Molmo2-4B vs LFM2.5-VL-3B: 19 GB de pesos frente a 3 GB de teléfono

Coloque los dos checkpoints uno al lado del otro en el disco y la comparación casi termina antes de empezar. Molmo2-4B se distribuye como 19,42 GB de safetensors float32 repartidos en cuatro fragmentos. El repositorio nativo de LFM2.5-VL-3B totaliza 6,27 GB, y la propia tarjeta de Liquid promete que funciona con "menos de 3,3 GB de memoria". Una vez que se cuantiza el modelo más pequeño, eso supone una diferencia de aproximadamente seis a uno en espacio ocupado para dos modelos de los que se habla como si fueran modelos pequeños de visión y lenguaje intercambiables. No son intercambiables, y el motivo no es la calidad. Uno de ellos está diseñado para responder preguntas sobre un vídeo de 384 fotogramas. El otro está diseñado para responder preguntas sobre una fotografía en un teléfono con la radio apagada. Ninguno de los dos modelos está alojado aquí, así que el papel de la plataforma es la pila tecnológica que los rodea. Precios con 0 % de margen El precio de lista del proveedor se traslada sin cambios.

Ninguno de los dos modelos es nuevo, lo cual importa si llegaste desde una página de resultados que insinúe lo contrario. Molmo2-4B fue anunciado por el Allen Institute for AI el 11 de diciembre de 2025 y sus pesos se publicaron el 14 de diciembre. LFM2.5-VL-3B fue lanzado por Liquid AI el 12 de agosto de 2026. Lo que cambió recientemente es más acotado y más útil que un lanzamiento: Molmo2 se convirtió en una arquitectura de primera clase en Transformers upstream, con el PR #43451 fusionado el 9 de octubre de 2026 y el modelo incluido por primera vez en la v5.20.0 el 15 de octubre, poniendo fin al periodo en el que había que pasar trust_remote_code=True e instalar un paquete molmo_utils aparte. El 5 de noviembre, Ai2 también publicó Molmo2-4B-tb, un ajuste fino de robótica construido sobre este mismo checkpoint. Ninguno de los dos eventos hace que Molmo2-4B sea nuevo. Ambos hacen que ahora sea práctico ejecutarlo.

La cuestión de la memoria, en números en lugar de adjetivos

Los tamaños primero, porque deciden la mayoría de los despliegues antes de que se consulte un solo benchmark.

• Parámetros — Molmo2-4B tiene 4.850.869.200 repartidos entre una torre de visión SigLIP 2 y un núcleo de lenguaje Qwen3-4B-Instruct-2507; LFM2.5-VL-3B tiene 3.123.483.888 repartidos entre un codificador SigLIP2 NaFlex 400M y un backbone LFM2.5 de 2,6B.

• Formato de pesos distribuido — Molmo2-4B se distribuye en float32, 19,42 GB en disco, en cuatro fragmentos; LFM2.5-VL-3B se distribuye en bfloat16 con 6,27 GB, junto con exportaciones oficiales a GGUF, ONNX y MLX publicadas al mismo tiempo.

• Huella de ejecución declarada — Liquid afirma menos de 3,3 GB para LFM2.5-VL-3B durante la inferencia; AI2 no publica ninguna cifra de memoria de ejecución para Molmo2-4B, y la distribución en float32 significa que tendrás que hacer una conversión antes de servir.

• Rendimiento — Liquid informa 228 tokens/s en un Apple M5 Max, 116 tokens/s en un AMD Ryzen AI Max+ 395 y 20 tokens/s en un Galaxy S26 Ultra. No existe una cifra pública equivalente para Molmo2-4B en ningún tamaño.

• Contexto — 32.768 tokens para LFM2.5-VL-3B; 36.864 posiciones en la configuración de texto de Molmo2-4B, alcanzadas mediante una etapa dedicada de ajuste fino de contexto largo a 384 fotogramas.

Ese último par merece una salvedad más que una comparación. Los 36.864 de Molmo2-4B son un presupuesto de longitud de secuencia que su pipeline de vídeo consume rápidamente: el preprocesador de vídeo publicado usa por defecto 384 fotogramas a 2 fps, redimensionados a 378×378 con agrupación 3×3. Un clip largo puede consumir toda la ventana solo en fotogramas, dejando poco espacio para la pregunta. Los 32.768 de LFM2.5-VL-3B se destinan a texto y parches de imagen, porque no tiene ninguna ruta de vídeo.

El vídeo es la línea divisoria, no la tabla de referencia

LFM2.5-VL-3B procesa texto e imágenes. Esa es toda su superficie de entrada. Es muy bueno en aquello para lo que fue creado —OCR de página completa con anotación de diseño, detección de objetos a partir de consultas en lenguaje natural, lectura de pantalla y trabajo casi en tiempo real en el dispositivo—, pero un vídeo no es una de sus entradas, y ninguna cantidad de ingeniería de prompts cambia eso.

Molmo2-4B se construyó al revés. La tarjeta de modelo de Ai2 enumera nueve conjuntos de entrenamiento, y cinco de ellos son de vídeo o de múltiples imágenes: QA de descripción de vídeo, QA de subtítulos de vídeo, pointing de vídeo, seguimiento de vídeo, QA de múltiples imágenes y pointing de múltiples imágenes. La salida de pointing es la parte poco habitual. Las coordenadas se devuelven escaladas a 0–1000 del ancho y el alto de la imagen, en un formato etiquetado para el que la tarjeta incluye una regex, de modo que la respuesta a «¿dónde está el barco?» es un punto numérico en lugar de una frase. Ese mismo formato incluye una marca de tiempo en el modo de vídeo, que es lo que hace posible, en última instancia, el seguimiento a nivel de fotograma.

Si tu tarea es una captura de pantalla, una página escaneada, una fotografía de un estante o un menú, nada de eso importa, y el modelo de 3 GB es simplemente la mejor opción de ingeniería. Si tu tarea es «encontrar el momento en que el cajón se cae del palé», LFM2.5-VL-3B no puede entrar en la comparación.

Dos promedios de proveedores que no deben restarse entre sí

Aquí es donde fallan la mayoría de las páginas de comparación. Liquid reporta un promedio de 69,4 para LFM2.5-VL-3B en una tabla de visión de 28 benchmarks. AI2 reporta un promedio de 62,8 para Molmo2-4B en 15 benchmarks académicos. Si pones esos dos números uno al lado del otro, LFM2.5-VL-3B parece 6,6 puntos mejor. No es una comparación válida: distintos conjuntos de benchmarks, distintos formatos de prompt, distintas configuraciones de decodificación y, en el caso de Liquid, un conjunto seleccionado por sus propios autores.

Lo que cada proveedor informa en realidad, con la procedencia adjunta:

• LFM2.5-VL-3B, según el proveedor — DocVQA 91,1; RefCOCO-promedio 87,9; CountBenchQA 87,3; OCRBench v1 84,2; TextVQA 84,3; MMBench 81,0; imagen de SEED-Bench 77,7; Web de ScreenSpot-v2 82,2; MMStar 63,3; MMMU 48,4; MMMU-Pro 30,5; MathVista mini 68,5.

• Molmo2-4B, según datos reportados por el proveedor: 62,8 de promedio en 15 benchmarks académicos, frente a 63,1 del modelo hermano de 8B, 58,1 de Qwen3-VL-4B, 53,4 de InternVL3.5-4B, 59,6 de Claude Sonnet 4.5, 70,0 de Gemini 3 Pro y 70,6 de GPT-5 en la misma tabla.

• No reportado en ningún lugar por ninguno de los dos proveedores: un arnés compartido. Ninguna de las dos empresas ha publicado los resultados de Molmo2-4B en la suite de 28 benchmarks de Liquid ni los de LFM2.5-VL-3B en la tabla de 15 benchmarks de AI2.

El único eje genuinamente comparable es el tamaño del modelo, y ahí el modelo de 4,85B supera al modelo de 3,12B en el promedio propio de AI2 mientras pierde claramente en huella de despliegue. Ese es el intercambio, dicho sin rodeos.

Licencias: ninguna de las dos es la Apache-2.0 que parece.

Ambas tarjetas llevan una etiqueta que suena permisiva, y ambas tienen una trampa que un revisor de adquisiciones encontrará.

• Molmo2-4B — los pesos están bajo Apache 2.0, pero la tarjeta añade que el modelo "está entrenado con conjuntos de datos de terceros sujetos únicamente a uso académico y de investigación no comercial", y te indica que revises las fuentes antes de decidir si el modelo se ajusta a tus necesidades. Los pesos son abiertos; el linaje de los datos no está limpio para uso comercial, y Ai2 lo dice en la tarjeta en lugar de en una nota a pie de página.

• LFM2.5-VL-3B — la LFM Open License v1.0, que no es una licencia OSI. El uso comercial se concede de forma condicional: la sección 5 hace que los derechos comerciales dependan de que tu entidad jurídica se mantenga por debajo de un Umbral definido, y la licencia define ese Umbral como unos ingresos anuales de 10 millones de dólares estadounidenses o más.

Ninguna de las dos restricciones es inusual para un lanzamiento cercano a la investigación. Ambas hacen que la pregunta «¿podemos lanzar esto?» tenga una respuesta distinta para un prototipo de dos personas y una empresa financiada, y las dos respuestas apuntan en direcciones opuestas según el modelo que hayas elegido.

Ejecutando cualquiera de los dos hoy

La propia model card de Molmo2-4B ahora está detrás de la biblioteca. Sigue indicándote que instales transformers==4.57.1, pases trust_remote_code=True e instales molmo_utils y decord2. Esa receta funciona. También ha dejado de ser la única: desde la v5.20.0, Transformers estándar incluye una clase Molmo2ForConditionalGeneration con su propia configuración, procesador de imágenes, procesador de vídeo y procesador, por lo que la ruta de código remoto es opcional en lugar de obligatoria. vLLM ha incluido compatibilidad con Molmo2 detrás de su propia clase de modelo desde poco después del lanzamiento; la documentación de la plataforma de AI2 sigue apuntando a las nightly wheels en lugar de a una versión estable, algo que conviene saber antes de fijar una versión en producción.

LFM2.5-VL-3B tiene la historia de despliegue más madura de las dos, y no hay comparación: pesos nativos además de exportaciones a GGUF, ONNX y MLX, con llama.cpp, vLLM y SGLang incluidos como compatibles, y rendimiento publicado en tres piezas distintas de hardware de consumo. Si tu objetivo es un portátil, un teléfono o una computadora de placa única, ese ecosistema es el producto.

Una nota práctica para quien tenga previsto enrutar entre ambos: ninguno de los dos modelos figura en el catálogo de OrcaRouter, y sería un error interpretar una comparación como esta como una afirmación de disponibilidad. Lo que sí ofrece la plataforma es una única API para más de 200 modelos, junto con un despliegue autoalojado como estos dos, con conmutación por error automática y el precio de lista del propio proveedor trasladado sin recargo alguno. El patrón habitual consiste en mantener el modelo de visión pequeño en local para la ruta crítica en latencia y derivar hacia fuera las solicitudes más difíciles y menos frecuentes, además de demostrar esa división con tráfico real antes de decidirse por cualquiera de los dos.

¿Cuál elegir?

Elige LFM2.5-VL-3B si el destino de implementación es un teléfono, un portátil o un equipo de borde, si tus entradas son capturas de pantalla, documentos o fotografías individuales, si necesitas una latencia del primer token inferior a un segundo, o si necesitas uno de los formatos cuantizados que ya existen para él. La cobertura de 16 idiomas y las cifras de ScreenSpot-v2 lo convierten en una opción defendible específicamente para la comprensión de pantalla en el dispositivo.

Elige Molmo2-4B si el video está dentro del alcance, si necesitas coordenadas en lugar de prosa, si necesitas razonamiento multimagen sobre un conjunto de fotogramas o si la tarea consiste en contar objetos en una escena —la propia comparación de AI2 sitúa a la familia Molmo2 a la cabeza del ámbito de pesos abiertos en conteo de video, aunque admite que ningún modelo de su evaluación alcanza el 40% de precisión. Prevé el footprint: 19.42 GB de pesos en float32, una conversión a bfloat16 antes de ponerlo en servicio y una GPU en lugar de un teléfono.

Lo que lo resolvería de forma adecuada es una evaluación conjunta sobre un mismo harness, con una cuantización equivalente y con la latencia medida en el mismo dispositivo. Ninguno de los dos proveedores ha publicado una, y hasta que alguien lo haga, la respuesta honesta es que estos dos modelos se diseñaron para tareas distintas y que los benchmarks nunca estuvieron pensados para compararse entre sí.