MiniCPM-V 4.7 1B vs. LFM2.5-VL 3B: OpenBMB sagt, sein 1B-Modell schlägt ein 3B-Modell. Das verschweigt diese Behauptung.

MiniCPM-V 4.7 1B und LFM2.5-VL 3B sind beides Vision-Language-Modelle mit offenen Gewichten, die für Smartphones und kleine Computer entwickelt wurden, und sie liegen im Kalender weniger als drei Wochen auseinander. MiniCPM-V 4.7 1B wurde am 6. Oktober 2026 von OpenBMB hochgeladen und in den Versionshinweisen des Anbieters auf den 12. Oktober datiert. LFM2.5-VL 3B wurde am 11. August 2026 von Liquid AI veröffentlicht. Das eine hat 1,55 Milliarden Parameter und steht unter Apache 2.0. Das andere hat 3,12 Milliarden Parameter und steht unter der LFM Open License v1.0. Und die Produktseite von OpenBMB selbst erhebt eine Behauptung, die jeden davon abhalten sollte, allein nach der Größe zu entscheiden: dass sein 1B-Modell besser ist als LFM2.5-VL 3B bei OCR, Diagrammverständnis und Videoverständnis. Die dokumentierten KI-Fehler und Agenten-Vorfälle hinter Veröffentlichungen wie dieser sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, einen Schweregrad, eine Vertrauensstufe und eine Kennzeichnung als umstritten trägt.

Dieser Satz leistet eine Menge. Soweit sich das überhaupt überprüfen lässt, wird er zudem nicht durch die Zahlen widerlegt – was interessanter ist, als wenn das der Fall wäre. Dieser Beitrag geht durch, was jeder Anbieter tatsächlich veröffentlicht hat, wo der Vergleich wirklich trägt und die zwei Stellen, an denen die Behauptung beiläufig das Thema wechselt.

Die Behauptung, in den eigenen Worten des Anbieters

Die 1B-Seite von OpenBMB besagt, das Modell sei „ein umfassendes Upgrade gegenüber MiniCPM-V 4.6-1.3B und übertreffe Qwen3.5-0.8B und LFM2.5-VL-3B, wobei es in OCR, Diagramm-Reasoning und Videoverständnis seiner Größenklasse voraus bleibe“. Der entscheidende Satzteil ist „seiner Größenklasse voraus zu bleiben“. Der Vergleich mit LFM2.5-VL 3B wird als Beleg für die Leistungsdichte angeführt; der darauffolgende Satz beschränkt die Aussage auf eine Größenklasse, der das LFM nicht angehört.

Die Model Card von Liquid AI erwidert den Gefallen nicht. Sie erwähnt MiniCPM mit keinem Wort und vergleicht sein Modell in Benchmarks mit G​emma4 E2B und E4B, InternVL 3.5 2B und 4B sowie Qwen3.5-2B und 4B. Das ist also ein einseitiger Vergleich: Ein Anbieter hat sich mit dem anderen gemessen, und der andere hat das Kräftemessen nie bestätigt. Diese Asymmetrie ist das Erste, was man wissen sollte, bevor man irgendeinen direkten Vergleich liest, einschließlich dieses hier.

Was jeder Anbieter zu Protokoll gibt

Liquid AI veröffentlicht eine numerische Tabelle. LFM2.5-VL-3B meldet MathVista 68,5, MMMU Pro 30,5, ChartQA 81,3 und OCRBenchv2 47,5 (nur englische Teilmenge), zusammen mit den Werten eines Schwestermodells in denselben Zeilen. Das sind Herstellerzahlen, vom Hersteller ermittelt, und niemand Unabhängiges muss ihnen zustimmen – aber sie sind falsifizierbar, und genau das macht sie nützlich. Wenn Sie auf MathVista 55 reproduzieren, wissen Sie, dass etwas in Ihrem Setup anders ist.

OpenBMB veröffentlicht eine numerische Zusammenfassung als Fließtext und darunter vollständige Diagramme. Für das 1B-Modell nennt die Seite OCRBench 86,1, MathVista 74,3, CharXiv Reasoning 48,8, LongVideoBench 53,4 und MotionBench 54,55 und stellt den restlichen Vergleich als Bilder mit einer 4×- und einer 16×-Spalte dar. Die Model Card selbst enthält überhaupt keine Benchmark-Tabelle.

Vergleiche die beiden anhand des einen Benchmarks, den beide nennen. {{1}}MathVista{{/1}}: {{2}}MiniCPM-V 4.7 1B{{/2}} bei 74,3, {{3}}LFM2.5-VL 3B{{/3}} bei 68,5. Das 1B liegt nach den eigenen Angaben des Anbieters um 5,8 Punkte vorn. Bei OCR verwenden die beiden unterschiedliche Instrumente – {{4}}OCRBench{{/4}} gegenüber dem englischen Subset von {{5}}OCRBenchv2{{/5}} –, und die Zahlen sind nicht vergleichbar, was genau die Art von Detail ist, die ein „übertrifft“-Satz auslässt.

Wo ein Äpfel-mit-Äpfeln-Vergleich möglich ist

• Parameter — 1,55B dense, BF16, 3,1 GB auf der Festplatte gegenüber 3,12B dense, BF16; das LFM ist ungefähr doppelt so groß wie das Modell

• Vision-Encoder — SigLIP2-artiger Tower, 27 Layer, 1152 Hidden, 980-Pixel-Kacheln vs. SigLIP2 NaFlex 400M, 512×512 nicht überlappende Patches plus ein skaliertes Vorschaubild

• Text-Backbone — eine von Qwen3.5 abgeleitete Konfiguration mit 24 Schichten, 1024 Hidden-Dimensionen, einem 3:1-Muster aus linearer zu voller Attention gegenüber LFM2.5-2.6B, einer hybriden Architektur aus eigener Entwicklung von Liquid AI

• Kontext — 262.144 Token vs. 32.768 Token

• Visuelles Token-Budget — umschaltbare 4×- oder 16×-Komprimierung pro Anfrage im Vergleich zu einem festen, durch die Auflösung bestimmten NaFlex-Patch-Budget

• Lizenz — Apache 2.0 vs. LFM Open License v1.0, die kommerzielle Bedingungen statt reiner Permissivität mit sich bringt

• Genannte Sprachen – Englisch und Chinesisch in den Beispielen der Karte gegenüber 16 ausdrücklich aufgeführten Sprachen (Arabisch bis Vietnamesisch)

• Veröffentlichte Evaluation — fünf Abbildungen im Fließtext plus reine Diagrammvergleiche gegenüber einer numerischen Tabelle über vier Benchmarks und sechs Schwestermodelle hinweg

• Unabhängige Bewertung — zum jetzigen Zeitpunkt kein Eintrag bei Artificial Analysis für eines von beiden vs. ebenfalls kein Eintrag bei Artificial Analysis

• Vom Hersteller angegebene Geschwindigkeit — kein Tokens-pro-Sekunde-Wert für das 1B auf irgendeinem Gerät im Vergleich zu 228 Tok/s auf einem Apple M5 Max, 116 Tok/s auf einem AMD Ryzen AI Max+ 395, 20 Tok/s auf einem Galaxy S26 Ultra

• Speicher — etwa 3,1 GB BF16; Q4 GGUF 0,67 GB plus ein Vision-Projektor mit 0,90–1,11 GB gegenüber unter 3,3 GB laut Veröffentlichung, wobei GGUF-, ONNX- und MLX-Builds angeboten werden

• Benannte Serving-Pfade — Transformers, SGLang, vLLM, llama.cpp, Ollama, OpenVINO, DSpark-Speculative-Decoding gegenüber Transformers, vLLM, SGLang, llama.cpp, plus GGUF-, ONNX- und MLX-Exporte

• On-Device-Story – Apps für iOS, Android und HarmonyOS sowie Day-0-Unterstützung für Rockchip, Houmo, Intel, AMD und Arm, demonstriert anhand einer Decode-Kennzahl für iPhone 17 Pro Max vs. Galaxy S26 Ultra und einem MLX-Build für Apple Silicon

Zwei Zeilen verdienen einen zweiten Blick. Das Kontextfenster ist ein achtfacher Unterschied zugunsten von MiniCPM, und es ist die Art von Zahl, die entscheidend wirkt, bis man bedenkt, dass ein 1B-Modell mit 262k Tokens einen KV-Cache hält, der größer ist als seine eigenen Gewichte. In der Praxis wird auf einem Smartphone keines der beiden Modelle auch nur annähernd an seine Obergrenze herankommen. Und die Lizenzzeile ist diejenige, die über kommerzielle Adoption häufiger entscheidet als jeder Benchmark: Apache 2.0 braucht kein Gespräch mit einem Anwalt, die LFM Open License schon.

Der Teil, bei dem die Behauptung das Thema wechselt

OpenBMB vergleicht sein Modell mit einem Konkurrenten, der doppelt so groß ist, anhand von Benchmarks, die es selbst ausgewählt hat, und berichtet das Ergebnis in Prosa. Das ist nicht unehrlich – die Zahlen sind veröffentlicht und der Vergleich wird genannt. Aber damit beantwortet es eine Frage, die sich niemand tatsächlich stellt, der ein Modell einsetzt. Niemand entscheidet sich zwischen einem 1B- und einem 3B-Modell, weil er möchte, dass das kleinere besser ist. Sie entscheiden sich, weil das eine auf ihr Gerät passt und das andere nicht, oder weil das eine die Sprachabdeckung bietet, die sie brauchen, oder weil die Lizenz des einen die rechtliche Prüfung besteht.

Beim ersten davon ist die ehrliche Lesart, dass beide passen. Die Modellkarte von LFM2.5-VL-3B gibt weniger als 3,3 GB an und erreicht 20 Token pro Sekunde auf einem Galaxy S26 Ultra. MiniCPM-V 4.7 1B liegt bei Q4 mit seinem Projektor bei etwa 1,8 GB. Der eigentliche Vorteil des 1B ist also nicht „es läuft auf einem Smartphone und das andere nicht“ – es ist die Reserve: rund anderthalb Gigabyte weniger Arbeitsspeicher, was auf einem Android-Gerät der Mittelklasse den Unterschied zwischen einer App, die überlebt, und einer, die vom System beendet wird, ausmacht.

Beim zweiten Punkt kehrt sich der Vergleich um. LFM2.5-VL-3B nennt 16 Sprachen in seiner Karte und liefert ONNX- und MLX-Builds zusammen mit GGUF. Die Dokumentation von MiniCPM-V 4.7 1B ist auf englische und chinesische Beispiele ausgerichtet, und seine On-Device-Story orientiert sich an Chipsupport für iOS, Android und HarmonyOS statt an Sprachabdeckung. Wenn Ihr Produkt in Türkisch, Polnisch oder Vietnamesisch ausgeliefert wird, ist das größere Modell mit der restriktiveren Lizenz dasjenige mit der veröffentlichten Zusage, Sie zu unterstützen.

Beim dritten Punkt gewinnt Apache 2.0 klar und es gibt nicht viel zu diskutieren.

Worin jedes wirklich besser ist

LFM2.5-VL-3B ist auf eine bestimmte Reihe von Aufgaben ausgelegt, und die Modellkarte sagt das auch: Single-Turn-Arbeiten mit hohem Durchsatz und niedriger Latenz wie nahezu Echtzeit-Objekterkennung in Automotive-Umgebungen, Batch-OCR gescannter Dokumente mit Layout-Annotation und Übersetzung von Speisekarten und Verkehrsschildern auf dem Gerät. Die Karte nennt außerdem, wofür das Modell nicht gedacht ist — langkontext- und reasoningintensive Aufgaben, visuelles Webdesign, technische Fragen zu Bauplänen. Solche negativen Hinweise sind selten und verdienen mehr Vertrauen als die positiven Aussagen.

MiniCPM-V 4.7 1B ist auf Fähigkeitsdichte am unteren Ende des Größenbereichs ausgelegt. Die gemischte 4×/16×-Token-Kompression ist ihr klarster Ausdruck: Derselbe Checkpoint kann sowohl ein detailliertes Dokumentenlesen als auch einen kostengünstigen Thumbnail-Durchlauf bedienen, je nach Anfrage ausgewählt. Die Slicing-Steuerungen (36 Slices für Bilder, 1 für Video), die Frame-Sampling-Parameter für Video sowie die separaten Cookbook-Einträge für PDF-Parsing und Grounding deuten allesamt auf eine Dokument- und Bildschirm-Workload statt auf eine Detektions-Workload hin. Außerdem werden DSpark-Speculative-Decoding-Köpfe als separates Artefakt mit 213M Parametern mitgeliefert, was ein echter Durchsatzhebel ist, wenn Ihre Laufzeitumgebung es unterstützt, und totes Gewicht, wenn nicht.

Die praktische Aufteilung: Wenn Sie Objekte in einem Kamerabild erkennen oder Beschilderungen mit 20 Bildern pro Sekunde übersetzen, sind die Latenzwerte und die Sprachabdeckung des LFM das Argument. Wenn Sie Screenshots, Belege und Seitenbilder in strukturierten Text mit einem von Ihnen kontrollierten Token-Budget umwandeln, ist der Komprimierungsschalter des MiniCPM das Argument.

Die Lücke, die ein Käufer einpreisen sollte

LFM2.5-VL-3B ist seit dem 11. August 2026 verfügbar – zum Zeitpunkt des Verfassens zehn Wochen –, was gemessen an Open-Weight-Maßstäben lange genug ist, damit sich das Quantisierungs-Ökosystem eingespielt hat. GGUF-, ONNX- und MLX-Builds werden vom Anbieter selbst bereitgestellt. Für jede Runtime, die Sie wahrscheinlich nutzen werden, gibt es einen funktionierenden Weg.

MiniCPM-V 4.7 1B ist drei Wochen alt, und seine Modellkarte beginnt mit einem Vorbehalt zu CUDA-Versionskonflikten, die die Videodekodierung über torchcodec brechen, samt zwei dokumentierten Workarounds. Die Architektur ist neu – ein model_type, den es vor einem Monat noch nicht gab – und die Mindestversion von Transformers ist 5.18.0. Nichts davon ist ein Defekt. Es ist der übliche Preis dafür, ein Modell in seinem ersten Monat einzusetzen, und der Grund, warum ein geräuschloses Release mit diagrammgestützter Evaluierung ein guter Kandidat für einen Side-by-Side-Test und ein fragwürdiger Kandidat für einen Produktionspfad in Woche eins ist.

Der günstige Weg, diesen Test durchzuführen, besteht darin, das etablierte Modell weiter im Einsatz zu lassen, während du den Neuling bewertest; das ist ein Routing-Problem und kein Modellierungsproblem. OrcaRouter betreibt mehr als 200 gehostete Modelle hinter einem einzigen OpenAI-kompatiblen Endpoint bei 0 % Aufschlag, wobei der Listenpreis jedes Anbieters unverändert durchgereicht wird, sodass eine Preissenkung eines Anbieters noch am selben Tag auf deiner Rechnung auftaucht und nicht erst nach einem Preisanpassungszyklus. Die Routing-DSL von OrcaRouter kann ein Primär- und ein Fallback-Ziel in einem einzigen Aufruf enthalten, und automatisches Failover hält den Pfad am Leben, wenn ein Anbieter eine schlechte Stunde hat — genau das, was du willst, wenn das Modell im Test ein lokaler 1B-Checkpoint ist und das Produktionsmodell etwas, wofür du bezahlst. Keines der beiden Modelle in diesem Artikel steht in diesem Katalog: Beide sind Checkpoints, die du selbst betreibst, und der Router liegt um sie herum, statt eine Möglichkeit zu bieten, sie aufzurufen.

Der Anspruch, geklärt

Schlägt MiniCPM-V 4.7 1B LFM2.5-VL 3B? Bei MathVista um 5,8 Punkte, so wie beide Anbieter es berichten. Bei OCR haben die beiden unterschiedliche Instrumente veröffentlicht, und der Vergleich lässt sich nicht anstellen. Bei Diagramm-Reasoning und Videoverständnis behauptet OpenBMB einen Sieg und veröffentlicht ihn als Diagramm, und Liquid AI hat nie reagiert. Der einzige vollständig überprüfbare Vergleich stützt die Behauptung; bei den anderen benotet der Anbieter seine eigenen Hausaufgaben in einem Format, das sich der Zitierung widersetzt.

Woran die Behauptung scheitert, ist die Lesart, „das kleinere Modell sei einfach besser“. LFM2.5-VL-3B bietet sechzehn Sprachen, exportierte ONNX- und MLX-Builds, einen dokumentierten Geschwindigkeitswert auf einem im Handel erhältlichen Android-Telefon und eine Modellkarte, die angibt, wo man es nicht einsetzen sollte. MiniCPM-V 4.7 1B bietet ein umschaltbares Token-Budget, ein Kontextfenster von 262k, Apache 2.0 und rund 1,8 GB quantisierten Speicher. Das sind unterschiedliche Produkte, die in dieselbe Benchmark-Zeile gekleidet sind, und die richtige Antwort hängt davon ab, welche dieser Listen zu Ihrem Deployment passt – nicht davon, welche Zahl größer ist.

Teste beide mit deinen eigenen Bildern bei deiner eigenen Quantisierung. Die Gewichte sind kostenlos, und der Nachmittag ist der einzige Preis.