Molmo2-4B vs. LFM2.5-VL-3B: 19 GB Gewichte gegen 3 GB auf dem Handy

Legt man die beiden Checkpoints auf der Festplatte nebeneinander, ist der Vergleich fast vorbei, bevor er begonnen hat. Molmo2-4B kommt als 19,42 GB float32-Safetensors in vier Shards. Das native Repository von LFM2.5-VL-3B umfasst insgesamt 6,27 GB, und die eigene Modellkarte von Liquid verspricht, dass es in „unter 3,3 GB Speicher“ läuft. Quantisiert man das kleinere Modell, ergibt sich ein Unterschied im Speicherbedarf von etwa sechs zu eins für zwei Modelle, über die gesprochen wird, als wären sie austauschbare kleine Vision-Language-Modelle. Sie sind nicht austauschbar, und der Grund ist nicht die Qualität. Eines von ihnen ist dafür gebaut, Fragen zu einem Video mit 384 Frames zu beantworten. Das andere ist dafür gebaut, Fragen zu einem Foto auf einem Telefon mit ausgeschaltetem Funk zu beantworten. Keines der beiden Modelle wird hier gehostet, daher besteht die Rolle der Plattform im umgebenden Stack. Preisgestaltung mit 0 % Aufschlag Der Listenpreis des Anbieters wird unverändert weitergegeben.

Keines der Modelle ist neu, was wichtig ist, wenn Sie über eine Ergebnisseite hierher gekommen sind, die etwas anderes nahelegt. Molmo2-4B wurde am 11. Dezember 2025 vom Allen Institute for AI angekündigt, und seine Gewichte wurden am 14. Dezember veröffentlicht. LFM2.5-VL-3B wurde am 12. August 2026 von Liquid AI ausgeliefert. Was sich kürzlich geändert hat, ist enger und nützlicher als ein Launch: Molmo2 wurde zu einer vollwertigen Architektur in Upstream-Transformers, mit PR #43451, gemergt am 9. Oktober 2026, und das Modell wurde erstmals am 15. Oktober in v5.20.0 ausgeliefert, womit die Zeit endete, in der man trust_remote_code=True übergeben und ein separates molmo_utils-Paket installieren musste. Am 5. November veröffentlichte Ai2 außerdem Molmo2-4B-tb, ein Robotik-Fine-Tune, das auf genau diesem Checkpoint aufbaut. Keines der beiden Ereignisse macht Molmo2-4B neu. Beide machen es erstmals praktisch lauffähig.

Die Speicherfrage, in Zahlen statt in Adjektiven

Zuerst die Größen, denn sie entscheiden über die meisten Deployments, bevor auch nur ein einziger Benchmark herangezogen wird.

Parameter — Molmo2-4B hat 4.850.869.200 Parameter, verteilt auf einen SigLIP 2 Vision Tower und einen Qwen3-4B-Instruct-2507-Sprachkern; LFM2.5-VL-3B hat 3.123.483.888 Parameter, verteilt auf einen SigLIP2-NaFlex-400M-Encoder und ein 2,6B-LFM2.5-Backbone.

• Format der ausgelieferten Gewichte — Molmo2-4B wird in float32 mit 19,42 GB auf der Festplatte in vier Shards verteilt; LFM2.5-VL-3B wird in bfloat16 mit 6,27 GB verteilt, wobei offizielle GGUF-, ONNX- und MLX-Exporte daneben veröffentlicht werden.

Angegebener Laufzeit-Speicherbedarf — Liquid gibt für LFM2.5-VL-3B bei der Inferenz weniger als 3,3 GB an; AI2 veröffentlicht für Molmo2-4B keine Angabe zum Laufzeitspeicher, und die float32-Distribution bedeutet, dass Sie vor dem Serving noch casten werden.

• Durchsatz — Liquid meldet 228 Tokens/s auf einem Apple M5 Max, 116 Tokens/s auf einem AMD Ryzen AI Max+ 395 und 20 Tokens/s auf einem Galaxy S26 Ultra. Für Molmo2-4B gibt es in keiner Größe eine vergleichbare öffentliche Zahl.

• Kontext — 32.768 Token für LFM2.5-VL-3B; 36.864 Positionen in der Textkonfiguration von Molmo2-4B, erreicht durch eine dedizierte Long-Context-Fine-Tuning-Phase bei 384 Frames.

Das letzte Paar verdient eher einen Vorbehalt als einen Vergleich. Die 36.864 von Molmo2-4B sind ein Sequenzlängenbudget, das seine Video-Pipeline schnell aufbraucht: Der veröffentlichte Video-Preprocessor verwendet standardmäßig 384 Frames bei 2 fps, skaliert auf 378×378 mit 3×3-Pooling. Ein langer Clip kann allein mit Frames das gesamte Fenster verbrauchen und lässt dann kaum Platz für die Frage. Die 32.768 von LFM2.5-VL-3B werden für Text und Bild-Patches aufgewendet, da es überhaupt keinen Videopfad besitzt.

Video ist die Trennlinie, nicht die Benchmark-Tabelle.

LFM2.5-VL-3B verarbeitet Text und Bilder. Das ist die gesamte Eingabeoberfläche. Es ist sehr gut in dem, wofür es gebaut wurde – ganzseitige OCR mit Layout-Annotation, Objekterkennung aus natürlichsprachlichen Anfragen, Bildschirmlesen und nahezu Echtzeit-Verarbeitung auf dem Gerät –, aber ein Video gehört nicht zu seinen Eingaben, und daran ändert auch noch so viel Prompt-Engineering nichts.

Molmo2-4B wurde umgekehrt gebaut. Die Modellkarte von Ai2 listet neun Trainingssets auf, und fünf davon sind Video- oder Mehrbild-Datensätze: Video-Captioning-QA, Video-Untertitel-QA, Video-Pointing, Video-Tracking, Mehrbild-QA, Mehrbild-Pointing. Die Pointing-Ausgabe ist der ungewöhnliche Teil. Koordinaten kommen skaliert auf 0–1000 der Bildbreite und -höhe zurück, in einem getaggten Format, für das die Karte einen regulären Ausdruck mitliefert, sodass eine Antwort auf „Wo ist das Boot“ ein numerischer Punkt statt eines Satzes ist. Dasselbe Format trägt im Videomodus einen Zeitstempel, was Frame-Level-Tracking überhaupt erst möglich macht.

Wenn es bei Ihrer Aufgabe um einen Screenshot, eine gescannte Seite, ein Foto eines Regals oder einer Speisekarte geht, spielt das alles keine Rolle, und das 3-GB-Modell ist schlicht die bessere technische Wahl. Wenn es bei Ihrer Aufgabe darum geht, „den Moment zu finden, in dem die Kiste von der Palette fällt“, kommt LFM2.5-VL-3B für den Vergleich nicht infrage.

Zwei Anbieterdurchschnitte, die nicht voneinander subtrahiert werden dürfen

Hier gehen die meisten Vergleichsseiten schief. Liquid meldet einen Durchschnitt von 69,4 für LFM2.5-VL-3B über eine Vision-Tabelle mit 28 Benchmarks. AI2 meldet einen Durchschnitt von 62,8 für Molmo2-4B über 15 akademische Benchmarks. Druckt man diese beiden Zahlen nebeneinander, sieht LFM2.5-VL-3B um 6,6 Punkte besser aus. Das ist kein gültiger Vergleich: unterschiedliche Benchmark-Sets, unterschiedliche Prompt-Formate, unterschiedliche Decoding-Einstellungen und im Fall von Liquid eine Suite, die die eigenen Autoren ausgewählt haben.

Was jeder Anbieter tatsächlich meldet, mit der beigefügten Herkunftsangabe:

• LFM2.5-VL-3B, vom Anbieter angegeben — DocVQA 91,1, RefCOCO-avg 87,9, CountBenchQA 87,3, OCRBench v1 84,2, TextVQA 84,3, MMBench 81,0, SEED-Bench Bild 77,7, ScreenSpot-v2 Web 82,2, MMStar 63,3, MMMU 48,4, MMMU-Pro 30,5, MathVista mini 68,5.

• Molmo2-4B, vom Anbieter angegeben – 62,8 Durchschnitt über 15 akademische Benchmarks, gegenüber 63,1 für das 8B-Geschwistermodell, 58,1 für Qwen3-VL-4B, 53,4 für InternVL3.5-4B, 59,6 für Claude Sonnet 4.5, 70,0 für Gemini 3 Pro und 70,6 für GPT-5 in derselben Tabelle.

• Von keinem der beiden Anbieter irgendwo berichtet — eine gemeinsame Testumgebung. Keines der beiden Unternehmen hat Molmo2-4B-Ergebnisse für Liquids 28-Benchmark-Suite oder LFM2.5-VL-3B-Ergebnisse für AI2s 15-Benchmark-Tabelle veröffentlicht.

Die einzige wirklich vergleichbare Achse ist die Modellgröße, und dort schlägt das 4,85B-Modell das 3,12B-Modell bei AI2s eigenem Durchschnitt, verliert aber deutlich beim Deployment-Footprint. Das ist der Kompromiss, klar ausgedrückt.

Lizenzen: Keine von beiden ist die Apache-2.0, nach der es aussieht.

Beide Karten tragen eine Bezeichnung, die freizügig klingt, und beide haben einen Haken, den ein Beschaffungsprüfer entdecken wird.

• Molmo2-4B — Gewichte unter Apache 2.0, doch die Modellkarte ergänzt, dass das Modell „auf Datensätzen Dritter trainiert wurde, die ausschließlich für akademische und nichtkommerzielle Forschungszwecke bestimmt sind“, und rät dazu, die Quellen zu prüfen, bevor man entscheidet, ob das Modell passt. Die Gewichte sind offen; die Datenherkunft ist für kommerzielle Nutzung nicht sauber, und Ai2 sagt das auf der Modellkarte statt in einer Fußnote.

• LFM2.5-VL-3B — die LFM Open License v1.0, die keine OSI-Lizenz ist. Die kommerzielle Nutzung wird bedingt gewährt: Abschnitt 5 macht die kommerziellen Rechte davon abhängig, dass Ihre juristische Person unter einem definierten Schwellenwert bleibt, und die Lizenz definiert diesen Schwellenwert als Jahresumsatz von 10 Millionen US-Dollar oder mehr.

Keine der beiden Einschränkungen ist für eine forschungsnahe Veröffentlichung ungewöhnlich. Beide bedeuten, dass die Frage „Können wir das ausliefern?“ für einen Zweipersonen-Prototyp und ein finanziertes Unternehmen unterschiedlich beantwortet wird, und die beiden Antworten weisen je nachdem, welches Modell man gewählt hat, in entgegengesetzte Richtungen.

Heute eines von beiden laufen lassen

Die eigene Modellkarte von Molmo2-4B hinkt inzwischen hinter der Bibliothek hinterher. Sie weist noch immer an, transformers==4.57.1 zu installieren, trust_remote_code=True zu übergeben und molmo_utils sowie decord2 zu installieren. Dieses Rezept funktioniert. Es ist aber auch nicht mehr das einzige: Seit v5.20.0 enthält das Standard-Transformers eine Klasse Molmo2ForConditionalGeneration mit eigener Konfiguration, eigenem Bildprozessor, Videoprozessor und Prozessor, sodass der Remote-Code-Pfad optional statt verpflichtend ist. vLLM unterstützt Molmo2 seit kurz nach dem Launch über seine eigene Modellklasse; die Plattformdokumentation von AI2 verweist noch immer auf die Nightly-Wheels statt auf eine stabile Version, was man wissen sollte, bevor man in der Produktion eine Version pinnt.

LFM2.5-VL-3B hat von den beiden die ausgereiftere Deployment-Story – und das nicht knapp: native Gewichte plus GGUF-, ONNX- und MLX-Exporte, wobei llama.cpp, vLLM und SGLang alle als unterstützt aufgeführt sind, dazu veröffentlichte Durchsatzwerte auf drei verschiedenen Consumer-Hardware-Geräten. Wenn Ihr Ziel ein Laptop, ein Smartphone oder ein Einplatinencomputer ist, ist dieses Ökosystem das Produkt.

Ein praktischer Hinweis für alle, die planen, zwischen ihnen zu routen: Keines der beiden Modelle ist im OrcaRouter-Katalog, und es wäre falsch, einen Vergleich wie diesen als Verfügbarkeitsaussage zu lesen. Was die Plattform bietet, ist eine API für mehr als 200 Modelle zusammen mit einer selbst gehosteten Bereitstellung wie diesen beiden, mit automatischem Failover und dem eigenen Listenpreis des Anbieters, der ohne Aufschlag weitergegeben wird. Das übliche Muster besteht darin, das kleine Vision-Modell für den latenzkritischen Pfad lokal zu halten und die schwierigeren, selteneren Anfragen nach außen zu leiten – und diese Aufteilung mit echtem Traffic zu belegen, bevor man sich für eines der beiden entscheidet.

Welchen soll man wählen?

Wähle LFM2.5-VL-3B, wenn das Bereitstellungsziel ein Smartphone, ein Laptop oder eine Edge-Box ist, wenn deine Eingaben Screenshots, Dokumente oder einzelne Fotos sind, wenn du eine Latenz bis zum ersten Token von unter einer Sekunde brauchst oder wenn du eines der bereits dafür existierenden quantisierten Formate benötigst. Die Abdeckung von 16 Sprachen und die ScreenSpot-v2-Zahlen machen es speziell für Screen-Verständnis auf dem Gerät zu einer vertretbaren Wahl.

Wähle Molmo2-4B, wenn Video im Anwendungsbereich liegt, wenn du Koordinaten statt Prosa benötigst, wenn du Multi-Image-Reasoning über eine Reihe von Frames brauchst oder wenn die Aufgabe darin besteht, Objekte in einer Szene zu zählen – AI2s eigener Vergleich setzt die Molmo2-Familie an die Spitze des Open-Weight-Feldes beim Video-Counting, räumt aber ein, dass kein Modell in seiner Evaluierung 40 % Genauigkeit erreicht. Kalkuliere den Footprint ein: 19,42 GB float32-Gewichte, eine Umwandlung in bfloat16 vor dem Serving und eine GPU statt eines Telefons.

Was die Sache wirklich klären würde, wäre eine gemeinsame Evaluierung auf einem einzigen Harness, bei identischer Quantisierung und mit Latenzmessung auf demselben Gerät. Keiner der beiden Anbieter hat eine solche veröffentlicht, und bis das jemand tut, lautet die ehrliche Antwort, dass diese beiden Modelle für unterschiedliche Aufgaben entwickelt wurden und die Benchmarks nie dafür gedacht waren, aufeinanderzutreffen.