Molmo2-4B مقابل LFM2.5-VL-3B: 19 غيغابايت من الأوزان مقابل 3 غيغابايت على الهاتف

ضع نقطتي التحقق جنبًا إلى جنب على القرص، وتكاد المقارنة تنتهي قبل أن تبدأ. يأتي Molmo2-4B بحجم 19.42 GB من safetensors بصيغة float32 موزعة على أربع شرائح. يبلغ إجمالي المستودع الأصلي لـ LFM2.5-VL-3B‏ 6.27 GB، وتَعِد بطاقة Liquid الخاصة به بأنه يعمل في "أقل من 3.3 GB من الذاكرة." وعند تكميم النموذج الأصغر، يصبح الفارق نحو ستة إلى واحد في البصمة لنموذجين يُناقشان وكأنهما نموذجان صغيران للرؤية واللغة قابلان للتبادل. إنهما ليسا قابلين للتبادل، والسبب ليس الجودة. أُحِد أحدهما للإجابة عن أسئلة حول فيديو من 384 إطارًا. وأُحِد الآخر للإجابة عن أسئلة حول صورة فوتوغرافية على هاتف مع إيقاف تشغيل الاتصال اللاسلكي. لا يُستضاف أي من النموذجين هنا، لذا يتمثل دور المنصة في الحزمة المحيطة. تسعير بهامش ربح 0% يُمرَّر سعر القائمة الخاص بالمزوّد دون تغيير.

لا يُعد أي من الطرازين جديدًا، وهذا مهم إذا وصلت من صفحة نتائج توحي بخلاف ذلك. أُعلن عن Molmo2-4B من قِبل Allen Institute for AI في 11 ديسمبر 2025، وطُرحت أوزانه في 14 ديسمبر. وطُرح LFM2.5-VL-3B من Liquid AI في 12 أغسطس 2026. أما ما تغيّر مؤخرًا فهو أضيق نطاقًا وأكثر فائدة من عملية إطلاق: فقد أصبح Molmo2 بنية من الدرجة الأولى في Transformers upstream، بعد دمج PR #43451 في 9 أكتوبر 2026، وطرح النموذج لأول مرة في v5.20.0 في 15 أكتوبر، ما أنهى الفترة التي كان عليك فيها تمرير trust_remote_code=True وتثبيت حزمة molmo_utils منفصلة. وفي 5 نوفمبر، نشرت Ai2 أيضًا Molmo2-4B-tb، وهو ضبط دقيق للروبوتات مبني على نقطة التحقق هذه نفسها. لا يجعل أي من الحدثين Molmo2-4B جديدًا، لكن كليهما يجعله عمليًا للتشغيل الآن.

مسألة الذاكرة، بالأرقام بدلًا من الصفات

الأحجام أولًا، لأنها تحسم معظم عمليات النشر قبل الرجوع إلى أي اختبار قياسي.

• المعاملات — يبلغ Molmo2-4B ‏4,850,869,200 موزَّعة على برج رؤية SigLIP 2 ونواة لغوية Qwen3-4B-Instruct-2507؛ ويبلغ LFM2.5-VL-3B ‏3,123,483,888 موزَّعة على مُرمِّز SigLIP2 NaFlex 400M وعمود فقري LFM2.5 بحجم 2.6B.

• صيغة الأوزان الموزَّعة — يُوزَّع Molmo2-4B بصيغة float32، بحجم 19.42 GB على القرص، على أربعة أجزاء؛ ويُوزَّع LFM2.5-VL-3B بصيغة bfloat16 بحجم 6.27 GB، مع نشر صادرات رسمية بصيغ GGUF وONNX وMLX إلى جانبه.

• بصمة وقت التشغيل المعلنة — تدّعي Liquid أن LFM2.5-VL-3B يستهلك أقل من 3.3 غيغابايت عند الاستدلال؛ ولا تنشر AI2 أي رقم عن ذاكرة وقت التشغيل لـ Molmo2-4B، كما أن توزيع float32 يعني أنك ستجري تحويلًا للنوع قبل تقديم الخدمة.

• الإنتاجية — تُفيد Liquid عن 228 رمزًا/ثانية على Apple M5 Max، و116 رمزًا/ثانية على AMD Ryzen AI Max+ 395، و20 رمزًا/ثانية على Galaxy S26 Ultra. لا يوجد رقم عام مكافئ لـ Molmo2-4B بأي حجم.

• السياق — 32,768 رمزًا لـ LFM2.5-VL-3B؛ و36,864 موضعًا في إعداد النص لدى Molmo2-4B، يتم الوصول إليها عبر مرحلة ضبط دقيق مخصّصة للسياق الطويل عند 384 إطارًا.

يستحق هذا الزوج الأخير تحفّظًا لا مقارنةً. فميزانية طول التسلسل البالغة 36,864 لدى Molmo2-4B يستهلكها مسار الفيديو لديها بسرعة: إذ يأتي معالج الفيديو المسبق المطروح افتراضيًا بإعداد 384 إطارًا بمعدل 2 إطار/ثانية، مع تغيير الحجم إلى 378×378 وتجميع 3×3. ويمكن لمقطع طويل أن يستهلك النافذة كاملة في الإطارات وحدها، تاركًا مساحة ضئيلة للسؤال. أما الـ32,768 الخاصة بـ LFM2.5-VL-3B فتُنفق على النصوص ورقاع الصور، لأنها لا تملك مسار فيديو على الإطلاق.

الفيديو هو الخط الفاصل، وليس جدول المعايير.

يعالج LFM2.5-VL-3B النصوص والصور. هذا هو كامل سطح الإدخال. وهو جيد جدًا فيما صُمم من أجله — التعرف الضوئي على الحروف للصفحات الكاملة مع إضافة تعليقات التخطيط، واكتشاف الأجسام من استعلامات باللغة الطبيعية، وقراءة الشاشة، والعمل شبه الفوري على الجهاز — لكن الفيديو ليس أحد مدخلاته، ولا يوجد مقدار من هندسة التوجيهات يغيّر ذلك.

بُني Molmo2-4B على النحو المعاكس. تسرد بطاقة طراز Ai2 تسع مجموعات تدريب، خمس منها فيديو أو متعددة الصور: أسئلة وأجوبة لوصف الفيديو، وأسئلة وأجوبة للترجمة النصية للفيديو، والتأشير في الفيديو، والتتبع في الفيديو، وأسئلة وأجوبة متعددة الصور، والتأشير متعدد الصور. مخرجات التأشير هي الجزء غير المعتاد. تعود الإحداثيات مقيسة إلى نطاق 0–1000 من عرض الصورة وارتفاعها، بتنسيق موسوم تُرفق البطاقة تعبيرًا نمطيًا له، لذا فإن إجابة "أين القارب" تكون نقطة رقمية بدلًا من جملة. ويحمل التنسيق نفسه طابعًا زمنيًا في وضع الفيديو، وهو ما يجعل التتبع على مستوى الإطار ممكنًا أصلًا.

إذا كانت مهمتك عبارة عن لقطة شاشة، أو صفحة ممسوحة ضوئيًا، أو صورة فوتوغرافية لرف أو لقائمة طعام، فلا يهم أيٌّ من ذلك، ويكون النموذج بسعة 3 غيغابايت ببساطة الخيار الهندسي الأفضل. وإذا كانت مهمتك هي "العثور على اللحظة التي يسقط فيها الصندوق عن المنصة النقالة"، فإن LFM2.5-VL-3B لا يمكنه الدخول في المقارنة.

متوسطان لمورّدَين يجب ألا يُطرح أحدهما من الآخر

هنا حيث تخطئ معظم صفحات المقارنة. تُبلِغ Liquid عن متوسط 69.4 لـ LFM2.5-VL-3B عبر جدول رؤية يضم 28 معيارًا. وتُبلِغ AI2 عن متوسط 62.8 لـ Molmo2-4B عبر 15 معيارًا أكاديميًا. إذا وُضع هذان الرقمان جنبًا إلى جنب، يبدو LFM2.5-VL-3B أفضل بـ 6.6 نقاط. لكن هذه ليست مقارنة صحيحة: مجموعات معايير مختلفة، وتنسيقات مطالبات مختلفة، وإعدادات فك ترميز مختلفة، وفي حالة Liquid مجموعة اختارها مؤلفوها أنفسهم.

ما الذي يُبلغ عنه كل مورّد فعليًا، مع إرفاق مصدره:

• LFM2.5-VL-3B، وفقًا لما أبلغت به الجهة المورّدة — DocVQA ‏91.1، RefCOCO-avg ‏87.9، CountBenchQA ‏87.3، OCRBench v1 ‏84.2، TextVQA ‏84.3، MMBench ‏81.0، صورة SEED-Bench ‏77.7، ScreenSpot-v2 Web ‏82.2، MMStar ‏63.3، MMMU ‏48.4، MMMU-Pro ‏30.5، MathVista mini ‏68.5.

• Molmo2-4B، وفق ما أوردته الشركة — متوسط 62.8 على 15 معيارًا أكاديميًا، مقابل 63.1 للطراز الشقيق 8B، و58.1 لـ Qwen3-VL-4B، و53.4 لـ InternVL3.5-4B، و59.6 لـ Claude Sonnet 4.5، و70.0 لـ Gemini 3 Pro، و70.6 لـ GPT-5 في الجدول نفسه.

• لم يُبلّغ به أيّ من المورّدين في أي مكان — إطار اختبار مشترك. لم تنشر أيّ من الشركتين نتائج Molmo2-4B على مجموعة Liquid المكوّنة من 28 اختبارًا، ولا نتائج LFM2.5-VL-3B على جدول AI2 المكوّن من 15 اختبارًا.

المحور الوحيد القابل للمقارنة فعليًا هو حجم النموذج، وهناك يتفوق نموذج 4.85B على نموذج 3.12B في متوسط AI2 نفسه بينما يخسر بشدة على صعيد بصمة النشر. تلك هي المقايضة، بقول صريح.

التراخيص: ليس أيٌّ منهما هو Apache-2.0 كما يبدو

تحمل البطاقتان تسمية توحي بالسماحية، ولكل منهما مأخذ خفي سيكتشفه مراجع المشتريات.

• Molmo2-4B — الأوزان تحت Apache 2.0، لكن البطاقة تضيف أن النموذج «مُدرَّب على مجموعات بيانات من أطراف ثالثة تخضع للاستخدام البحثي الأكاديمي وغير التجاري فقط»، وتنصحك بمراجعة المصادر قبل تقرير ما إذا كان النموذج مناسبًا. الأوزان مفتوحة؛ أما سلسلة مصدر البيانات فليست نظيفة للاستخدام التجاري، وAi2 تقول ذلك على البطاقة لا في حاشية.

• LFM2.5-VL-3B — رخصة LFM Open License v1.0، وهي ليست رخصة OSI. يُمنح الاستخدام التجاري بشكل مشروط: يجعل البند 5 الحقوق التجارية مرهونة ببقاء كيانك القانوني دون الحد المحدد، وتُعرّف الرخصة ذلك الحد بأنه إيرادات سنوية قدرها 10 ملايين دولار أمريكي أو أكثر.

لا يُعد أيٌّ من القيدين غير مألوف في إصدار مرتبط بمجال الأبحاث. ويعني كلاهما أن سؤال «هل يمكننا إطلاق هذا؟» تختلف إجابته بين نموذج أولي يطوّره شخصان وشركة ممولة، وأن الإجابتين تشيران إلى اتجاهين متعاكسين تبعًا للنموذج الذي اخترته.

تشغيل أي منهما اليوم

أصبحت بطاقة نموذج Molmo2-4B الخاصة متأخرة الآن عن المكتبة. فهي لا تزال توجّهك إلى تثبيت transformers==4.57.1، وتمرير trust_remote_code=True، وتثبيت molmo_utils وdecord2. هذه الوصفة تعمل. لكنها لم تعد الوحيدة: فمنذ v5.20.0، أصبح لدى Transformers القياسي فئة Molmo2ForConditionalGeneration بإعداداتها ومعالج الصور ومعالج الفيديو والمعالج الخاص بها، لذا أصبح مسار remote-code اختياريًا بدلًا من إلزامي. وقد قدّمت vLLM دعم Molmo2 عبر فئتها الخاصة منذ وقت قصير بعد الإطلاق؛ ولا تزال وثائق منصة AI2 تشير إلى حزم nightly بدلًا من إصدار مستقر، وهو أمر يستحق معرفته قبل تثبيت إصدار في بيئة الإنتاج.

تتمتع LFM2.5-VL-3B بقصة نشر أكثر نضجًا من بين الاثنين، والفارق ليس ضئيلًا: أوزان أصلية إضافة إلى تصديرات GGUF وONNX وMLX، مع إدراج llama.cpp وvLLM وSGLang جميعها كمدعومة، وإنتاجية منشورة على ثلاث قطع مختلفة من عتاد المستهلكين. إذا كان هدفك حاسوبًا محمولًا أو هاتفًا أو حاسوبًا أحادي اللوحة، فإن تلك المنظومة هي المنتج.

ملاحظة عملية لمن يخطط للتوجيه بينهما: لا يوجد أي من الطرازين في كتالوج OrcaRouter، وسيكون من الخطأ تفسير مقارنة كهذه على أنها ادعاء بالتوافر. ما تقدمه المنصة هو واجهة API واحدة لأكثر من 200 طراز إلى جانب نشر مستضاف ذاتيًا مثل هذين، مع تجاوز الفشل التلقائي وسعر القائمة الخاص بالمزوّد يُمرَّر دون إضافة أي هامش ربح. النمط المعتاد هو إبقاء طراز الرؤية الصغير محليًا للمسار الحرج من حيث زمن الاستجابة، وتوجيه الطلبات الأصعب والأندر إلى الخارج — وإثبات هذا التقسيم بحركة مرور حقيقية قبل الالتزام بأي منهما.

أيّ واحد تختار

اختر LFM2.5-VL-3B إذا كان هدف النشر هاتفًا أو حاسوبًا محمولًا أو جهازًا طرفيًا، أو إذا كانت مدخلاتك لقطات شاشة أو مستندات أو صورًا فوتوغرافية مفردة، أو إذا كنت بحاجة إلى زمن استجابة أقل من ثانية لأول رمز، أو إذا كنت بحاجة إلى إحدى الصيغ المُكمَّمة الموجودة له بالفعل. إن التغطية البالغة 16 لغة وأرقام ScreenSpot-v2 تجعله خيارًا يمكن الدفاع عنه لفهم الشاشة على الجهاز تحديدًا.

اختر Molmo2-4B إذا كان الفيديو ضمن النطاق، أو إذا كنت تحتاج إلى إحداثيات بدلاً من نص سردي، أو إذا كنت تحتاج إلى استدلال متعدد الصور عبر مجموعة من الإطارات، أو إذا كانت المهمة هي عدّ الأجسام في مشهد ما — فمقارنة AI2 الخاصة تضع عائلة Molmo2 في صدارة مجال الأوزان المفتوحة في عدّ الفيديو، مع إقرارها بأن لا نموذج في تقييمها يبلغ دقة 40%. خصّص ميزانية للبصمة: 19.42 GB من أوزان float32، وتحويل إلى bfloat16 قبل التشغيل، واستخدام GPU بدلاً من هاتف.

ما يحسم الأمر على نحو سليم هو تقييم مشترك على أداة اختبار واحدة، عند تكميم متطابق، مع قياس زمن الاستجابة على الجهاز نفسه. لم ينشر أيٌّ من المورّدين تقييمًا كهذا، وإلى أن يفعل أحدهم ذلك، فالإجابة الصادقة هي أن هذين النموذجين صُمّما لمهمتين مختلفتين، ولم تكن المعايير القياسية يومًا مقصودة للتلاقي.