MiniCPM-V 4.7 vs LFM2.5-VL 3B: un misterio de 70 GB frente a un modelo de 3B que puedes llevar en un portátil

MiniCPM-V 4.7 y LFM2.5-VL 3B se venden como la misma categoría de producto —modelos compactos de visión-lenguaje que ejecutas tú mismo— y en la práctica difícilmente podrían ser más distintos. LFM2.5-VL 3B es un producto terminado: un checkpoint documentado de 3.100 millones de parámetros de Liquid AI con licencia, tarjeta de modelo, cuantizaciones GGUF circulando por ahí y un número cada vez menor de buenas razones para no limitarse a descargarlo y probarlo. MiniCPM-V 4.7 es un checkpoint de mezcla de expertos dispersa de 35.200 millones de parámetros que OpenBMB subió a Hugging Face el 6 de octubre de 2026 sin tarjeta de modelo, sin licencia y sin ningún benchmark. Compararlos no es comparar dos modelos. Es comparar un modelo con un artefacto que probablemente llegará a serlo.

El enfrentamiento, dicho honestamente de entrada

Esta página puede darte una imagen completa de LFM2.5-VL 3B, porque Liquid AI publicó una. Puede darte una imagen completa de MiniCPM-V 4.7 en cuanto a su estructura y nada en absoluto sobre su comportamiento, porque OpenBMB publicó un config.json y se detuvo. Todo lo que sigue sobre el lado de MiniCPM se lee de ese archivo de configuración y del índice de pesos; todo lo del lado de Liquid proviene de la tarjeta del modelo, y las afirmaciones de rendimiento de la propia tarjeta son reportadas por el proveedor y se etiquetan como tales. Cuando existe una cifra para un modelo y no para el otro, lo honesto es dejar visible la laguna en lugar de disimularla.

Lo que es cada uno

LFM2.5-VL-3B se lanzó el 11 de agosto de 2026. Es una variante multimodal de la familia LFM2.5, pensada para su despliegue en el dispositivo, y no parte de cero: toma el backbone lingüístico LFM2.5-2.6B y lo empareja con un codificador visual SigLIP2 NaFlex. NaFlex es la parte que importa para el trabajo con documentos: conserva la relación de aspecto y la resolución nativas en lugar de forzar cada imagen a un cuadrado fijo, y por eso las mejoras más destacadas que presenta la tarjeta son el grounding con consultas en lenguaje natural y el OCR de página completa con anotación de maquetación. Se distribuye bajo la LFM Open License v1.0 y cubre dieciséis idiomas, entre ellos inglés, chino, japonés, coreano, árabe, hindi, francés, alemán, español, portugués, italiano, polaco, ruso, tailandés, vietnamita e indonesio. Como es de 3B, las compilaciones GGUF aparecieron en el plazo de un día tras el lanzamiento y una variante DSpark llegó en septiembre, así que el ecosistema que lo rodea es real: hoy puedes descargar una versión cuantizada y ejecutarla en un portátil.

MiniCPM-V 4.7 es un checkpoint BF16 de 35.212.875.824 parámetros, 70,4 GB repartidos en dieciséis fragmentos, clase MiniCPMV4_7ForConditionalGeneration, subido a openbmb/MiniCPM-V-4.7-35B-A3B el 6 de octubre de 2026.

Su backbone lingüístico está etiquetado como qwen3_5_moe_text — un MoE disperso derivado de Qwen3.5 con 256 expertos y 8 seleccionados por token — y sus 40 capas ejecutan un patrón de atención fijo de tres lineales a una completa, por lo que 30 de las 40 capas usan una ruta lineal estilo Mamba en lugar de la atención convencional. El contexto es de 256K. La torre de visión es la propia del linaje MiniCPM-V, con aproximadamente la misma forma que usaba MiniCPM-V 4.6. No hay README en el repositorio, lo que en Hugging Face significa que no hay licencia.

La comparación que es realmente posible

Seis dimensiones, ambos lados, y una nota en cada uno sobre cuánto peso tiene el número.

• Parámetros totales — LFM2.5-VL 3B: 3.12B, todos activos por token. MiniCPM-V 4.7: 35.2B en total, disperso, 8 de 256 expertos activos por token. La cifra de MiniCPM no es comparable con un recuento de parámetros denso y el presupuesto real de parámetros activos no se ha publicado; trate «A3B» como un nombre, no como una medición.

• Tamaño efectivo en disco — LFM2.5-VL 3B: un único archivo safetensors de ~6 GB en BF16, o una fracción de eso como GGUF. MiniCPM-V 4.7: 70,4 GB repartidos en dieciséis fragmentos, solo BF16.

• Licencia — LFM2.5-VL 3B: LFM Open License v1.0, publicada y enlazada desde la ficha. MiniCPM-V 4.7: ninguna declarada. A falta de una licencia: etiqueta, la posición predeterminada es todos los derechos reservados, por lo que esto es un bloqueador, no una nota al pie.

• Enfoque de visión — LFM2.5-VL 3B: SigLIP2 NaFlex, resolución nativa con conservación de la relación de aspecto, la ficha afirma OCR de página completa con anotación de diseño. MiniCPM-V 4.7: personalizada minicpmv4_7_vision torre con downsample_mode: "16x" y max_slice_nums: 9.

• Contexto — LFM2.5-VL 3B: los ejemplos de servicio de la tarjeta son modestos en comparación con un diseño de contexto largo, y la familia apunta a presupuestos de memoria en el dispositivo. MiniCPM-V 4.7: max_position_embeddings: 262144, con tokenizador model_max_length que coincide en 256K.

• Pruebas de calidad — LFM2.5-VL 3B: una ficha publicada con mejoras reportadas por el proveedor sobre LFM2-VL-3B, cuantizaciones de terceros y un historial en Hugging Face de aproximadamente 25.900 descargas. MiniCPM-V 4.7: cero descargas, tres me gusta, sin ficha, sin benchmarks, sin evaluación independiente. Nada que citar.

• Herramientas — LFM2.5-VL 3B: compilaciones GGUF y MLX de terceros, además de una variante DSpark. MiniCPM-V 4.7: ninguna. Aún no existe ningún tipo de cuantización.

Los dos tercios de esta página que faltan

Todos los artículos comparativos de este ámbito vienen con un párrafo de benchmarks. Este no puede. No hay MMMU, ni OCRBench, ni DocVQA, ni cifra de grounding, ni medición de latencia, ni dato de VRAM para MiniCPM-V 4.7 — no porque resultara incómodo buscarlos, sino porque nada en el repositorio los contiene y ningún tercero los ha producido. Un modelo subido sin tarjeta de modelo está, desde el punto de vista de la evaluación, sin medir. Cualquiera que te diga lo contrario lo está infiriendo del nombre de la familia o del recuento de parámetros, y ambos son malos predictores de la calidad multimodal.

Lo mismo ocurre con una cuestión más sutil: si el MoE disperso realmente ayuda. Un diseño 35B-A3B intercambia memoria total por cómputo por token, y la calidad de seguimiento de instrucciones de un modelo disperso depende por completo de lo bien entrenado que esté el enrutador. La configuración muestra un coeficiente de pérdida auxiliar de enrutamiento de 0.001 y un experto compartido junto a los 256 enrutados, lo cual es una configuración convencional — pero una configuración convencional no es evidencia de un buen enrutamiento.

Del lado de Liquid, la pieza que falta es distinta: las afirmaciones sobre la calidad de la tarjeta son del propio proveedor.

Las mejoras en OCR y grounding están descritas por las personas que entrenaron el modelo, y aunque los quants de terceros y el volumen de descargas muestran que la comunidad lo encontró lo suficientemente útil como para convertirlo, eso es evidencia de adopción y no de calidad. Nadie ha publicado una comparación directa e independiente.

¿Por cuál te decantarías realmente?

El árbol de decisión aquí es inusualmente claro, porque los dos modelos no compiten por el mismo trabajo.

Si necesitas un modelo de visión-lenguaje que se ejecute en un portátil, un teléfono, un Jetson o una única GPU modesta, LFM2.5-VL 3B es el único de los dos que responde a la pregunta. Es lo bastante pequeño para cuantizarlo, tiene una licencia que permite el trabajo y alguien ya ha hecho la conversión por ti. Para maquetación de documentos, análisis de capturas de pantalla y descripción de objetos fundamentada en un tamaño y una huella lingüística que se ajusten a un presupuesto de edge, las fortalezas declaradas de la ficha coinciden con el objetivo de despliegue.

MiniCPM-V 4.7 no es un candidato para ese trabajo con 70 GB en BF16. Es un candidato para el trabajo opuesto: un modelo multimodal de contexto largo y alto rendimiento en hardware de servidor, en cargas de trabajo donde la ventana de 256K y el ahorro de KV-cache de la atención lineal son lo fundamental. Que haga bien ese trabajo es una incógnita, y la cuestión de la licencia debe resolverse antes de que haga ese trabajo en absoluto en algo comercial.

Hay una tercera opción que vale la pena mencionar, y es que puede que no necesites elegir. Si la arquitectura es "un modelo local pequeño se encarga de la mayor parte del tráfico y pasa los casos difíciles a algo alojado", la mitad local de eso es una decisión que puedes tomar hoy y la mitad alojada es una decisión de enrutamiento. OrcaRouter cubre un par de cientos de modelos alojados detrás de una sola clave al precio de lista de cada proveedor sin nada añadido encima, con conmutación por error cuando un proveedor se degrada — pero ten claro lo que eso no es: ni LFM2.5-VL 3B ni MiniCPM-V 4.7 son un modelo alojado en ese enrutador. Ambos son pesos que sirves tú mismo. El enrutador es lo que está detrás de ellos.

En qué punto está esto y qué actualizar

Liquid AI lanzó un modelo pequeño terminado. OpenBMB lanzó uno grande sin terminar. La comparación que quieren los lectores —precisión frente a latencia, OCR frente a OCR— aún no se puede escribir para el lado de MiniCPM, y la pieza que sería deshonesta es la que rellena el espacio con aritmética de recuento de parámetros. Vigila el README del repositorio. El día que aparezca, incluirá la licencia y los primeros números reales, y ese día esto se convierte en un verdadero cara a cara en lugar de una hoja de especificaciones junto a un producto.

La mitad alojada de ese patrón es una decisión de enrutamiento en lugar de un segundo contrato. el precio de lista de cada proveedor sin margen añadido por nuestra parte Ni LFM2.5-VL 3B ni MiniCPM-V 4.7 son modelos alojados en OrcaRouter; ambos son pesos que sirves por tu cuenta.