LFM3-VL-2B vs. North Micro Vision Instruct: Zwei Dokumentenleser, eine Lizenzmauer

Die Genauigkeitslücke zwischen LFM3-VL-2B und North Micro Vision Instruct ist real, aber klein: etwa 4,6 Punkte bei DocVQA und 7,1 bei OCRBench, beide in dieselbe Richtung. Die Lücke, die über den Produktiveinsatz entscheidet, ist überhaupt kein Benchmark. North Micro Vision Instruct wird unter Apache 2.0 vertrieben. LFM3-VL-2B wird unter der LFM Open License v1.0 vertrieben, die kommerzielle Nutzung nur gestattet, solange Ihr Unternehmen einen Jahresumsatz von weniger als 10 Millionen US-Dollar erzielt.

Beide Modelle sind klein, beide sind Open-Weight, und beide wurden dafür gebaut, Seiten zu lesen, statt über Fotografien zu chatten. Eines wurde im August 2026 veröffentlicht und hat zwei Monate Downloads und Portierungen hinter sich. Das andere erschien am 19. Oktober auf Hugging Face, wurde am 27. Oktober offiziell angekündigt und hat 255 Downloads. Dieser Vergleich ist daher teils eine Benchmark-Frage und teils eine Frage danach, mit welchem Risiko man leben kann: einem unerprobten Modell oder einem unlizenzierten.

Was jedes Modell tatsächlich ist

LFM3-VL-2B ist Liquid AIs dichtes Modell mit 1,92 Mrd. Parametern: ein Sprach-Backbone mit 1,73 Mrd. Parametern, ein hauseigener Vision-Encoder mit 164 Mio. Parametern, der entwickelt wurde, um etwa dreimal weniger Rechenleistung als SigLIP2 zu benötigen, und ein Projektor mit 25 Mio. Parametern. Es nimmt Text, Bilder und Video mit 2 fps entgegen, gibt Text aus, unterstützt einen Thinking-Modus, bietet 128K Kontext und deckt 16 Sprachen ab. Das Repository enthält BF16-, GGUF-, MLX-4-Bit- und ONNX-Builds, wobei die llama.cpp-Unterstützung noch geprüft wird und über keinen Videopfad verfügt.

North Micro Vision Instruct ist Cohere Labs’ 2,4B-Modell: ein 2B-Sprachbackbone aus der North-Micro-Familie plus ein etwa 400M-Encoder, fortgeführt von SigLIP2 SO400M, mit einem Projektor im DeepStack-Stil. Es nimmt verschachtelten Text und Bilder in nativer Auflösung entgegen, bis zu 1654×2339 – eine vollständige A4-Seite bei 200 dpi – und gibt Text aus. Das Sprachmodell hat einen Kontext von 128K, aber Cohere gibt an, dass das multimodale Training nur bis 8K validiert wurde. Apache 2.0, 262K-Vokabular, 11 bis 12 Sprachen.

Diese Spezifikationen wirken ähnlich, sind es aber nicht. Ein 128K-Kontext ist eine Obergrenze für die Token, die das Modell berücksichtigen kann. Eingaben in nativer Auflösung sind eine Entscheidung, die Seite von vornherein nicht zu skalieren. Bei einer gescannten Rechnung mit einer Tabelle in der Ecke ist das Zweite wichtiger als das Erste.

Die Dokumentennummern, mit den richtigen Vorbehalten gelesen

Bei den Benchmarks, die beide Karten veröffentlichen, liegt LFM3-VL-2B vorn:

• DocVQA — LFM3-VL-2B 96,7 gegen North Micro Vision Instruct 92,1.

• OCRBench — 86,3 vs. 79,2.

• ChartQA — 92,7 gegenüber 80,8.

• AI2D — North meldet 77,5; Liquid veröffentlicht keine direkt vergleichbare AI2D-Zeile.

• RefCOCO-avg — 90,5 vs. 73,2, wobei die beiden Karten diese Durchschnittswerte so unterschiedlich beschreiben, dass die Subtraktion eher einen Hinweis als eine exakte Angabe darstellt.

All dies sind vom Anbieter gemeldete Angaben, auf Harnesses, die die Anbieter selbst ausgewählt haben, ohne unabhängige Reproduktion eines der beiden Modelle. Der DocVQA-Abstand ist klein genug, dass eine unterschiedliche Prompt-Formatierung ihn schließen könnte. Der ChartQA-Abstand ist mit fast 12 Punkten weniger wahrscheinlich Rauschen, und der OCRBench-Abstand von 7,1 Punkten passt zu einem Modell, das ausdrücklich auf Dokument- und Diagrammdaten trainiert wurde und über einen angehängten Reasoning-Modus verfügt.

Die interessante Zahl steht nicht in den Dokumentzeilen. Sie steht bei MMMU, wo LFM3-VL-2B 55,7 meldet und North Micro Vision Instruct 32,9. Das ist kein Unterschied beim Tuning; das ist ein anderes Produkt. Coheres eigene Modellkarte sagt, das Modell sei bewusst kein Reasoning-Modell, führe kein Tool-Calling aus und rate von System-Prompts ab. Es liest Seiten. Liquids Karte beansprucht Reasoning auf Hochschulniveau als eine von 62 gemessenen Kategorien. Wenn Ihre Aufgabe lautet: „Die Summen aus diesen 400 Rechnungen extrahieren“, funktionieren beide. Wenn Ihre Aufgabe lautet: „Entscheiden, ob diese Rechnung gegen die Richtlinie verstößt“, wurde nur eines dafür gebaut.

Wo die 128K-Behauptung ins Rutschen gerät

Der 128K-Kontext von LFM3-VL-2B ist die großzügigere veröffentlichte Angabe, aber Kontextlänge ist nicht dasselbe wie nutzbarer multimodaler Kontext. Das Datenblatt gibt nicht an, wie viele Bild-Tokens eine Seite in nativer Auflösung verbraucht, und es veröffentlicht keine maximale Frame-Anzahl für Videos. North Micro Vision Instruct veröffentlicht die entgegengesetzte Art von Zahl: einen 128K-Sprachkontext, dessen multimodales Training bis 8K validiert ist. Das ist eine konservative Angabe, und sie ist nützlicher als eine größere Zahl ohne angegebenes Vision-Budget.

Der Praxistest ist für beide Modelle derselbe: Messen Sie die Tokens pro Seite an Ihren eigenen Dokumenten, bevor Sie Ihre Lösung auf ein Kontextfenster hin auslegen. Ein 128K-Fenster, das bei Ihrer Auflösung vier Seiten fasst, ist kein 128K-Dokument-Workflow.

Die Lizenz ist die Entscheidung.

Apache 2.0 ist Apache 2.0. Sie dürfen North Micro Vision Instruct kommerziell ohne Umsatzbeschränkung nutzen, es verändern, weiterverbreiten und hosten, sofern Sie die Hinweise beibehalten. Das ist die gesamte Vereinbarung, und für ein Startup, das ein Dokumentprodukt entwickelt, entfällt damit eine ganze Kategorie der rechtlichen Prüfung.

Die LFM Open License v1.0 ist das nicht. Sie definiert kommerzielle Nutzung weit gefasst – „jede Nutzung des Werks zum unmittelbaren oder mittelbaren kommerziellen Vorteil oder gegen eine finanzielle Vergütung“ – und macht die Lizenz davon abhängig, dass der Lizenznehmer unter einer jährlichen Umsatzschwelle von 10 Millionen US-Dollar bleibt. Oberhalb dieser Schwelle „ist die kommerzielle Nutzung nicht unter dieser Vereinbarung lizenziert“. Qualifizierte gemeinnützige Organisationen sind für nichtkommerzielle Zwecke und Forschungszwecke befreit. Die Weiterverbreitung ist mit Namensnennung und Änderungshinweisen gestattet. Der von uns gelesene Lizenztext enthält keine gesonderte Hosting-Beschränkung, daher ist die Umsatzobergrenze und nicht ein Bereitstellungsverbot die Einschränkung.

Diese Obergrenze erzeugt ein unangenehmes Gespräch. Ein Unternehmen mit 9 Millionen Dollar Umsatz kann LFM3-VL-2B heute ausliefern und durch Wachstum die Lizenz verlieren. Das Modell hört nicht auf zu funktionieren; die Erlaubnis schon. Für ein Produkt mit einer Zwei-Jahres-Roadmap ist das ein Due-Diligence-Punkt, keine Fußnote.

Die Adoptionslücke ist ein Signal für sich.

North Micro Vision Instruct wurde etwa 35.000 Mal heruntergeladen, seit sein Repository am 10. August 2026 erschienen ist. LFM3-VL-2B hat seit dem 19. Oktober 255 Downloads und 34 Likes. Zwei Monate gegenüber neun Tagen erklären einen Teil davon, aber nicht alles: Die Ankündigung der LFM3-Familie am 27. Oktober war ein einziger Blogbeitrag, der sechs Modelle abdeckte, und der Vision-Checkpoint wurde darin in einem Absatz behandelt.

Stille Releases sind nicht automatisch schlechte Releases. Ein Modell ohne Einführungspreise, ohne Hosting-Anbieter und mit Framework-Unterstützung, die noch geprüft wird, ist ein Modell, das man auf eigener Hardware bewertet, und die niedrige Downloadzahl bedeutet vor allem, dass das noch niemand getan hat. Das bedeutet außerdem, dass es keine Community-Quantisierung gibt, keinen mit Fixes gefüllten Issue-Tracker und keinen Third-Party-Benchmark, auf den man sich stützen kann. North Micro Vision hat alle drei.

Was jedes einzelne kostet, soweit jemand darüber Auskunft gibt

Keines der beiden Modelle veröffentlicht einen API-Preis auf seiner Karte. North Micro Vision Instruct ist über Coheres Plattform verfügbar und wurde von mehreren Drittanbieter-Hostern aufgegriffen; LFM3-VL-2B ist in Liquids Playground und über die API ohne Preisliste verfügbar, und Hugging Face führt keinen Inference-Provider dafür auf. Auf eigener Hardware lautet der Vergleich 2,4 Mrd. Parameter gegen 1,92 Mrd. bzw. rund 4,8 GB gegen 3,84 GB in BF16 – nah genug beieinander, dass die GPU-Kosten nicht den Ausschlag geben.

Der Tiebreaker ist betriebsbereit. Wenn Sie ein gehostetes Vision-Modell mieten, statt einen der beiden Checkpoints selbst zu betreiben, gibt OrcaRouter die Listenpreise der Anbieter mit 0 % Aufschlag weiter, sodass eine Preisänderung eines Anbieters bei uns noch am selben Tag wirksam wird und nicht erst bei der nächsten Vertragsverlängerung. Wir bieten LFM3-VL-2B oder North Micro Vision Instruct derzeit nicht an, und dieser Beitrag behauptet auch nichts anderes; der Punkt ist, dass die gehostete Alternative transparent genug bepreist ist, um sie mit der obigen Rechnung für das Selbsthosting zu vergleichen.

Wer sollte was auswählen?

Wählen Sie North Micro Vision Instruct, wenn Sie Apache 2.0 benötigen, wenn Sie ein Modell möchten, das auf zwei Monate Community-Nutzung zurückblicken kann, oder wenn Ihre Dokumente vollständige Seiten in nativer Auflösung sind und Ihre Aufgabe bei der Extraktion endet. Akzeptieren Sie, dass es nicht über die extrahierten Felder hinweg schlussfolgern wird.

Wählen Sie LFM3-VL-2B, wenn Sie Videoeingabe, einen Denkmodus oder einen breiter aufgestellten visuellen Assistenten benötigen, der zufällig auch Dokumente gut liest, und wenn Sie deutlich unter der Umsatzschwelle liegen oder eine separate Lizenz aushandeln können. Akzeptieren Sie, dass Sie ein Early Adopter eines Checkpoints ohne unabhängige Bewertung und mit unvollständiger Framework-Unterstützung sind.

Wählen Sie vorerst keines von beiden, wenn Ihr Workflow einen kostenpflichtigen gehosteten Endpunkt mit Supportvertrag benötigt. Die kleine Open-Weight-Kategorie verbessert sich schnell, doch bei 255 Downloads wurde der neueste Neuzugang von niemandem außerhalb seines Labors Stress-Tests unterzogen.