MiniCPM-V 4.7 1B vs LFM2.5-VL 3B : OpenBMB affirme que son modèle 1B surpasse un 3B. Voici ce que cette affirmation cache.

MiniCPM-V 4.7 1B et LFM2.5-VL 3B sont tous deux des modèles vision-langage à poids ouverts conçus pour les téléphones et les petits ordinateurs, et ils sont séparés de moins de trois semaines sur le calendrier. MiniCPM-V 4.7 1B a été mis en ligne par OpenBMB le 6 octobre 2026 et daté du 12 octobre dans les notes de version du fournisseur. LFM2.5-VL 3B a été publié par Liquid AI le 11 août 2026. L'un compte 1,55 milliard de paramètres et est sous Apache 2.0. L'autre compte 3,12 milliards de paramètres sous la licence LFM Open License v1.0. Et la page produit d'OpenBMB elle-même avance une affirmation qui devrait arrêter quiconque choisit uniquement sur la taille : que son modèle 1B surpasse LFM2.5-VL 3B sur l'OCR, le raisonnement sur graphiques et la compréhension vidéo. Les défaillances d'IA documentées et les incidents d'agents derrière des sorties comme celle-ci sont recueillis dans the OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, niveau de gravité, note de confiance et indicateur de contestation.

Cette phrase porte beaucoup de poids. Elle n’est d’ailleurs pas contredite par les chiffres, pour autant que l’on puisse le vérifier — ce qui est plus intéressant que si elle l’était. Cet article passe en revue ce que chaque fournisseur a réellement publié, où la comparaison est réelle, et les deux endroits où l’affirmation change discrètement de sujet.

L’affirmation, dans les propres mots du fournisseur

La page du modèle 1B d'OpenBMB indique que le modèle « est une mise à niveau complète par rapport à MiniCPM-V 4.6-1.3B et surpasse Qwen3.5-0.8B et LFM2.5-VL-3B, restant en tête de sa catégorie de taille en OCR, en raisonnement sur graphiques et en compréhension vidéo ». La proposition qui compte est « restant en tête de sa catégorie de taille ». La comparaison avec LFM2.5-VL 3B est avancée comme preuve de densité de capacités ; la phrase qui suit limite l'affirmation à une catégorie de taille dont le LFM ne fait pas partie.

La fiche de Liquid AI ne lui rend pas la pareille. Elle ne mentionne pas du tout MiniCPM, et elle évalue son modèle face à G​emma4 E2B et E4B, InternVL 3.5 2B et 4B, ainsi qu'à Qwen3.5-2B et 4B. Il s'agit donc d'une comparaison à sens unique : un fournisseur s'est mesuré à l'autre, et l'autre n'a jamais reconnu cette confrontation. Cette asymétrie est la première chose à savoir avant de lire un comparatif direct, y compris celui-ci.

Ce que chaque fournisseur déclare officiellement

Liquid AI publie un tableau numérique. LFM2.5-VL-3B rapporte MathVista 68,5, MMMU Pro 30,5, ChartQA 81,3 et OCRBenchv2 47,5 (sous-ensemble anglais uniquement), aux côtés des scores d’un modèle frère sur les mêmes lignes. Ce sont des chiffres du fournisseur, exécutés par le fournisseur, et aucun acteur indépendant n’est tenu de les valider — mais ils sont falsifiables, et c’est ce qui les rend utiles. Si vous reproduisez 55 sur MathVista, vous savez que quelque chose dans votre configuration diffère.

OpenBMB publie un résumé chiffré en prose et des graphiques complets en dessous. Pour le 1B, la page indique OCRBench 86,1, MathVista 74,3, CharXiv Reasoning 48,8, LongVideoBench 53,4 et MotionBench 54,55, et présente le reste de la comparaison sous forme d’images avec des colonnes 4× et 16×. La fiche modèle elle-même ne contient aucune table de benchmarks.

Comparez les deux sur le seul benchmark que tous deux nomment. MathVista : MiniCPM-V 4.7 1B à 74,3, LFM2.5-VL 3B à 68,5. Le 1B devance de 5,8 points selon les propres chiffres du fournisseur. En OCR, les deux utilisent des instruments différents — OCRBench contre le sous-ensemble anglais d'OCRBenchv2 — et les chiffres ne sont pas comparables, ce qui est exactement le genre de détail qu'une phrase avec « surpasse » omet.

Là où la comparaison porte sur des éléments comparables

• Paramètres — 1,55 B dense, BF16, 3,1 Go sur disque vs 3,12 B dense, BF16 ; le LFM représente environ deux fois la taille du modèle

• Encodeur visuel — tour de style SigLIP2, 27 couches, 1152 dimensions cachées, tuiles de 980 pixels vs SigLIP2 NaFlex 400M, patchs non chevauchants 512×512 plus une vignette redimensionnée

• Backbone textuel — une configuration dérivée de Qwen3.5 avec 24 couches, 1 024 de dimension cachée, un schéma d’attention linéaire/complète de 3:1 par rapport à LFM2.5-2.6B, une architecture hybride conçue par Liquid AI.

• Contexte — 262 144 tokens vs 32 768 tokens

• Budget de tokens visuels — compression commutable de 4× ou 16× par requête, contre un budget de patchs NaFlex fixe défini par la résolution

• Licence — Apache 2.0 vs LFM Open License v1.0, qui comporte des conditions commerciales plutôt qu'une simple permissivité

• Langues nommées — l'anglais et le chinois dans les exemples de la carte, contre 16 langues énumérées explicitement (de l'arabe au vietnamien)

• Évaluation publiée — cinq chiffres présentés en prose, plus des comparaisons uniquement sous forme de graphique par rapport à un tableau numérique, sur quatre benchmarks et six modèles apparentés

• Évaluation indépendante — aucune entrée Artificial Analysis pour l’un ou l’autre à ce jour vs aucune entrée Artificial Analysis non plus

• Vitesse annoncée par le fournisseur — aucun chiffre de tokens par seconde pour le 1B sur aucun appareil, contre 228 tok/s sur un Apple M5 Max, 116 tok/s sur un AMD Ryzen AI Max+ 395, 20 tok/s sur un Galaxy S26 Ultra

• Mémoire — environ 3,1 Go en BF16 ; Q4 GGUF 0,67 Go plus un projecteur de vision de 0,90–1,11 Go contre moins de 3,3 Go comme publié, avec des versions GGUF, ONNX et MLX proposées

• Chemins de service nommés — Transformers, SGLang, vLLM, llama.cpp, Ollama, OpenVINO, décodage spéculatif DSpark vs Transformers, vLLM, SGLang, llama.cpp, ainsi que les exports GGUF, ONNX et MLX

• Prise en charge sur appareil — applications iOS, Android et HarmonyOS, et prise en charge dès le jour 0 de Rockchip, Houmo, Intel, AMD et Arm, démontrée sur un iPhone 17 Pro Max face à un chiffre de décodage d’un Galaxy S26 Ultra et une compilation MLX pour Apple Silicon

Deux lignes méritent un second regard. La fenêtre de contexte présente un écart d’un facteur huit en faveur de MiniCPM, et c’est le genre de chiffre qui semble décisif jusqu’à ce qu’on se rappelle qu’un modèle 1B contenant 262k tokens détient un cache KV plus volumineux que ses propres poids. En pratique, sur un téléphone, aucun des deux modèles ne fonctionnera même de loin à son plafond. Et c’est la ligne de la licence qui décide de l’adoption commerciale plus souvent que n’importe quel benchmark : Apache 2.0 ne demande aucune conversation avec un avocat, tandis que la LFM Open License, elle, en demande une.

La partie sur laquelle la revendication change de sujet

OpenBMB compare son modèle à un concurrent deux fois plus grand, sur des benchmarks de son choix, et présente le résultat en prose. Ce n’est pas malhonnête — les chiffres sont publiés et la comparaison est énoncée. Mais cela répond à une question que personne qui déploie un modèle ne pose réellement. Personne ne choisit entre un 1B et un 3B parce qu’il veut que le plus petit soit meilleur. On choisit parce que l’un tient sur son appareil et pas l’autre, ou parce que l’un couvre les langues dont on a besoin, ou parce que la licence de l’un passe la validation juridique.

Sur le premier de ces points, la lecture honnête est que les deux conviennent. La fiche technique du LFM2.5-VL-3B annonce moins de 3,3 Go et affiche 20 jetons par seconde sur un Galaxy S26 Ultra. Le MiniCPM-V 4.7 1B en Q4 avec son projecteur atteint près de 1,8 Go. Ainsi, le véritable avantage du 1B n'est pas « qu'il tourne sur un téléphone et pas l'autre » — c'est la marge : environ un gigaoctet et demi de mémoire en moins, ce qui, sur un appareil Android de milieu de gamme, fait la différence entre une application qui survit et une que le système tue.

Sur le second point, la comparaison s’inverse. LFM2.5-VL-3B mentionne 16 langues dans sa fiche et fournit des versions ONNX et MLX en plus de GGUF. La documentation de MiniCPM-V 4.7 1B s’articule autour d’exemples en anglais et en chinois, et son offre embarquée est axée sur la prise en charge des puces iOS, Android et HarmonyOS plutôt que sur la couverture linguistique. Si votre produit est distribué en turc, en polonais ou en vietnamien, c’est le modèle le plus grand, celui dont la licence est la plus restrictive, qui affirme publiquement vous prendre en charge.

Sur le troisième point, Apache 2.0 l’emporte haut la main et il n’y a pas grand-chose à discuter.

Ce en quoi chacun est véritablement meilleur

LFM2.5-VL-3B est construit autour d'un ensemble précis de tâches, et sa fiche le dit clairement : travail à tour unique, à haut débit et à faible latence, comme la détection d'objets quasi en temps réel dans des contextes automobiles, l'OCR par lots de documents numérisés avec annotation de mise en page, et la traduction embarquée de menus et de panneaux routiers. La fiche précise aussi ce pour quoi le modèle n'est pas conçu — les tâches à contexte long et à forte intensité de raisonnement, le design web visuel, les questions techniques sur des plans. Ce type d'indication négative est rare et mérite davantage de confiance que les affirmations positives.

MiniCPM-V 4.7 1B est conçu autour de la densité de capacités dans le bas de la plage de tailles. La compression mixte de tokens 4×/16× en est l'expression la plus claire : un même checkpoint peut servir aussi bien à une lecture détaillée de document qu'à un passage rapide en vignette, au choix par requête. Les contrôles de découpage (36 tranches pour les images, 1 pour la vidéo), les paramètres d'échantillonnage de frames pour la vidéo, ainsi que les entrées distinctes du cookbook pour le parsing PDF et le grounding, indiquent tous une charge de travail orientée documents et écrans plutôt que détection. Il embarque également des têtes de décodage spéculatif DSpark sous forme d'un artefact séparé de 213 M de paramètres, ce qui constitue un véritable levier de débit si votre runtime le prend en charge, et un poids mort dans le cas contraire.

La répartition pratique : si vous détectez des objets dans un flux de caméra ou traduisez des panneaux à 20 images par seconde, les chiffres de latence et la couverture linguistique du LFM constituent l’argument. Si vous transformez des captures d’écran, des reçus et des images de pages en texte structuré avec un budget de jetons que vous contrôlez, le commutateur de compression du MiniCPM constitue l’argument.

L'écart qu'un acheteur devrait intégrer dans le prix

LFM2.5-VL-3B est disponible depuis le 11 août 2026 — dix semaines au moment de la rédaction — ce qui, en termes de poids ouverts, laisse suffisamment de temps à l'écosystème de la quantification pour se stabiliser. Les builds GGUF, ONNX et MLX sont fournis directement par l'éditeur. Tout runtime que vous êtes susceptible d'utiliser dispose d'un chemin d'exécution fonctionnel.

MiniCPM-V 4.7 1B a trois semaines, et sa fiche s’ouvre sur une mise en garde concernant les incompatibilités de version CUDA qui cassent le décodage vidéo via torchcodec, avec deux solutions de contournement documentées. L’architecture est nouvelle — un model_type qui n’existait pas il y a un mois — et la version minimale de Transformers est 5.18.0. Rien de tout cela n’est un défaut. C’est la taxe standard de l’adoption d’un modèle durant son premier mois, et la raison pour laquelle une publication discrète avec une évaluation fondée sur des graphiques est un bon candidat pour un test comparatif côte à côte et un candidat douteux pour une voie de production dès la première semaine.

Le moyen économique de réaliser ce test consiste à garder le modèle en place en service pendant que vous évaluez le nouveau venu, ce qui relève du routage plutôt que de la modélisation. OrcaRouter propose plus de 200 modèles hébergés derrière un seul point de terminaison compatible OpenAI, sans majoration, en répercutant à l’identique le prix catalogue de chaque fournisseur, de sorte qu’une baisse de prix d’un fournisseur apparaisse sur votre facture le jour même plutôt qu’après un cycle de révision tarifaire. Son DSL de routage peut définir un modèle principal et un modèle de secours dans un seul appel, et le basculement automatique maintient le chemin actif lorsqu’un fournisseur connaît une mauvaise passe — ce que vous voulez lorsque le modèle à l’essai est un checkpoint local de 1B et que le modèle en production est un modèle pour lequel vous payez. Aucun des deux modèles de cet article ne figure dans ce catalogue : ce sont tous deux des checkpoints que vous exécutez vous-même, et le routeur se place autour d’eux plutôt que d’offrir un moyen de les appeler.

La réclamation, réglée

MiniCPM-V 4.7 1B bat-il LFM2.5-VL 3B ? Sur MathVista, de 5,8 points selon les chiffres rapportés par les deux fournisseurs. Sur l’OCR, les deux ont publié des instruments différents et la comparaison ne peut pas être faite. Sur le raisonnement sur graphiques et la compréhension vidéo, OpenBMB revendique une victoire et la publie sous forme de graphique, et Liquid AI n’a jamais répondu. La seule comparaison entièrement vérifiable étaye l’affirmation ; les autres relèvent du fournisseur qui note son propre travail dans un format qui se prête mal à la citation.

Ce que l’affirmation ne supporte pas, c’est d’être lue comme « le plus petit modèle est tout simplement meilleur ». LFM2.5-VL-3B propose seize langues, des versions ONNX et MLX exportées, une mesure de vitesse documentée sur un téléphone Android commercialisé, et une fiche qui indique où ne pas l’utiliser. MiniCPM-V 4.7 1B propose un budget de tokens ajustable, une fenêtre de contexte de 262 k, une licence Apache 2.0 et environ 1,8 Go de mémoire quantifiée. Ce sont des produits différents habillés de la même ligne de benchmark, et la bonne réponse dépend de laquelle de ces listes correspond à votre déploiement — et non de quel nombre est le plus grand.

Testez les deux sur vos propres images avec votre propre quantification. Les poids sont gratuits et l’après-midi est le seul coût.