Molmo2-4B vs LFM2.5-VL-3B : 19 Go de poids contre 3 Go pour un téléphone

Placez les deux checkpoints côte à côte sur le disque et la comparaison est presque terminée avant même d’avoir commencé. Molmo2-4B est livré sous forme de 19,42 GB de safetensors float32 répartis sur quatre fragments. Le dépôt natif de LFM2.5-VL-3B totalise 6,27 GB, et la fiche de Liquid elle-même promet qu’il fonctionne avec « moins de 3,3 GB de mémoire ». Une fois le plus petit modèle quantifié, l’écart d’empreinte est d’environ six pour un pour deux modèles dont on parle comme s’ils étaient des petits modèles vision-langage interchangeables. Ils ne le sont pas, et la raison n’est pas la qualité. L’un est conçu pour répondre à des questions sur une vidéo de 384 images. L’autre est conçu pour répondre à des questions sur une photographie prise sur un téléphone avec la radio éteinte. Aucun des deux modèles n’est hébergé ici, donc le rôle de la plateforme est la pile environnante. Tarification à 0 % de marge Le prix catalogue du fournisseur est répercuté sans modification.

Aucun des deux modèles n’est nouveau, ce qui compte si vous êtes arrivé depuis une page de résultats suggérant le contraire. Molmo2-4B a été annoncé par l’Allen Institute for AI le 11 décembre 2025 et ses poids ont été mis en ligne le 14 décembre. LFM2.5-VL-3B a été publié par Liquid AI le 12 août 2026. Ce qui a changé récemment est plus étroit et plus utile qu’un lancement : Molmo2 est devenu une architecture de premier ordre dans Transformers amont, avec la PR #43451 fusionnée le 9 octobre 2026 et le modèle livré pour la première fois dans la v5.20.0 le 15 octobre, mettant fin à la période où il fallait passer trust_remote_code=True et installer un paquet molmo_utils séparé. Le 5 novembre, Ai2 a aussi publié Molmo2-4B-tb, un fine-tune robotique construit sur ce checkpoint exact. Aucun de ces événements ne rend Molmo2-4B nouveau. Les deux le rendent désormais concrètement exploitable.

La question de la mémoire, en chiffres plutôt qu’en adjectifs

Les tailles d'abord, car elles déterminent la plupart des déploiements avant même qu'un seul benchmark ne soit consulté.

Paramètres — Molmo2-4B compte 4 850 869 200 paramètres répartis entre une tour de vision SigLIP 2 et un cœur linguistique Qwen3-4B-Instruct-2507 ; LFM2.5-VL-3B compte 3 123 483 888 paramètres répartis entre un encodeur SigLIP2 NaFlex 400M et un socle LFM2.5 de 2,6B.

• Format des poids livrés — Molmo2-4B est distribué en float32, 19,42 Go sur disque, en quatre fragments ; LFM2.5-VL-3B est distribué en bfloat16 à 6,27 Go, avec des exports officiels GGUF, ONNX et MLX publiés en parallèle.

• Empreinte d'exécution annoncée — Liquid revendique moins de 3,3 Go pour LFM2.5-VL-3B à l'inférence ; AI2 ne publie aucun chiffre de mémoire d'exécution pour Molmo2-4B, et la distribution en float32 implique que vous devrez effectuer un cast avant de servir.

• Débit — Liquid rapporte 228 tokens/s sur un Apple M5 Max, 116 tokens/s sur un AMD Ryzen AI Max+ 395 et 20 tokens/s sur un Galaxy S26 Ultra. Il n’existe aucun chiffre public équivalent pour Molmo2-4B, quelle que soit sa taille.

• Contexte — 32 768 tokens pour LFM2.5-VL-3B ; 36 864 positions dans la configuration texte de Molmo2-4B, atteintes via une étape dédiée de fine-tuning à contexte long à 384 images.

Ce dernier duo mérite une mise en garde plutôt qu’une comparaison. Les 36 864 de Molmo2-4B correspondent à un budget de longueur de séquence que son pipeline vidéo consomme rapidement : le préprocesseur vidéo publié est réglé par défaut sur 384 images à 2 i/s, redimensionnées en 378×378 avec un pooling 3×3. Un long clip peut consommer toute la fenêtre rien qu’en images, laissant peu de place à la question. Les 32 768 de LFM2.5-VL-3B sont consacrés au texte et aux patches d’image, car il n’a aucune voie vidéo.

La vidéo est la ligne de démarcation, pas le tableau de référence.

LFM2.5-VL-3B traite le texte et les images. C’est toute sa surface d’entrée. Il est très bon dans ce pour quoi il a été conçu — OCR pleine page avec annotation de mise en page, détection d’objets à partir de requêtes en langage naturel, lecture d’écran et travail quasi temps réel sur appareil — mais une vidéo ne fait pas partie de ses entrées, et aucune ingénierie de prompt n’y changera rien.

Molmo2-4B a été construit dans l’autre sens. La fiche modèle d’Ai2 répertorie neuf ensembles d’entraînement, dont cinq sont vidéo ou multi-images : questions-réponses de légendage vidéo, questions-réponses de sous-titres vidéo, pointage vidéo, suivi vidéo, questions-réponses multi-images, pointage multi-images. La sortie de pointage est la partie inhabituelle. Les coordonnées sont renvoyées à l’échelle 0–1000 de la largeur et de la hauteur de l’image, dans un format balisé pour lequel la fiche fournit une expression régulière, de sorte qu’une réponse à « où est le bateau » est un point numérique plutôt qu’une phrase. Le même format transporte un horodatage en mode vidéo, ce qui rend possible le suivi au niveau des images.

Si votre tâche est une capture d'écran, une page numérisée, une photographie d'un rayon ou d'un menu, rien de tout cela n'a d'importance, et le modèle de 3 Go est tout simplement le meilleur choix d'ingénierie. Si votre tâche est « trouver le moment où la caisse tombe de la palette », LFM2.5-VL-3B ne peut pas entrer dans la comparaison.

Deux moyennes de fournisseurs qui ne doivent pas être soustraites l'une de l'autre

Voici où la plupart des pages de comparaison se trompent. Liquid annonce une moyenne de 69,4 pour LFM2.5-VL-3B sur un tableau de vision de 28 benchmarks. AI2 annonce une moyenne de 62,8 pour Molmo2-4B sur 15 benchmarks académiques. Affichez ces deux chiffres côte à côte et LFM2.5-VL-3B semble meilleur de 6,6 points. Ce n'est pas une comparaison valable : des ensembles de benchmarks différents, des formats d'invite différents, des paramètres de décodage différents et, dans le cas de Liquid, une suite sélectionnée par ses propres auteurs.

Ce que chaque fournisseur déclare réellement, avec la provenance jointe :

• LFM2.5-VL-3B, selon le fournisseur — DocVQA 91,1, RefCOCO-avg 87,9, CountBenchQA 87,3, OCRBench v1 84,2, TextVQA 84,3, MMBench 81,0, SEED-Bench image 77,7, ScreenSpot-v2 Web 82,2, MMStar 63,3, MMMU 48,4, MMMU-Pro 30,5, MathVista mini 68,5.

• Molmo2-4B, selon le fournisseur — moyenne de 62,8 sur 15 benchmarks académiques, contre 63,1 pour son homologue 8B, 58,1 pour Qwen3-VL-4B, 53,4 pour InternVL3.5-4B, 59,6 pour Claude Sonnet 4.5, 70,0 pour Gemini 3 Pro et 70,6 pour GPT-5 dans le même tableau.

• Non signalé nulle part par aucun des deux fournisseurs — un banc d’essai partagé. Aucune des deux entreprises n’a publié les résultats de Molmo2-4B sur la suite de 28 benchmarks de Liquid ni ceux de LFM2.5-VL-3B sur le tableau de 15 benchmarks d’AI2.

Le seul axe réellement comparable est la taille du modèle, et là, le modèle 4.85B bat le modèle 3.12B sur la moyenne propre à AI2 tout en perdant largement sur l’empreinte de déploiement. C’est le compromis, dit clairement.

Licences : ni l’une ni l’autre n’est l’Apache-2.0 qu’elle semble être.

Les deux cartes portent une étiquette à consonance permissive, et toutes deux comportent un piège qu’un évaluateur des achats repérera.

• Molmo2-4B — poids sous Apache 2.0, mais la fiche précise que le modèle « {{1}}est entraîné sur des jeux de données tiers soumis à un usage de recherche académique et non commercial uniquement,{{/1}} » et vous invite à examiner les sources avant de décider si le modèle vous convient. Les poids sont ouverts ; la provenance des données n’est pas propre pour un usage commercial, et Ai2 l’indique sur la fiche plutôt que dans une note de bas de page.

• LFM2.5-VL-3B — la licence LFM Open License v1.0, qui n’est pas une licence OSI. L’utilisation commerciale est accordée sous conditions : la section 5 subordonne les droits commerciaux au fait que votre entité juridique reste en dessous d’un seuil défini, et la licence définit ce seuil comme un chiffre d’affaires annuel de 10 millions de dollars américains ou plus.

Aucune des deux restrictions n’est inhabituelle pour une version liée à la recherche. Les deux signifient que la question « peut-on livrer ceci » appelle une réponse différente pour un prototype à deux personnes et pour une entreprise financée, et que ces deux réponses pointent dans des directions opposées selon le modèle que vous avez choisi.

Faire tourner l'un ou l'autre aujourd'hui

La fiche modèle propre à Molmo2-4B est désormais en retard sur la bibliothèque. Elle vous demande encore d’installer transformers==4.57.1, de passer trust_remote_code=True et d’installer molmo_utils et decord2. Cette recette fonctionne. Ce n’est toutefois plus la seule : depuis la v5.20.0, la version standard de Transformers comporte une classe Molmo2ForConditionalGeneration avec sa propre configuration, son processeur d’images, son processeur vidéo et son processeur, si bien que la voie du code distant est optionnelle plutôt qu’obligatoire. vLLM prend en charge Molmo2 via sa propre classe de modèle depuis peu après le lancement ; la documentation de la plateforme d’AI2 renvoie encore aux wheels nightly plutôt qu’à une version stable, ce qu’il vaut mieux savoir avant d’épingler une version en production.

LFM2.5-VL-3B bénéficie de la stratégie de déploiement la plus mature des deux, et l’écart est net : des poids natifs ainsi que des exports GGUF, ONNX et MLX, avec llama.cpp, vLLM et SGLang tous indiqués comme pris en charge, et des débits publiés sur trois matériels grand public différents. Si votre cible est un ordinateur portable, un téléphone ou un ordinateur monocarte, cet écosystème est le produit.

Une remarque pratique pour quiconque envisage de router entre eux : aucun des deux modèles ne figure au catalogue d’OrcaRouter, et il serait erroné d’interpréter une comparaison comme celle-ci comme une affirmation de disponibilité. Ce que la plateforme propose, en revanche, c’est une API pour plus de 200 modèles aux côtés d’un déploiement auto-hébergé comme ces deux-là, avec basculement automatique et le prix catalogue du fournisseur répercuté sans marge ajoutée. Le schéma habituel consiste à garder le petit modèle de vision en local pour le chemin critique en latence et à router les requêtes plus difficiles et plus rares vers l’extérieur — et à valider cette répartition avec du trafic réel avant de s’engager sur l’une ou l’autre solution.

Lequel choisir

Choisissez LFM2.5-VL-3B si la cible de déploiement est un téléphone, un ordinateur portable ou un boîtier edge, si vos entrées sont des captures d’écran, des documents ou des photographies uniques, si vous avez besoin d’une latence du premier token inférieure à la seconde, ou si vous avez besoin de l’un des formats quantifiés déjà disponibles pour ce modèle. La couverture de 16 langues et les chiffres ScreenSpot-v2 en font un choix défendable spécifiquement pour la compréhension d’écran sur appareil.

Choisissez Molmo2-4B si la vidéo entre dans le périmètre, si vous avez besoin de coordonnées plutôt que de texte descriptif, si vous devez raisonner sur plusieurs images à partir d'un ensemble de trames, ou si la tâche consiste à compter des objets dans une scène — la propre comparaison d'AI2 place la famille Molmo2 en tête du domaine des modèles à poids ouverts pour le comptage vidéo, tout en reconnaissant qu'aucun modèle de son évaluation n'atteint 40 % de précision. Prévoyez les ressources nécessaires : 19,42 Go de poids en float32, une conversion en bfloat16 avant le service, et un GPU plutôt qu'un téléphone.

Ce qui permettrait de trancher correctement, c’est une évaluation conjointe sur un même banc d’essai, à quantification égale, avec une latence mesurée sur le même appareil. Aucun des deux fournisseurs n’en a publié, et tant que personne ne le fait, la réponse honnête est que ces deux modèles ont été conçus pour des tâches différentes et que les benchmarks n’ont jamais été destinés à se rencontrer.