LFM3-Omni-2B לעומת MiniCPM-V 4.7 35B-A3B: המצטרף החדש והמוביל המכהן
- OrcaחדשOrcaCyber: GLM 5.3 Flash Abliterated2026-10-2780 tok/s
- OrcaחדשOrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 283 tok/s
- OrcaחדשOrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 83 tok/s
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2455אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 119 tok/s
- minimaxחדשMiniMax: M3.1 Flash2026-10-1943אינטליגנציה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 45 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 113 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 700 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2138אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2146אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 160 tok/s
שני מספרים, שניהם נכונים, ושניהם מטעים אם קוראים אותם כפסק דין: MiniCPM-V 4.7 35B-A3B הורד כ-289,000 פעמים, וLFM3-Omni-2B הורד 83 פעמים. הפער נראה כמו תבוסה מוחצת. הוא למעשה לוח שנה. המשקלים של OpenBMB הועלו ב-6 באוקטובר 2026; אלה של Liquid AI הועלו ב-21 באוקטובר והוכרזו ב-27 באוקטובר, יום אחד לפני שהמספרים האלה נקראו. למודל שקיים שבוע לא יכולה להיות היסטוריית הורדות, ולמודל עם יתרון התחלה של שישה שבועות וקהל עוקבים קיים של MiniCPM תהיה היסטוריית הורדות כזאת, בין אם הוא ראוי לה ובין אם לא.
אז ההשוואה המעניינת אינה פופולריות. אלא מה שצוות שבוחר מודל מולטימודלי קטן עבור מכשיר צריך באמת לשקול: האם הוא צריך לשמוע, האם הוא צריך לעבור קוונטיזציה בשש דרכים, ואיזה רישיון עדיין יהיה נוח כשהמוצר יתחיל להניב הכנסות.
מהו כל מודל
MiniCPM-V 4.7 35B-A3B הוא מודל השפה-חזות הראשון של OpenBMB מבוסס תערובת מומחים: 35.2 מיליארד פרמטרים מאוחסנים, כאשר 8 מתוך 256 מנותבים לכל טוקן, כ-3 מיליארד פעילים, 40 שכבות טקסט, מאחורי מגדל חזותי בן 27 שכבות בגודל חבוי 1,152 המוחדר בשכבה 6 של מחסנית הטקסט. הוא קורא תמונות, קבוצות מרובות-תמונות, וידאו וטקסט, ועונה בטקסט. אין נתיב שמע בשום מקום ב-70.4 GB של משקלים. הטענה הכותרתית של הכרטיס אינה דיוק אלא היתכנות: יותר מ-13 טוקנים בשנייה על iPhone 17 Pro Max תוך שימוש בכ-3 GB זיכרון, דבר שמתאפשר הודות לתחבולת Lookahead Expert Scheduling שמנבאת את המומחים של השכבה הבאה ומביאה אותם מראש בזמן שהשכבה הנוכחית מחשבת.
LFM3-Omni-2B הוא מודל ה-omni של Liquid AI במשפחת LFM3: 2.17 מיליארד פרמטרים dense על גבי שלד LFM3-1.7B, עם מקודד חזותי LFM3 ומקודד אודיו סיבתי LFM3 שמזינים אוצר מילים אחד של 128,000 טוקנים. הוא קורא טקסט, תמונות, וידאו עם סאונד או בלעדיו, ואודיו ב-16 kHz, והוא כותב טקסט או דיבור ב-24 kHz, כולל טקסט ודיבור משולבים בתגובה אחת. זהו מודל לא-מנמק מלכתחילה — הכרטיס מציין ש-enable_thinking=True אינו נתמך — והוא מיועד לטלפונים, למחשבים ניידים ולחומרת קצה.
שניהם מתאימים לטלפון. רק אחד מהם תוכנן סביב זה.
קל לשייך את שניהם תחת "מודל קטן על התקן" ולהמשיך הלאה. ההנדסה שמתחת לפני השטח היא הפוכה.
הבעיה של OpenBMB הייתה רוחב פס זיכרון במכשיר נייד, ולכן המודל דליל באופן שמצמצם את מה שצריך לקרוא לכל טוקן: 35.2B מאוחסנים, 3B נגישים. Lookahead Expert Scheduling הוא הרמז המסגיר — בונים טעינה מוקדמת של מומחים רק כשצוואר הבקבוק הוא הזזת משקלים, לא הכפלתם. LFM3-Omni-2B פותר את אותה בעיה בכך שהוא קטן באמת: 2.17B צפוף, בלי ניתוב בכלל, הכול ב-16 סיביות ועדיין כמה גיגה-בייט.
הפשרה באה לידי ביטוי בכימות. MiniCPM-V 4.7 מגיע עם בניות GGUF, AWQ, GPTQ, FP8, INT4 ו-BitsAndBytes, וכן צ׳קפוינטים של טיוטה של DSpark לפענוח ספקולטיבי — תפריט מלא לכל מאיץ שתגיעו אליו. ל-LFM3-Omni-2B יש משקולות BF16 ב-Hugging Face ובניית Ollama שנמצאת בתפוצה, והרשומה הזו של Ollama מציינת הקשר של 125K לעומת 32K בכרטיס הדגם. אם מדובר בבאג אריזה או ביכולת שאינה מתועדת — נכון למועד הכתיבה, הדבר לא הוכרע. אם אתם צריכים להריץ על NPU של Rockchip או על מחשב נייד של Intel, הספק עם ששת פורמטי הכימות הוא ההימור הבטוח יותר מהיום הראשון.
השורה שמכריעה את רוב הפריסות
MiniCPM-V 4.7 35B-A3B אינו יכול לשמוע. אין מגדל אודיו, אין נתיב ASR, אין ראש דיבור. LFM3-Omni-2B יכול לשמוע ויכול להשיב בקול רם, ב־19 לוקאלים של דיבור וב־16 שפות טקסט.
עבור עומס עבודה של מסמך, תרשים, צילום מסך או פריים מווידאו, ההבדל הזה לא רלוונטי ו-MiniCPM היא הבחירה החזקה יותר כמעט בכל ציר אחר — גדולה יותר, נבדקה בהרחבה יותר, עם כלים טובים יותר. בכל דבר שמיקרופון נמצא בתמונה, זה מסיים את ההשוואה מיד. לא ניתן להוסיף יכולת שמיעה ל-MiniCPM-V 4.7 בלי להוסיף מודל ASR נפרד ואז מודל TTS, ובשלב הזה מריצים שלושה מודלים כדי לעשות מה שצ'קפוינט אחד של 2.17B עושה באופן מובנה.
ההיפך גם נכון. LFM3-Omni-2B קורא תמונות, אבל זהו מודל של 2.17B שקורא אותן: הכרטיס שלו מדווח OCRBench 806, DocVQA 92.47 ו-MMMU 42.44, כאשר MMMU-Pro יורד ל-27.28. אלה מספרים מכובדים לגודל ואינם תחרותיים מול מודל 35B בפריסות מסמכים קשות. אם המשימה היא טבלאות צפופות וטפסים סרוקים, המודל הגדול מנצח במשימה עוד לפני ששוקלים את ניתוב 8 מתוך 256 שהופך אותו לזול להרצה.
במקום שבו נגמרים המספרים
הנה החלק הלא נוח: אין טבלת השוואה ראש-בראש כנה וזמינה, מכיוון ש-OpenBMB מפרסמת את תוצאות MiniCPM-V 4.7 שלה כתמונות גרפים ולא כטבלאות מספריות. אין נתוני MMStar, MMMU או OCRBench לציטוט מכרטיס ה-35B-A3B. כל דבר שמציב מספר בעמודה הזו הוא או שמקורו בדגם האח 1B — מודל שונה עם ארכיטקטורה שונה — או שהוא מומצא.
לעומת זאת, הכרטיס של LFM3-Omni-2B הוא טבלה מלאה: MMStar 55.67, MMMU 42.44, MMMU-Pro 27.28, MMBench 73.68, SEEDBench 75.07, RealWorldQA 66.54, MathVista 62.50, POPE 89.34, DocVQA 92.47, InfoVQA 64.08, OCRBench 806, MVBench 58.03, Video-MME 57.70, ובנוסף עמודת דיבור הנמשכת מ-ASR באנגלית בשיעור שגיאות מילים של 6.36 ועד TTS UTMOSv2 ב-3.80. כל זה נמדד על ידי Liquid AI, עם תבנית הצ'אט של כל אחד מהמודלים המושווים ופענוח חמדני, ודבר מכל זה לא שוחזר.
טבלת ספקים עדיפה על גרף ספקים, אך היא אינה שקולה להערכה עצמאית. לאף אחד משני המודלים אין כזו. זהו מצב הדברים בכל קטגוריית ה-small-omni כולה נכון לעכשיו, ולכן אילוצי הפריסה הופכים בסופו של דבר לחשובים יותר מנקודה ב-MMMU.
רישיונות — יש לקרוא לפני משלוח האב־טיפוס
MiniCPM-V 4.7 הוא ברישיון Apache 2.0. ללא מבחן הכנסות, ללא סעיף תחום שימוש, ללא משא ומתן. LFM3-Omni-2B נמצא תחת LFM Open License v1.0, רישיון סף-ההכנסות ש-Liquid מיישמת על פני LFM3. עבור פרויקט תחביב או סטארט-אפ בשלב מוקדם, השניים שקולים הלכה למעשה. עבור חברה שעברה את הסף, אחד מהם דורש שיחה עם עורך דין והאחר לא — ושיחה כזו זולה בהרבה עכשיו מאשר אחרי שהמודל כבר נמצא במוצר.
זהו הציר הכי פחות זוהר בהשוואה, וזה שסביר ביותר להכריע אותה בחברה אמיתית.
כיצד השניים משתלבים בארכיטקטורה אחת
התשובה הריאלית עבור רוב הצוותים אינה "לבחור באחד". היא מודל על-המכשיר למקרה הנפוץ, ומודל מתארח לבקשות שבהן מודל המכשיר נכשל. שמירת המחצית השנייה הזו ניידת היא החלק שממשיך לעבוד גם כשמחליפים מודל מכשיר: OrcaRouter מספק API אחד על פני יותר מ-200 מודלים מתארחים בתוספת של 0% על מחיר המחירון של הספק, failover אוטומטי כשספק נופל, ו-DSL לניתוב שמעביר בקשה למודל אחר בלי שינוי בקוד. לא LFM3-Omni-2B ולא MiniCPM-V 4.7 נמצאים בקטלוג הזה — שניהם הורדות משקלים, והמאמר הזה אינו מרמז אחרת. הנקודה היא ששכבת הגיבוי לא צריכה להיבנות מחדש בכל פעם ששכבת המכשיר משתנה, וכששכבת מכשיר עדיין נעה מדי כמה שבועות, היא תשתנה.
איזה מהם לשים על המכשיר
בחר ב-MiniCPM-V 4.7 35B-A3B אם אתה צריך איכות ראייה, פורמט כימות שאפשר באמת לפרוס, Apache 2.0, ומערכת אקוסיסטם עם שישה שבועות של דוחות שטח מאחוריה. מספר ההורדות שלו אינו סימן לאיכות, אבל דוחות הבאגים שמגיעים עם 289,000 הורדות הם סוג של בדיקה שאין ל-LFM3-Omni-2B עדיין.
בחר ב-LFM3-Omni-2B אם המוצר זקוק לקול, אם המכשיר מוגבל בזיכרון עד כדי כך ש-3 GB של משקולות פעילות עדיין יותר מדי, או אם אתה רוצה checkpoint אחד במקום מחסנית של ASR+LLM+TTS. קבל את ציוני הראייה של המודל הקטן יותר, את רישיון סף-ההכנסות, ואת העובדה שאתה מאמץ מוקדם של מודל שחלף יום מאז הכרזתו.
מה שיכריע את זה הוא ריצה עצמאית אחת — אותו הרנס, שני המודלים, OCRBench ו-MMMU ומשימת דיבור. אף אחד לא עשה את זה. עד שמישהו יעשה זאת, הדירוג הכנה הוא: MiniCPM לראייה, LFM3-Omni לדיבור, וגיליון אלקטרוני לכל השאר.
