MiniCPM-V 4.7 1B vs LFM2.5-VL 3B: OpenBMB dice que su 1B supera a un 3B. Esto es lo que esconde esa afirmación

MiniCPM-V 4.7 1B y LFM2.5-VL 3B son dos modelos de visión-lenguaje de pesos abiertos creados para teléfonos y computadoras pequeñas, y están separados por menos de tres semanas en el calendario. MiniCPM-V 4.7 1B fue subido por OpenBMB el 6 de octubre de 2026 y fechado el 12 de octubre en las notas de la versión del proveedor. LFM2.5-VL 3B fue publicado por Liquid AI el 11 de agosto de 2026. Uno tiene 1,55 mil millones de parámetros y licencia Apache 2.0. El otro tiene 3,12 mil millones de parámetros bajo la LFM Open License v1.0. Y la propia página de producto de OpenBMB hace una afirmación que debería detener a cualquiera que compre basándose solo en el tamaño: que su modelo 1B supera a LFM2.5-VL 3B en OCR, razonamiento sobre gráficos y comprensión de video. Los fallos documentados de IA y los incidentes con agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, su nivel de gravedad, su calificación de confianza y su indicador de disputa.

Esa frase aguanta mucho peso. Además, hasta donde cualquiera puede verificar, los números no la contradicen, lo cual resulta más interesante que si lo hicieran. Este artículo repasa lo que cada proveedor publicó en realidad, dónde la comparación es genuina y los dos puntos en los que la afirmación cambia de tema sin hacer ruido.

La afirmación, en palabras del propio proveedor

La página de 1B de OpenBMB dice que el modelo «es una mejora integral con respecto a MiniCPM-V 4.6-1.3B y supera a Qwen3.5-0.8B y LFM2.5-VL-3B, manteniéndose por delante de su clase de tamaño en OCR, razonamiento sobre gráficos y comprensión de video». La cláusula que importa es «mantenerse por delante de su clase de tamaño». La comparación con LFM2.5-VL 3B se ofrece como evidencia de densidad de capacidad; la oración que sigue limita la afirmación a una clase de tamaño a la que LFM no pertenece.

La ficha de Liquid AI no le devuelve el favor. No menciona a MiniCPM en absoluto, y evalúa su modelo frente a G​emma4 E2B y E4B, InternVL 3.5 2B y 4B, y Qwen3.5-2B y 4B. Así que esta es una comparación unilateral: un proveedor se midió contra el otro, y el otro nunca ha reconocido esa comparación. Esa asimetría es lo primero que hay que saber antes de leer cualquier comparación directa, incluida esta.

Lo que cada proveedor declara oficialmente

Liquid AI publica una tabla numérica. LFM2.5-VL-3B reporta MathVista 68.5, MMMU Pro 30.5, ChartQA 81.3 y OCRBenchv2 47.5 (subconjunto solo en inglés), junto con las puntuaciones de un modelo hermano en las mismas filas. Esos son números del proveedor, ejecutados por el proveedor, y nadie independiente tiene que estar de acuerdo con ellos, pero son falsables, que es lo que los hace útiles. Si reproduces 55 en MathVista, sabes que algo en tu configuración difiere.

OpenBMB publica un resumen numérico en prosa y gráficos completos debajo. Para el 1B, la página indica OCRBench 86.1, MathVista 74.3, CharXiv Reasoning 48.8, LongVideoBench 53.4 y MotionBench 54.55, y presenta el resto de la comparación como imágenes con una columna de 4× y 16×. La propia tarjeta del modelo no contiene ninguna tabla de benchmarks.

Compara los dos con el único benchmark que ambos nombran. MathVista: MiniCPM-V 4.7 1B con 74,3, LFM2.5-VL 3B con 68,5. El 1B va por delante por 5,8 puntos según los propios datos del fabricante. En OCR, los dos usan instrumentos distintos —OCRBench frente al subconjunto en inglés de OCRBenchv2— y las cifras no son comparables, que es exactamente el tipo de detalle que omite una frase con «supera».

Donde la comparación es entre iguales

• Parámetros — 1,55B denso, BF16, 3,1 GB en disco frente a 3,12B denso, BF16; el LFM es aproximadamente el doble del modelo

• Codificador de visión — torre al estilo SigLIP2, 27 capas, 1152 ocultas, mosaicos de 980 píxeles frente a SigLIP2 NaFlex 400M, parches no superpuestos de 512×512 más una miniatura redimensionada

• Backbone de texto — una configuración derivada de Qwen3.5 con 24 capas, 1024 de dimensión oculta, un patrón de atención de lineal a completa de 3:1 frente a LFM2.5-2.6B, una arquitectura híbrida de diseño propio de Liquid AI

• Contexto — 262.144 tokens frente a 32.768 tokens

• Presupuesto de tokens visuales — compresión conmutable de 4× o 16× por solicitud frente a un presupuesto fijo de parches NaFlex establecido por la resolución

• Licencia — {{1}}Apache 2.0 frente a LFM Open License v1.0, que conlleva términos comerciales en lugar de una mera permisividad{{/1}}

• Idiomas nombrados — inglés y chino en los ejemplos de la tarjeta frente a 16 idiomas enumerados explícitamente (del árabe al vietnamita)

• Evaluación publicada — cinco figuras en prosa más comparaciones solo gráficas frente a una tabla numérica en cuatro benchmarks y seis modelos hermanos

• Evaluación independiente — ninguna entrada en Artificial Analysis para ninguno de los dos a la fecha de redacción, frente a ninguna entrada en Artificial Analysis tampoco

• Velocidad según el fabricante: ninguna cifra de tokens por segundo para el 1B en ningún dispositivo, frente a 228 tok/s en un Apple M5 Max, 116 tok/s en un AMD Ryzen AI Max+ 395 y 20 tok/s en un Galaxy S26 Ultra

• Memoria — unos 3,1 GB en BF16; Q4 GGUF de 0,67 GB más un proyector de visión de 0,90–1,11 GB frente a menos de 3,3 GB según lo publicado, con compilaciones GGUF, ONNX y MLX disponibles

• Rutas de servicio mencionadas — Transformers, SGLang, vLLM, llama.cpp, Ollama, OpenVINO, decodificación especulativa DSpark frente a Transformers, vLLM, SGLang, llama.cpp, además de exportaciones GGUF, ONNX y MLX

• Propuesta en el dispositivo — aplicaciones para iOS, Android y HarmonyOS, y soporte desde el primer día para Rockchip, Houmo, Intel, AMD y Arm, demostrado con una cifra de decodificación de iPhone 17 Pro Max frente a Galaxy S26 Ultra y una compilación de MLX para Apple Silicon

Dos filas merecen una segunda mirada. La ventana de contexto supone una diferencia de ocho veces a favor de MiniCPM, y es el tipo de cifra que parece decisiva hasta que uno recuerda que un modelo de 1B que alberga 262k tokens está manteniendo una caché KV más grande que sus propios pesos. En la práctica, en un teléfono, ninguno de los dos modelos se acercará siquiera a su límite. Y la fila de la licencia es la que decide la adopción comercial más a menudo que cualquier benchmark: Apache 2.0 no requiere conversación con un abogado, y la LFM Open License sí.

La parte sobre la que la afirmación cambia de tema

OpenBMB está comparando su modelo con un competidor del doble de tamaño, en benchmarks que eligió, y reportando el resultado en prosa. Eso no es deshonesto — las cifras están publicadas y la comparación se declara. Pero está respondiendo una pregunta que nadie que despliega un modelo realmente hace. Nadie elige entre un 1B y un 3B porque quiera que el más pequeño sea mejor. Eligen porque uno cabe en su dispositivo y el otro no, o porque uno tiene la cobertura lingüística que necesitan, o porque la licencia de uno supera la revisión legal.

Sobre el primero de esos puntos, la lectura honesta es que ambos caben. La ficha del LFM2.5-VL-3B afirma menos de 3,3 GB y demuestra 20 tokens por segundo en un Galaxy S26 Ultra. El MiniCPM-V 4.7 1B en Q4 con su proyector se queda cerca de 1,8 GB. Así que la verdadera ventaja del 1B no es "se ejecuta en un teléfono y el otro no", sino el margen: aproximadamente un gigabyte y medio menos de memoria, que en un dispositivo Android de gama media es la diferencia entre una aplicación que sobrevive y una que el sistema mata.

En el segundo, la comparación se invierte. LFM2.5-VL-3B indica 16 idiomas en su ficha y ofrece compilaciones ONNX y MLX junto con GGUF. La documentación de MiniCPM-V 4.7 1B está orientada a ejemplos en inglés y chino, y su propuesta para dispositivos se centra en la compatibilidad con chips de iOS, Android y HarmonyOS, en lugar de en la cobertura de idiomas. Si tu producto se distribuye en turco, polaco o vietnamita, el modelo más grande con la licencia más restrictiva es el que cuenta con la afirmación publicada de que te ofrece soporte.

En el tercero, Apache 2.0 gana sin lugar a dudas y no hay mucho que discutir.

En qué es cada uno genuinamente mejor

LFM2.5-VL-3B está concebido en torno a un conjunto específico de tareas, y su ficha técnica lo indica: trabajo de un solo turno, de alto rendimiento y baja latencia, como la detección de objetos casi en tiempo real en entornos de automoción, el OCR por lotes de documentos escaneados con anotación de maquetación, y la traducción en el propio dispositivo de menús y señales de tráfico. La ficha también indica para qué no sirve el modelo: tareas de contexto largo y de razonamiento intensivo, diseño web visual, preguntas técnicas sobre planos. Ese tipo de orientación negativa es poco habitual y merece más confianza que las afirmaciones positivas.

MiniCPM-V 4.7 1B gira en torno a la densidad de capacidades en el extremo inferior del rango de tamaños. La compresión de tokens mixta 4×/16× es su expresión más clara: el mismo checkpoint puede servir para una lectura detallada de documentos y para una pasada económica de miniaturas, elegida por solicitud. Los controles de segmentación (36 segmentos para imágenes, 1 para vídeo), los parámetros de muestreo de fotogramas para vídeo y las entradas separadas del recetario sobre análisis de PDF y grounding apuntan todos a una carga de trabajo de documentos y pantallas, no de detección. También incluye cabezales de decodificación especulativa DSpark como un artefacto separado de 213 M de parámetros, que es una auténtica palanca de rendimiento si tu entorno de ejecución lo admite y un peso muerto si no.

La división práctica: si estás detectando objetos en una señal de cámara o traduciendo carteles a 20 fotogramas por segundo, las cifras de latencia y la cobertura de idiomas del LFM son el argumento. Si estás convirtiendo capturas de pantalla, recibos e imágenes de páginas en texto estructurado con un presupuesto de tokens que controlas, el interruptor de compresión del MiniCPM es el argumento.

La brecha que un comprador debería incorporar en el precio

LFM2.5-VL-3B está disponible desde el 11 de agosto de 2026 —diez semanas en el momento de escribir esto—, lo que en términos de pesos abiertos es tiempo suficiente para que el ecosistema de cuantización se asiente. Las compilaciones GGUF, ONNX y MLX las distribuye el propio proveedor. Cualquier entorno de ejecución que probablemente uses tiene una vía funcional.

MiniCPM-V 4.7 1B tiene tres semanas, y su tarjeta de modelo comienza con una advertencia sobre desajustes de versión de CUDA que rompen la decodificación de video mediante torchcodec, con dos soluciones alternativas documentadas. La arquitectura es nueva —un model_type que no existía hace un mes— y la versión mínima de Transformers es 5.18.0. Nada de eso es un defecto. Es el costo estándar de adoptar un modelo en su primer mes, y la razón por la que un lanzamiento discreto con evaluación basada en gráficos es un buen candidato para una prueba comparativa y un candidato cuestionable para una ruta de producción en la primera semana.

La forma económica de hacer esa prueba es mantener el modelo actual en servicio mientras evalúas al recién llegado, lo que es un problema de enrutamiento y no de modelado. OrcaRouter ejecuta más de 200 modelos alojados detrás de un único endpoint compatible con OpenAI con 0 % de recargo, trasladando sin cambios el precio de lista de cada proveedor, por lo que una reducción de precio de un proveedor aparece en tu factura el mismo día en lugar de después de un ciclo de reajuste de precios. Su DSL de enrutamiento puede mantener un principal y un respaldo en una sola llamada, y la conmutación por error automática mantiene activa la ruta cuando un proveedor tiene una mala hora —que es lo que quieres cuando el modelo en prueba es un checkpoint local de 1B y el modelo en producción es algo por lo que estás pagando. Ninguno de los modelos de este artículo está en ese catálogo: ambos son checkpoints que ejecutas tú mismo, y el enrutador los rodea en lugar de ofrecer una forma de llamarlos.

La reclamación, resuelta

¿MiniCPM-V 4.7 1B supera a LFM2.5-VL 3B? En MathVista, por 5,8 puntos según lo reportan ambos proveedores. En OCR, los dos publicaron instrumentos diferentes y la comparación no se puede realizar. En razonamiento sobre gráficos y comprensión de video, OpenBMB afirma una victoria y la publica como gráfico, y Liquid AI nunca ha respondido. La única comparación que se puede verificar por completo respalda la afirmación; las demás son el proveedor corrigiendo su propia tarea en un formato que se resiste a la cita.

Lo que la afirmación no resiste es que se interprete como «el modelo más pequeño es simplemente mejor». LFM2.5-VL-3B ofrece dieciséis idiomas, compilaciones ONNX y MLX exportadas, una cifra de velocidad documentada en un teléfono Android ya comercializado y una ficha que te dice dónde no usarlo. MiniCPM-V 4.7 1B ofrece un presupuesto de tokens conmutable, una ventana de contexto de 262k, Apache 2.0 y unos 1,8 GB de memoria cuantizada. Son productos distintos metidos en la misma fila de benchmark, y la respuesta correcta depende de cuál de esas listas encaja con tu despliegue, no de qué número sea mayor.

Prueba ambos con tus propias imágenes y tu propia cuantización. Los pesos son gratuitos y la tarde es el único costo.