LFM3-VL-2B vs North Micro Vision Instruct: dos lectores de documentos, un muro de licencias

La diferencia de precisión entre LFM3-VL-2B y North Micro Vision Instruct es real pero pequeña: unos 4,6 puntos en DocVQA y 7,1 en OCRBench, ambos en la misma dirección. La diferencia que decide los despliegues no es en absoluto un benchmark. North Micro Vision Instruct se distribuye bajo Apache 2.0. LFM3-VL-2B se distribuye bajo la LFM Open License v1.0, que licencia el uso comercial solo mientras tu entidad se mantenga por debajo de los $10 millones en ingresos anuales.

Ambos modelos son pequeños, ambos tienen pesos abiertos y ambos se crearon para leer páginas en lugar de conversar sobre fotografías. Uno se publicó en agosto de 2026 y lleva dos meses de descargas y adaptaciones. El otro apareció en Hugging Face el 19 de octubre, se anunció formalmente el 27 de octubre y tiene 255 descargas. Por lo tanto, esta comparación es en parte una cuestión de benchmark y en parte una cuestión de qué riesgo puedes tolerar: un modelo no probado o uno sin licencia.

Lo que cada modelo realmente es

LFM3-VL-2B es el modelo denso de 1,92 mil millones de parámetros de Liquid AI: una columna vertebral lingüística de 1,73 mil millones, un codificador visual interno de 164 millones diseñado para usar aproximadamente tres veces menos cómputo que SigLIP2, y un proyector de 25 millones. Acepta texto, imágenes y video a 2 fps, genera texto, admite un modo de razonamiento, tiene un contexto de 128K y cubre 16 idiomas. El repositorio incluye compilaciones BF16, GGUF, MLX de 4 bits y ONNX, aunque la compatibilidad con llama.cpp sigue en revisión y no tiene ruta para video.

North Micro Vision Instruct es el modelo de 2,4B de Cohere Labs: un backbone lingüístico de 2B de la familia North Micro junto con un codificador de aproximadamente 400M continuado a partir de SigLIP2 SO400M, con un proyector de estilo DeepStack. Acepta texto e imágenes intercalados a resolución nativa, de hasta 1654×2339 —una página A4 completa a 200 dpi— y genera texto. El modelo de lenguaje tiene un contexto de 128K, pero Cohere indica que el entrenamiento multimodal solo se validó hasta 8K. Apache 2.0, vocabulario de 262K, de 11 a 12 idiomas.

Esas especificaciones parecen similares y no lo son. Un contexto de 128K es un techo para los tokens a los que el modelo puede atender. La entrada a resolución nativa es la decisión de no redimensionar la página en primer lugar. Para una factura escaneada con una tabla en la esquina, la segunda importa más que la primera.

Los números de los documentos, leídos con las reservas debidas.

En los benchmarks que publican ambas tarjetas, LFM3-VL-2B lidera:

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

• OCRBench — 86,3 frente a 79,2.

• ChartQA — 92,7 frente a 80,8.

• AI2D — North reporta 77.5; Liquid no publica una fila de AI2D directamente comparable.

• RefCOCO-avg — 90.5 frente a 73.2, aunque las dos tarjetas describen estos promedios de forma lo bastante distinta como para que la resta sea indicativa y no exacta.

Todos estos son datos reportados por el proveedor, en arneses de evaluación que los proveedores eligieron, sin reproducción independiente de ninguno de los dos modelos. La diferencia en DocVQA es lo suficientemente estrecha como para que una diferencia en el formato del prompt pudiera cerrarla. La diferencia en ChartQA, de casi 12 puntos, es menos probable que sea ruido, y la diferencia de 7.1 puntos en OCRBench es coherente con un modelo que fue entrenado explícitamente con datos de documentos y gráficos con un modo de razonamiento incorporado.

El número interesante no está en las filas del documento. Es MMMU, donde LFM3-VL-2B reporta 55,7 y North Micro Vision Instruct reporta 32,9. Eso no es una diferencia de ajuste; es un producto diferente. La propia ficha de Cohere dice que el modelo deliberadamente no es un modelo de razonamiento, no hace llamadas a herramientas y desaconseja los prompts de sistema. Lee páginas. La ficha de Liquid afirma razonamiento de nivel de posgrado como una de las 62 categorías medidas. Si tu tarea es «extraer los totales de estas 400 facturas», ambos sirven. Si tu tarea es «decidir si esta factura incumple la política», solo uno fue construido para ello.

Dónde la afirmación de los 128K se vuelve ambigua

El contexto de 128K de LFM3-VL-2B es la cifra publicada más generosa, pero la longitud del contexto no es lo mismo que el contexto multimodal utilizable. La ficha no indica cuántos tokens de imagen consume una página a resolución nativa, y no publica un número máximo de fotogramas para video. North Micro Vision Instruct publica el tipo opuesto de cifra: un contexto de lenguaje de 128K con entrenamiento multimodal validado hasta 8K. Es una divulgación conservadora, y resulta más útil que una cifra mayor sin un presupuesto de visión declarado.

La prueba práctica para cualquiera de los dos modelos es la misma: mide los tokens por página en tus propios documentos antes de diseñar en torno a una ventana de contexto. Una ventana de 128K que contiene cuatro páginas a tu resolución no es un flujo de trabajo de documentos de 128K.

La licencia es la decisión.

Apache 2.0 es Apache 2.0. Puedes usar North Micro Vision Instruct comercialmente con cualquier nivel de ingresos, modificarlo, redistribuirlo y alojarlo, siempre que conserves los avisos. Ese es todo el acuerdo y, para una startup que crea un producto de documentos, elimina toda una categoría de revisión legal.

La LFM Open License v1.0 no es eso. Define el uso comercial de forma amplia —«cualquier uso de la Obra para obtener una ventaja comercial directa o indirecta o una compensación monetaria»— y condiciona la licencia a que el licenciatario se mantenga por debajo de un umbral de ingresos anuales de 10 millones de dólares. Por encima de ese umbral, el uso comercial «no está licenciado en virtud de este Acuerdo». Las organizaciones sin ánimo de lucro que cumplan los requisitos están exentas para fines no comerciales y de investigación. Se permite la redistribución con atribución y avisos de cambios. El texto de la licencia que leímos no contiene ninguna restricción de alojamiento por separado, por lo que el límite de ingresos, y no una prohibición de servicio, es la restricción.

Ese techo genera una conversación incómoda. Una empresa con 9 millones de dólares en ingresos puede lanzar LFM3-VL-2B hoy y perder la licencia por crecer. El modelo no deja de funcionar; lo que se pierde es el permiso. Para un producto con una hoja de ruta de dos años, eso es un asunto de diligencia debida, no una nota al pie.

La brecha de adopción es su propia señal.

North Micro Vision Instruct se ha descargado unas 35.000 veces desde que su repositorio apareció el 10 de agosto de 2026. LFM3-VL-2B tiene 255 descargas y 34 me gusta desde el 19 de octubre. Dos meses frente a nueve días explica parte de eso, pero no todo: el anuncio de la familia LFM3 el 27 de octubre fue una sola entrada de blog que cubría seis modelos, y el checkpoint de visión recibió un párrafo de ella.

Los lanzamientos discretos no son automáticamente malos lanzamientos. Un modelo sin precio de lanzamiento, sin proveedor alojado y con soporte de frameworks aún en revisión es un modelo que evalúas con tu propio hardware, y el bajo número de descargas significa en gran medida que nadie lo ha hecho todavía. También significa que no hay cuantización de la comunidad, ni un rastreador de incidencias lleno de correcciones, ni un benchmark de terceros en el que apoyarse. North Micro Vision tiene las tres cosas.

Cuánto cuesta cada uno, por lo que cualquiera esté dispuesto a decir.

Ninguno de los dos modelos publica un precio de API en su ficha. North Micro Vision Instruct está disponible a través de la plataforma de Cohere y varios proveedores de alojamiento externos lo han adoptado; LFM3-VL-2B está disponible en el Playground y la API de Liquid sin tarifa publicada, y Hugging Face no incluye ningún proveedor de inferencia para él. En hardware propio, la comparación es de 2,4B de parámetros frente a 1,92B, o aproximadamente 4,8 GB frente a 3,84 GB en BF16 — lo bastante cerca como para que el coste de la GPU no sea el factor de desempate.

El factor decisivo es operativo. Si alquilas un modelo de visión alojado en lugar de poseer cualquiera de los dos checkpoints, OrcaRouter transfiere el precio de lista del proveedor con un 0 % de margen, de modo que un cambio de precio del proveedor se refleja de nuestro lado el mismo día, y no en la próxima renovación del contrato. Hoy no servimos LFM3-VL-2B ni North Micro Vision Instruct, y este texto no afirma lo contrario; la cuestión es que la alternativa alojada tiene un precio lo bastante transparente como para compararla con la aritmética del autohospedaje expuesta arriba.

¿Quién debería elegir cuál?

Elige North Micro Vision Instruct si necesitas Apache 2.0, si quieres un modelo con dos meses de uso por parte de la comunidad, o si tus documentos son páginas completas a resolución nativa y tu tarea se limita a la extracción. Acepta que no razonará a partir de los campos extraídos.

Elige LFM3-VL-2B si necesitas entrada de vídeo, un modo de pensamiento o un asistente visual más amplio que además lea bien los documentos, y si estás cómodamente por debajo del umbral de ingresos o puedes negociar una licencia aparte. Acepta que eres un adoptante temprano de un checkpoint sin evaluación independiente y con soporte incompleto de frameworks.

No elijas ninguno de los dos por ahora si tu flujo de trabajo necesita un endpoint alojado de pago con un contrato de soporte. La gama pequeña de pesos abiertos está mejorando rápidamente, pero con 255 descargas, el recién llegado más nuevo no ha sido sometido a pruebas de estrés por nadie fuera de su laboratorio.