LFM3-Omni-2B مقابل MiniCPM-V 4.7 1B: عندما يقرأ النموذج الأصغر على نحو أفضل

على الورق، هذه ليست معركة عادلة.LFM3-Omni-2B لديه 2.17 مليار معامل؛MiniCPM-V 4.7 1B يُسوَّق كنموذج 1B. كان ينبغي للنموذج الأكبر أن يفوز في معايير الرؤية. لكنه لا يفوز. تسجّل MiniCPM 86.1 في OCRBench مقابل 80.6، و69.5 في MMStar مقابل 55.67، و56.9 في MMMU مقابل 42.44، و74.3 في MathVista مقابل 62.5. كل معيار رؤية تشترك فيه البطاقتان يفضّل النموذج صاحب الاسم الأصغر، عادةً بفارق واسع، كما يمتلك MiniCPM نافذة سياق أكبر بثماني مرات. يكلّف Fusion أكثر لكل استدعاء مقارنةً بالتوجيه إلى نموذج واحد. ويُحتسب بسعر قائمة أسعار المزوّد دون إضافة أي هامش ربح.

ثلاثة أمور تفسّر ذلك، ولا شيء منها عيب في أيٍّ من النموذجين. MiniCPM-V 4.7 1B متخصص أنفق كامل ميزانية معاملاته على الرؤية. LFM3-Omni-2B نموذج عام أنفق ميزانيته على الرؤية والسمع والنطق. والرقم الأهم في MiniCPM — 86.1 على OCRBench — قِيس بإعداد الرموز البصرية 4×، الذي يقايض الحوسبة بالتفاصيل بطريقة لا يستطيعها حدّ 2,048 رمزًا لكل صورة. وفهم هذه المقايضة هو القرار كله.

لماذا يقرأ النموذج الأصغر بشكل أفضل

تم بناء MiniCPM-V 4.7 1B حول فكرة واحدة: ضغط الرموز البصرية مبكرًا، وترك الخيار للمستخدم في تحديد مدى قوة الضغط. يطبّق النموذج ضغطًا للرموز بمقدار 4× أو 16× داخل مُرمِّز الرؤية، قبل أن يرى النموذج اللغوي أي شيء. عند 16× يكون منخفض التكلفة وسريعًا، ومناسبًا لكتابة التعليقات التوضيحية ووصف المشاهد. وعند 4× يحتفظ بأربعة أضعاف عدد الرموز، وهو ما تحتاجه عملية التعرّف الضوئي على المستندات وقراءة المخططات الكثيفة. وتُعرَض أرقام OpenBMB الرئيسية عند إعداد 4×.

تتبع LFM3-Omni-2B نهجًا معاكسًا. فهي تعالج الصور بالدقة الأصلية، لكنها تحدّ ميزانية الرؤية عند 2,048 رمزًا لكل صورة، وتتشارك هذا الحد مع مُرمّز صوتي ومسار فيديو ومُفكّك ترميز كلام داخل شبكة كثيفة بحجم 2.17 مليار. ويُعدّ سقف 2,048 رمزًا خيارًا معقولًا لنموذج عليه أن يتّسع في هاتف إلى جانب ثلاث طرائق أخرى. وهو سقف صارم لما يمكن أن يصل من تفاصيل الصفحة إلى النموذج اللغوي، وتشير نتيجة DocVQA البالغة 92.47 إلى أن النموذج يستخرج الكثير منه — لكن نتيجة OCRBench البالغة 80.6 تقول إنه لا يكفي للتغلّب على نموذج متخصص يستطيع إنفاق 4× من الرموز على الصفحة نفسها.

هناك عامل ثانٍ أكثر هدوءًا. نافذة السياق في MiniCPM هي 262,144 رمزًا، أما نافذة LFM3-Omni-2B فهي 32,768. بالنسبة للقطة شاشة واحدة، لا يهم أيٌّ منهما. أما بالنسبة لملف PDF من 40 صفحة، أو فيديو طويل، أو محادثة متعددة الأدوار حول مستند، فإن الفرق ليس سطرًا في اختبار قياسي — بل هو ما إذا كانت المهمة ممكنة أصلًا.

المواصفات، دون التقريب التسويقي

رقم واحد يحتاج إلى تصحيح قبل أي مقارنة. يُسمّى MiniCPM-V 4.7 1B نموذج 1B، ويبلغ عدد معاملاته الكثيفة نحو 1.3 إلى 1.55 مليار حسب طريقة عدّ برج الرؤية. يقرّبه الشريط الجانبي في Hugging Face إلى "2B params"، وهكذا ينتهي نموذج 1B إلى الظهور وكأنه نموذج 2B في كتالوج. حجم الملف هو الدليل الصادق: نحو 3.1 غيغابايت بصيغة BF16، مقابل 4.3 غيغابايت لـ LFM3-Omni-2B.

• المعلمات — 2.17 مليار معلمة كثيفة لـ LFM3-Omni-2B مقابل ما يقرب من 1.3 مليار إلى 1.55 مليار معلمة كثيفة لـ MiniCPM-V 4.7 1B.

• المدخلات — نص، وصورة، وفيديو مع صوت، وصوت بتردد 16 كيلوهرتز مقابل نص، وصورة، وصور متعددة، وفيديو.

• المخرجات — نص وكلام بتردد 24 كيلوهرتز مقابل النص فقط.

• السياق — 32,768 رمزًا مقابل 262,144 رمزًا.

• الرموز المرئية — بحد أقصى 2,048 لكل صورة مقابل ضغط قابل للتبديل بمقدار 4× أو 16× داخل المُشفِّر.

• الترخيص — LFM Open License v1.0 مقابل Apache-2.0.

• الإصدار — 27 أكتوبر 2026 مقابل 12 أكتوبر 2026.

• البصمة — حوالي 4.3 غيغابايت BF16 مقابل حوالي 3.1 غيغابايت BF16، ونحو 5 غيغابايت من VRAM للتشغيل.

كل صف تشترك فيه البطاقتان

المقارنة نظيفة على نحو غير معتاد بالنسبة لجدول يضم مختبرات مختلفة، لأن كلا المورّدين يقدّمان مجموعات البيانات الأربع نفسها الخاصة بالرؤية، وكلاهما نموذجان غير استدلاليين جرى تقييمهما في وضع التعليمات. لكنها لا تزال تقييمين أجراهما مورّدان، ولم يُعَد إنتاج أيٍّ منهما بشكل مستقل.

• OCRBench — 80.6 لـ LFM3-Omni-2B (806 من 1,000) مقابل 86.1 لـ MiniCPM-V 4.7 1B. فجوة قدرها 5.5 نقاط في التعرف على نص المستندات.

• MMStar — 55.67 مقابل 69.5. فجوة قدرها 13.8 نقطة، وهي الأكبر في المجموعة.

• التحقق من MMMU — 42.44 مقابل 56.9. فجوة قدرها 14.5 نقطة في الاستدلال متعدد الوسائط على مستوى الجامعة.

• MathVista mini — 62.50 مقابل 74.3. فجوة مقدارها 11.8 نقطة في الرياضيات البصرية.

أربعة صفوف، وأربع خسائر، وفجوات تتراوح بين خمس وخمس عشرة نقطة. لا يوجد صف يفوز فيه نموذج omni، وهي نتيجة أنظف مما أنتجته مقارنة LFM3 بـLFM2.5 وأصعب في التبرير. التفسير الأكثر قابلية للدفاع هو أن متخصصًا بحجم 1.4B وسياق 256K وميزانية رموز 4× هو ببساطة قارئ أفضل من نموذج عام بحجم 2.17B وسياق 32K وحد أقصى للصورة يبلغ 2,048 رمزًا. السعة المستثمرة في نمط واحد تتفوق على السعة الموزعة على أربعة، عند هذا الحجم.

تحذيران يجب ذكرهما معًا، لأن أيا من البطاقتين لا تتطوع بذكرهما. يُقاس 86.1 الخاص بـ MiniCPM عند ضغط 4×، والنموذج نفسه عند إعداده الافتراضي 16× سيسجل نتيجة أقل ويكون تشغيله أرخص — ولا تنشر البطاقة ذلك الرقم. كما أن بطاقة نموذج OpenBMB لا تتضمن أي جدول قياسات أداء على الإطلاق؛ بل تظهر الأرقام كنصوص سردية وصور مخططات على صفحة المنتج، وهو شكل أضعف من النشر مقارنة بجدول مرفق بملاحظة منهجية. كلتا المجموعتين من الأرقام ادعاءات من المورّد. واتجاه الفجوة متسق بما يكفي بحيث يُرجّح أن يصمد أمام الاختبار المستقل؛ أما حجمها الدقيق فيُرجّح ألا يصمد.

السياق هو الصف الذي يحدد أحمال العمل الحقيقية

يُعد سياق 32K سخيًا لصورة واحدة وضيّقًا لمستند. فعند نحو 2,048 رمزًا بصريًا لكل صورة، يستطيع LFM3-Omni-2B استيعاب نحو اثنتي عشرة صورة كاملة في نافذته قبل أن يبدأ سجل المحادثة في التنافس على المساحة. إن 262,144 رمزًا لدى MiniCPM-V 4.7 1B ليست تحسينًا متواضعًا؛ بل فئة مختلفة من أعباء العمل. ملفات PDF الطويلة، والنماذج متعددة الصفحات، وملخصات الفيديو التي تدوم ساعة، وحلقات الوكيل التي تحتفظ بلقطات الشاشة في السياق، كلها ممكنة عند 256K ومقيّدة عند 32K.

هذا هو الفرق الأقل تداولًا والأكثر أثرًا بين الطرازين. فجداول المقارنة المرجعية تكافئ الدقة على صورة واحدة، بينما تفشل خطوط معالجة المستندات في بيئات الإنتاج عند الصفحة الرابعة عشرة. وإذا كانت حالة الاستخدام لديك تتضمن أكثر من عدد قليل من الصور في المحادثة الواحدة، فإن نافذة 32K تشكّل حدًا أصعب من أي من فجوات المقاييس الأربع المذكورة أعلاه.

ما لا يستطيع MiniCPM فعله

لا يمكنه السماع. فلا يوجد مسار إدخال صوتي، ولا إخراج كلامي، ولا معالجة للمسار الصوتي للفيديو. إذا كان التطبيق عبارة عن شخص يتحدث إلى جهاز حول ما تراه الكاميرا، فإن MiniCPM-V 4.7 1B مكوّن واحد في خط معالجة يحتاج إلى نموذجين إضافيين على الأقل — نظام ASR ونظام TTS — بالإضافة إلى الطبقة الرابطة لنقل النص بينهما.

يختصر LFM3-Omni-2B خط المعالجة هذا في نقطة تحقق واحدة بسعة 4.3 GB. درجاته في الصوت ليست لافتة مقارنةً بنماذج الكلام المخصصة — فمعدل خطأ الكلمات في التعرّف الآلي على الكلام الإنجليزي 6.36، وVoiceBench 64.73 — لكنها موجودة داخل التمريرة الأمامية نفسها التي يمر بها مسار الرؤية، ما يعني أن النموذج يستطيع الإجابة عن سؤال منطوق بشأن صورة من دون كتابة أي نص مفرّغ على الإطلاق. وبالنسبة لأداة ميدانية تعمل دون استخدام اليدين أو لكشك تفاعلي، فهذه هي الميزة. أما بالنسبة لخط معالجة المستندات، فهي عبء زائد في ميزانية المعاملات.

لدى OrcaRouter، يمثل دمج النماذج الطريقة الأخرى للحصول على كلا السلوكين: لوحة يجيب فيها نموذج متخصص في المستندات ونموذج شامل على الطلب نفسه، وتُركّب الاستجابة من كليهما. هذه قدرة في المنتج وليست ادعاءً بشأن هاتين النقطتين من نقاط التحقق — فلا توجد أي منهما في كتالوجنا اليوم — لكنها الإجابة المعمارية لمواجهة يكون فيها كل نموذج أفضل بوضوح في نصف مختلف من المهمة. يكلّف الدمج أكثر لكل استدعاء مقارنةً بالتوجيه إلى نموذج واحد، ويستحق ذلك تحديدًا عندما تكون تكلفة إجابة خاطئة أكبر من تكلفة التوكنات.

القرار

إذا كانت المهمة هي القراءة — OCR، والفواتير، والنماذج، والمخططات، ولقطات الشاشة، وملفات PDF الطويلة، وواجهات المستخدم الكثيفة — فإن MiniCPM-V 4.7 1B هو الطراز الأفضل وفق كل مقياس منشور، فلديه ثمانية أضعاف السياق، وهو مرخّص بموجب Apache-2.0 بدلاً من ترخيص مخصص يتضمن حدًا للإيرادات، وحجمه على القرص أصغر. هذا ليس قرارًا متقاربًا، ولا ينبغي أن يخفي ذلك حقيقة أنه يُسمى طراز 1B.

إذا كان العمل عبارة عن محادثة مع جهاز يمتلك كاميرا وميكروفونًا، فإن LFM3-Omni-2B هو الوحيد من بين الاثنين القادر على المشاركة. فهو يقرأ بجودة أقل، ويحتفظ بسياق أقل، ويُتاح بشروط أكثر صرامة، ولا يهم أي من ذلك إذا كان البديل يتطلب ثلاثة نماذج ومسار معالجة.

ثمة حالة ثالثة تستحق التسمية: منتج يحتاج إلى كليهما، حيث يكون مسار المستندات ومسار الصوت ميزتين منفصلتين. عندئذٍ فالمعمارية الصحيحة ليست نموذجًا واحدًا بل نموذجين، يُوجَّه كلٌّ منهما حسب نوع الطلب — القارئ للمستندات، والنموذج الشامل للصوت — والسؤال الوحيد هو هل تريد تشغيل كليهما أم تدع نقطة نهاية واحدة تقرر. وهذا هو السؤال الذي تظل هذه الدفعة من المقارنات تنتهي إليه، وهو السؤال الصحيح. النموذجان متقاربان بما يكفي في البصمة بحيث يكون تشغيل كليهما خيارًا واقعيًا؛ ومتباعدان بما يكفي في القدرات بحيث يكون تشغيل أحدهما فقط تنازلًا أيًّا كان ما تختاره.

ما من شأنه أن يغيّر الحكم هو تقييم مستقل لأيٍّ من النموذجين، وتحديدًا تقييم يختبر MiniCPM عند ضغطه الافتراضي 16× بدلًا من إعداد 4× الذي تعتمده أرقامه الرئيسية. هذا الرقم وحده قد يسدّ معظم الفجوة — أو يوسّعها. وإلى أن ينشره أحد، فجداول البائعين هي كل ما لدينا، وهي تشير في اتجاه واحد.