LFM3-Omni-2B vs. MiniCPM-V 4.7 1B: Wenn das kleinere Modell besser liest

Auf dem Papier ist das kein fairer Kampf. LFM3-Omni-2B hat 2,17 Milliarden Parameter; MiniCPM-V 4.7 1B wird als 1B-Modell vermarktet. Das größere Modell sollte die Vision-Benchmarks gewinnen. Das tut es nicht. MiniCPM erzielt 86,1 auf OCRBench gegenüber 80,6, 69,5 auf MMStar gegenüber 55,67, 56,9 auf MMMU gegenüber 42,44 und 74,3 auf MathVista gegenüber 62,5. Jeder Vision-Benchmark, den die beiden Modellkarten gemeinsam aufführen, fällt zugunsten des Modells mit dem kleineren Namen aus, meist mit großem Abstand, und MiniCPM hat außerdem ein achtmal so großes Kontextfenster.Fusion kostet pro Aufruf mehr als das Routing zu einem einzelnen Modell. Es wird zum Listenpreis des Anbieters ohne Aufschlag abgerechnet.

Drei Dinge erklären das, und keines davon ist ein Defekt in einem der beiden Modelle. MiniCPM-V 4.7 1B ist ein Spezialist, der sein gesamtes Parameterbudget aufs Sehen verwendet hat. LFM3-Omni-2B ist ein Generalist, der sein Budget aufs Sehen, Hören und Sprechen verwendet hat. Und die MiniCPM-Zahl, die am meisten zählt – 86,1 auf OCRBench – wurde mit ihrer 4×-Visual-Token-Einstellung gemessen, die Rechenleistung gegen Detailtiefe eintauscht, und zwar auf eine Weise, die eine Obergrenze von 2.048 Token pro Bild nicht bieten kann. Diesen Kompromiss zu verstehen, ist die ganze Entscheidung.

Warum das kleinere Modell besser liest

MiniCPM-V 4.7 1B basiert auf einer einzigen Idee: visuelle Tokens früh zu komprimieren und den Nutzer entscheiden zu lassen, wie stark komprimiert wird. Das Modell wendet eine 4×- oder 16×-Tokenkompression im Vision-Encoder an, bevor das Sprachmodell überhaupt etwas sieht. Bei 16× ist es günstig und schnell und eignet sich für Bildunterschriften und Szenenbeschreibungen. Bei 4× behält es viermal so viele Tokens, was Dokumenten-OCR und das Lesen dichter Diagramme benötigen. OpenBMBs zentrale Zahlen werden für die 4×-Einstellung angegeben.

LFM3-Omni-2B verfolgt den entgegengesetzten Ansatz. Es verarbeitet Bilder in nativer Auflösung, begrenzt das visuelle Budget jedoch auf 2.048 Token pro Bild, und diese Obergrenze wird mit einem Audio-Encoder, einem Videopfad und einem Sprachdecoder innerhalb eines dichten 2,17B-Netzwerks geteilt. Die Obergrenze von 2.048 Token ist eine vernünftige Wahl für ein Modell, das neben drei weiteren Modalitäten auf einem Telefon Platz finden muss. Sie ist eine harte Obergrenze dafür, wie viel Seitendetail das Sprachmodell erreichen kann, und DocVQA 92.47 deutet darauf hin, dass das Modell viel daraus herausholt – aber OCRBench 80.6 besagt, dass es nicht ausreicht, um einen Spezialisten zu schlagen, der für dieselbe Seite 4× so viele Token aufwenden kann.

Es gibt einen zweiten, stilleren Faktor. Das Kontextfenster von MiniCPM umfasst 262.144 Token. Das von LFM3-Omni-2B umfasst 32.768. Bei einem einzelnen Screenshot spielt keines von beiden eine Rolle. Bei einem 40-seitigen PDF, einem langen Video oder einer Dokumentkonversation über mehrere Turns ist der Unterschied keine Benchmark-Zeile – er entscheidet, ob die Aufgabe überhaupt möglich ist.

Spezifikation, ohne das Marketing-Schönrechnen

Eine Zahl muss vor jedem Vergleich korrigiert werden. MiniCPM-V 4.7 1B wird als 1B-Modell bezeichnet, und seine dichte Parameteranzahl liegt je nach Zählweise des Vision-Towers bei etwa 1,3 bis 1,55 Milliarden. Die Seitenleiste von Hugging Face rundet sie auf „2B params“ auf, weshalb ein 1B-Modell in einem Katalog wie ein 2B-Modell aussieht. Die Dateigröße ist der ehrliche Anhaltspunkt: etwa 3,1 GB in BF16 gegenüber 4,3 GB für LFM3-Omni-2B.

• Parameter — 2,17 Mrd. dichte Parameter für LFM3-Omni-2B gegenüber etwa 1,3 Mrd. bis 1,55 Mrd. dichten Parametern für MiniCPM-V 4.7 1B.

• Eingaben — Text, Bild, Video mit Audio, 16-kHz-Audio vs. Text, Bild, Mehrfachbild und Video.

• Ausgaben — Text und 24-kHz-Sprachausgabe im Vergleich zu nur Text.

• Kontext — 32.768 Token vs. 262.144 Token.

• Visuelle Token — begrenzt auf 2.048 pro Bild gegenüber umschaltbarer 4×- oder 16×-Komprimierung im Encoder.

• Lizenz — LFM Open License v1.0 im Vergleich zu Apache-2.0.

• Veröffentlichung — 27. Oktober 2026 vs. 12. Oktober 2026.

• Speicherbedarf — etwa 4,3 GB BF16 gegenüber etwa 3,1 GB BF16, rund 5 GB VRAM für das Serving.

Jede Zeile, die beide Karten gemeinsam haben

Der Vergleich ist für eine laborübergreifende Tabelle ungewöhnlich sauber, weil beide Anbieter dieselben vier Vision-Datensätze berichten und beide Nicht-Reasoning-Modelle sind, die im Instruct-Modus evaluiert wurden. Es handelt sich jedoch weiterhin um zwei Anbieterbewertungen, und keine von beiden wurde unabhängig reproduziert.

• OCRBench — 80,6 für LFM3-Omni-2B (806 von 1.000) gegenüber 86,1 für MiniCPM-V 4.7 1B. Eine Lücke von 5,5 Punkten bei der Texterkennung in Dokumenten.

• MMStar — 55,67 vs. 69,5. Eine Differenz von 13,8 Punkten, die größte im Set.

• MMMU-Validierung — 42,44 vs. 56,9. Eine Lücke von 14,5 Punkten bei multimodalem Schlussfolgern auf Universitätsniveau.

• MathVista mini — 62,50 vs. 74,3. Eine Differenz von 11,8 Punkten bei visueller Mathematik.

Vier Zeilen, vier Niederlagen, Abstände zwischen fünf und fünfzehn Punkten. Es gibt keine Zeile, in der das Omni-Modell gewinnt, was ein saubereres Ergebnis ist als das, das der Vergleich LFM3 gegen LFM2.5 lieferte, und zugleich eines, das sich schwerer wegdiskutieren lässt. Die am besten vertretbare Deutung ist, dass ein 1,4B-Spezialist mit 256K-Kontext und einem 4×-Token-Budget schlicht ein besserer Leser ist als ein 2,17B-Generalist mit 32K-Kontext und einem Bildlimit von 2.048 Token. In dieser Größenordnung schlägt Kapazität, die für eine Modalität aufgewendet wird, Kapazität, die auf vier verteilt wird.

Zwei Einschränkungen gehören im selben Atemzug genannt, denn keine der beiden Karten weist von sich aus darauf hin. MiniCPMs 86,1 wird bei 4-facher Kompression gemessen, und dasselbe Modell würde bei seiner Standard-Einstellung von 16× niedriger abschneiden und günstiger laufen – diese Zahl veröffentlicht die Karte nicht. Und die Modellkarte von OpenBMB enthält überhaupt keine Benchmark-Tabelle; die Zahlen erscheinen als Fließtext und Diagrammbilder auf der Produktseite, was eine schwächere Form der Veröffentlichung ist als eine Tabelle mit einer Anmerkung zur Methodik. Beide Zahlenreihen sind Herstellerangaben. Die Richtung des Unterschieds ist so konsistent, dass sie unabhängige Tests wahrscheinlich überstehen dürfte; die genaue Größe wahrscheinlich nicht.

Kontext ist die Zeile, die über echte Workloads entscheidet.

Ein 32K-Kontext ist großzügig für ein einzelnes Bild und eng für ein Dokument. Bei rund 2.048 visuellen Tokens pro Bild kann LFM3-Omni-2B etwa ein Dutzend vollständige Bilder in seinem Fenster halten, bevor die Gesprächshistorie beginnt, um Platz zu konkurrieren. Die 262.144 Tokens von MiniCPM-V 4.7 1B sind keine bescheidene Verbesserung; sie sind eine andere Klasse von Arbeitslast. Lange PDFs, mehrseitige Formulare, stundenlange Videozusammenfassungen und Agenten-Schleifen, die Screenshots im Kontext behalten, sind bei 256K alle machbar und bei 32K alle eingeschränkt.

Dies ist der am wenigsten diskutierte und folgenreichste Unterschied zwischen den beiden Modellen. Benchmark-Tabellen belohnen die Genauigkeit bei einzelnen Bildern; Produktions-Dokumentenpipelines scheitern auf der vierzehnten Seite. Wenn Ihr Anwendungsfall mehr als eine Handvoll Bilder pro Konversation umfasst, ist das 32K-Fenster eine härtere Grenze als jede der vier oben genannten Benchmark-Lücken.

Was MiniCPM nicht kann

Es kann nicht hören. Es gibt keinen Audioeingabepfad, keine Sprachausgabe und keine Verarbeitung von Video-Soundtracks. Wenn die Anwendung darin besteht, dass eine Person mit einem Gerät darüber spricht, was die Kamera sieht, ist MiniCPM-V 4.7 1B eine Komponente einer Pipeline, die mindestens zwei weitere Modelle benötigt – ein ASR-System und ein TTS-System – plus die Verknüpfung, um Text zwischen ihnen zu übertragen.

{{1}}LFM3-Omni-2B{{/1}} fasst diese Pipeline in einen einzigen 4,3-GB-Checkpoint zusammen. Seine Audio-Werte sind im Vergleich zu spezialisierten Sprachmodellen unspektakulär – {{2}}englische ASR mit 6,36 Wortfehlerrate, VoiceBench 64,73{{/2}} –, doch sie liegen im selben Forward-Pass wie der Vision-Pfad, was bedeutet, dass das Modell eine gesprochene Frage zu einem Bild beantworten kann, ohne dass je ein Transkript geschrieben wird. Für ein freihändiges Feldwerkzeug oder einen Kiosk ist genau das das entscheidende Feature. Für eine Dokumenten-Pipeline ist es Ballast im Parameterbudget.

OrcaRouters Modellfusion ist der andere Weg, beide Verhaltensweisen zu erhalten: ein Panel, in dem ein Dokumentspezialist und ein Omni-Modell denselben Prompt beantworten und die Antwort aus beiden zusammengesetzt wird. Das ist eine Produktfunktion und keine Aussage über diese beiden Checkpoints – keiner davon ist heute in unserem Katalog –, aber es ist die architektonische Antwort auf eine Paarung, bei der jedes Modell bei einer anderen Hälfte der Aufgabe deutlich besser ist. Fusion kostet pro Aufruf mehr als das Routing zu einem einzigen Modell, und sie lohnt sich genau dann, wenn eine falsche Antwort mehr kostet als die Tokens.

Die Entscheidung

Wenn die Arbeit im Lesen besteht – OCR, Rechnungen, Formulare, Diagramme, Screenshots, lange PDFs, dichte UI –, ist MiniCPM-V 4.7 1B bei jedem veröffentlichten Maß das bessere Modell, es hat achtmal so viel Kontext, es ist Apache-2.0 statt einer individuellen Lizenz mit Umsatzschwelle, und es ist kleiner auf der Festplatte. Das ist keine knappe Entscheidung, und die Tatsache, dass es als 1B-Modell bezeichnet wird, sollte das nicht verschleiern.

Wenn es bei der Aufgabe um ein Gespräch mit einem Gerät geht, das eine Kamera und ein Mikrofon hat, ist LFM3-Omni-2B das einzige der beiden, das teilnehmen kann. Es liest weniger gut, hält weniger Kontext und wird unter strengeren Bedingungen ausgeliefert, und nichts davon spielt eine Rolle, wenn die Alternative drei Modelle und eine Pipeline erfordert.

Es gibt einen dritten Fall, den man benennen sollte: ein Produkt, das beides braucht, bei dem der Dokumentpfad und der Sprachpfad getrennte Funktionen sind. Dann ist die richtige Architektur nicht ein Modell, sondern zwei, geroutet nach Anfragetyp – der Reader für Dokumente, das Omni-Modell für Sprache –, und die einzige Frage ist, ob man beide betreiben möchte oder einen einzigen Endpunkt entscheiden lassen will. Das ist die Frage, bei der diese Vergleichsrunde immer wieder landet, und es ist die richtige. Die Modelle sind sich im Footprint ähnlich genug, dass der Betrieb beider eine echte Option ist; sie unterscheiden sich in ihrer Leistungsfähigkeit weit genug, dass der Betrieb nur eines Modells eine Kompromisslösung ist, egal welches man wählt.

Was das Urteil ändern würde, ist eine unabhängige Bewertung eines der beiden Modelle, und zwar speziell eine, die MiniCPM mit seiner standardmäßigen 16×-Kompression testet statt mit der 4×-Einstellung, die seinen Schlagzeilenwerten zugrunde liegt. Diese eine Zahl könnte den größten Teil der Lücke schließen – oder sie vergrößern. Bis jemand sie veröffentlicht, sind die Herstellertabellen alles, was wir haben, und sie weisen in eine Richtung.