hình/giây trong 384 khung hình tiêu tốn phần lớn cửa sổ trước khi bạn đặt câu hỏi. Mỗi ảnh bị giới hạn ở 2.048 token thị giác, đại khái là mức trần độ phân giải để đọc văn bản dày đặc trong một bức ảnh. Mô hình chỉ thị giác có cùng ngữ cảnh 32K nhưng không phải dành bất kỳ phần nào trong đó cho âm thanh.

Đầu ra giọng nói bổ sung một yếu tố cân nhắc thứ hai không liên quan gì đến các bài đo hiệu năng. LiquidCodec chuyển các token được tạo ra thành âm thanh 24 kHz nhanh hơn thời gian thực, và chính điều này giúp phản hồi giọng nói được truyền trực tuyến trở nên khả thi. Nhưng thẻ mô hình chỉ ghi tài liệu về việc phục vụ SGLang cho đầu ra văn bản, và không mô tả cách nhánh giọng nói được phục vụ. Nếu bạn cần câu trả lời bằng giọng nói từ hạ tầng của riêng mình, thì phần triển khai tham chiếu cho nửa kia của mô hình đang bị thiếu. Hãy so sánh điều đó với LFM2.5-VL-3B, mô hình đã có một năm công cụ hỗ trợ — GGUF, MLX, vLLM, SGLang, ONNX, cùng các báo cáo về 228 token mỗi giây trên M5 Max với mức tiêu thụ dưới 3,3 GB bộ nhớ.

Độ trưởng thành không phải là một dòng trong bảng benchmark, nhưng nó quyết định việc triển khai. Một mô hình chạy được ở mọi nơi ngay hôm nay vẫn hơn một mô hình chỉ chạy trên một lối vào ngày mai, trừ khi phương thức bổ sung chính là lý do bạn ở đó.

Cách chọn

Nếu công việc là đọc ảnh chụp màn hình, phân tích tài liệu, chỉ vào vật thể hay trả lời câu hỏi về luồng camera, LFM2.5-VL-3B là mô hình tốt hơn và không hề sát nút ở những hạng mục quan trọng. Đặc biệt, khoảng cách 14 điểm trên RefCOCO phải là dấu chấm hết cho mọi trường hợp sử dụng robotics hoặc tự động hóa UI. Việc có 3,1B tham số không phải bất lợi khi lựa chọn thay thế là một mô hình 2,17B dành một phần ba năng lực cho tai và miệng.

Nếu công việc liên quan đến việc một người nói với thiết bị và thiết bị nói lại — một ki-ốt, trợ lý trên điện thoại, một công cụ thực địa nơi tay đang bận — thì LFM3-Omni-2B đang làm điều mà LFM2.5-VL-3B không thể làm ở bất kỳ số lượng tham số nào. Bạn không phải đang chọn một mô hình thị giác tệ hơn; bạn đang chọn gộp bốn mô hình thành một, và chấp nhận sự suy giảm về thị giác như cái giá của việc gộp đó.

Có một lựa chọn thứ ba mà bảng benchmark cho thấy rõ: chạy cả hai. Một chuyên gia thị giác cho các khung hình, một mô hình omni cho cuộc hội thoại. Đó là hai checkpoint và khoảng 7,4 GB ở BF16, vẫn nằm trong bộ nhớ của một GPU tầm trung. OrcaRouter's routing DSL tồn tại chính xác cho sự kết hợp này — một endpoint, các quy tắc gửi yêu cầu hình ảnh và văn bản đến chuyên gia và yêu cầu bằng giọng nói đến mô hình omni, với chuyển đổi dự phòng tự động nếu một trong hai đường dẫn gặp lỗi. Hiện nay cả hai checkpoint đều không có trong danh mục của chúng tôi, nên đó là một kiểu kết hợp chứ không phải lời hứa; điểm mấu chốt là câu hỏi "mô hình nào" có câu trả lời thứ ba mà bài đăng ra mắt của cả hai nhà cung cấp đều không đề cập.

Phán quyết

LFM3-Omni-2B là một thành tựu kỹ thuật thực sự với 2,17 tỷ tham số, và là một sự thay thế tồi cho LFM2.5-VL-3B trong bất kỳ ứng dụng nào chủ yếu mang tính thị giác. Cách đọc trung thực về cặp đôi này là xem chúng như một ngã rẽ trong chính dòng sản phẩm của Liquid: một nhánh tối ưu cho việc nhìn, nhánh kia cho việc tham gia vào một cuộc hội thoại. Tên họ và giấy phép chung khiến chúng trông giống như một chuỗi. Bảng điểm chuẩn nói rằng chúng là anh em cùng dòng, và người anh lớn hơn giỏi hơn ở thứ mà nó được tạo ra để làm.

Điều có thể thay đổi đánh giá đó là một đánh giá độc lập, bởi toàn bộ so sánh ở trên đều dựa vào những con số do Liquid tự tạo ra về hai mô hình của chính mình. Có khả năng mô hình omni đã được đánh giá trên các phiên bản khó hơn của những bộ dữ liệu này, hoặc ở một chế độ bất lợi cho nó. Không có gì trong thẻ mô hình cho thấy như vậy, và hướng nhất quán của bốn trong năm dòng lập luận chống lại điều đó. Cho đến khi ai đó bên ngoài công ty tái lập được một trong hai bảng, cách hiểu an toàn nhất cũng là cách đơn giản nhất: mô hình chuyên biệt nhìn tốt hơn, còn mô hình omni nghe tốt hơn.