LFM3-VL-2B לעומת North Micro Vision Instruct: שני קוראי מסמכים, חומת רישוי אחת
- OrcaחדשOrcaCyber: GLM 5.3 Flash Abliterated2026-10-2779 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 · 82 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 · 44 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 · 701 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
פער הדיוק בין LFM3-VL-2B ל-North Micro Vision Instruct הוא אמיתי אך קטן: כ-4.6 נקודות ב-DocVQA ו-7.1 ב-OCRBench, שניהם באותו כיוון. הפער שמכריע פריסות אינו מדד כלל. North Micro Vision Instruct מופץ תחת Apache 2.0. LFM3-VL-2B מופץ תחת LFM Open License v1.0, שמתיר שימוש מסחרי רק כל עוד הישות שלך נשארת מתחת ל-10 מיליון דולר בהכנסות שנתיות.
שני המודלים קטנים, שניהם במשקלים פתוחים, ושניהם נבנו כדי לקרוא עמודים ולא כדי לשוחח על תמונות. האחד פורסם באוגוסט 2026 וצבר חודשיים של הורדות ופורטים. האחר הופיע ב-Hugging Face ב-19 באוקטובר, הוכרז רשמית ב-27 באוקטובר, ויש לו 255 הורדות. ההשוואה הזו היא אפוא בחלקה שאלת בנצ'מרק ובחלקה שאלה לגבי איזה סיכון אתה יכול לחיות איתו: מודל לא מוכח, או מודל ללא רישיון.
מה כל מודל הוא בפועל
LFM3-VL-2B הוא המודל הצפוף של Liquid AI בנפח 1.92B: עמוד שדרה לשוני בנפח 1.73B, מקודד חזותי פנימי בנפח 164M שנבנה לצרוך בערך פי שלושה פחות מחשוב מ-SigLIP2, ומקרן בנפח 25M. הוא קולט טקסט, תמונות ווידאו בקצב 2 fps, מפיק טקסט, תומך במצב חשיבה, כולל חלון הקשר של 128K ומכסה 16 שפות. המאגר כולל גרסאות בנייה מסוג BF16, GGUF, MLX 4-bit ו-ONNX, אך התמיכה ב-llama.cpp עדיין בבדיקה ואין לה מסלול וידאו.
North Micro Vision Instruct הוא המודל 2.4B של Cohere Labs: שלד לשוני 2B ממשפחת North Micro בתוספת מקודד של כ-400M שעבר אימון המשך מ-SigLIP2 SO400M, עם מקרן בסגנון DeepStack. הוא קולט טקסט ותמונות משולבים ברזולוציה מקורית, עד 1654×2339 — עמוד A4 מלא ב-200 dpi — ומפיק טקסט. למודל השפה יש חלון הקשר של 128K, אך Cohere מציינת שהאימון הרב-מודלי אומת רק עד 8K. Apache 2.0, אוצר מילים של 262K, 11 עד 12 שפות.
המפרטים האלה נראים דומים, אבל הם לא. הקשר של 128K הוא תקרה על מספר הטוקנים שהמודל יכול להתייחס אליהם. קלט ברזולוציה מקורית הוא החלטה לא לשנות את גודל העמוד מלכתחילה. עבור חשבונית סרוקה עם טבלה בפינה, השני חשוב יותר מהראשון.
מספרי המסמכים, בקריאה עם ההסתייגויות המתאימות
על פי המדדים ששני הכרטיסים מפרסמים, LFM3-VL-2B מוביל:
• DocVQA — LFM3-VL-2B 96.7 לעומת North Micro Vision Instruct 92.1.
• OCRBench — 86.3 לעומת 79.2.
• ChartQA — 92.7 לעומת 80.8.
• AI2D — North מדווחת 77.5; Liquid אינה מפרסמת שורת AI2D ישירה להשוואה.
• RefCOCO-avg — 90.5 לעומת 73.2, אם כי שתי הכרטיסיות מתארות את הממוצעים הללו באופן שונה דיו כדי שהחיסור יהיה אינדיקטיבי ולא מדויק.
כל אלה מדווחים על ידי הספקים, על גבי מערכי בדיקה שהספקים בחרו, ללא שחזור עצמאי של אף אחד מהמודלים. הפער ב-DocVQA צר מספיק כדי שהבדל בפורמט הפרומפט יוכל לסגור אותו. הפער ב-ChartQA, בכמעט 12 נקודות, פחות סביר שיהיה רעש, והפער ב-OCRBench של 7.1 נקודות עקבי עם מודל שאומן במפורש על נתוני מסמכים ותרשימים עם מצב חשיבה מצורף.
המספר המעניין אינו בשורות המסמך. הוא ב-MMMU, שם LFM3-VL-2B מדווח 55.7 ו-North Micro Vision Instruct מדווח 32.9. זה לא הבדל כיוונון; זה מוצר אחר. הכרטיס של Cohere עצמו אומר שהמודל במכוון אינו מודל הסקה, אינו מבצע קריאה לכלים, ומרתיע משימוש בהנחיות מערכת. הוא קורא דפים. הכרטיס של Liquid טוען ליכולות הסקה ברמת תואר שני כאחד מ-62 קטגוריות נמדדות. אם המשימה שלך היא "לחלץ את הסכומים מ-400 החשבוניות האלה", שניהם עובדים. אם המשימה שלך היא "להחליט אם החשבונית הזו מפרה מדיניות", רק אחד מהם נבנה לכך.
איפה הטענה בדבר 128K הופכת לחלקלקה
הקשר 128K של LFM3-VL-2B הוא הנתון המפורסם הנדיב יותר, אך אורך הקשר אינו זהה להקשר מולטימודלי שמיש. הכרטיס אינו מציין כמה טוקני תמונה צורך עמוד ברזולוציה מקורית, והוא אינו מפרסם מספר מקסימלי של פריימים לווידאו. North Micro Vision Instruct מפרסם סוג הפוך של נתון: הקשר שפה של 128K עם אימון מולטימודלי שאומת עד 8K. זו חשיפה שמרנית, והיא שימושית יותר ממספר גדול יותר ללא תקציב ראייה מוצהר.
המבחן המעשי לכל אחד משני המודלים הוא אותו הדבר: למדוד טוקנים לכל עמוד במסמכים שלך לפני תכנון סביב חלון הקשר. חלון של 128K שמכיל ארבעה עמודים ברזולוציה שלך אינו תהליך עבודה למסמך של 128K.
הרישיון הוא ההחלטה
Apache 2.0 הוא Apache 2.0. אפשר להשתמש ב-North Micro Vision Instruct באופן מסחרי בכל גובה הכנסות, לשנות אותו, להפיץ אותו מחדש ולארח אותו, כל עוד שומרים על ההודעות. זה כל ההסכם, ולסטארט-אפ שבונה מוצר מסמכים זה מסיר קטגוריה שלמה של סקירה משפטית.
LFM Open License v1.0 אינה זה. היא מגדירה שימוש מסחרי באופן רחב — "כל שימוש ביצירה לצורך יתרון מסחרי ישיר או עקיף או תמורה כספית" — ומתנה את הרישיון בכך שבעל הרישיון יישאר מתחת לסף הכנסות שנתיות של 10 מיליון דולר. מעל לסף זה, שימוש מסחרי "אינו מורשה במסגרת הסכם זה". מלכ"רים מוסמכים פטורים למטרות לא מסחריות ומחקריות. הפצה מחדש מותרת עם ייחוס והודעות על שינויים. נוסח הרישיון שקראנו אינו מכיל הגבלת אירוח נפרדת, ולכן תקרת ההכנסות, ולא איסור על מתן שירות, היא המגבלה.
התקרה הזו יוצרת שיחה מביכה. חברה עם מחזור הכנסות של 9 מיליון דולר יכולה להשיק את LFM3-VL-2B היום ולאבד את הרישיון בגלל צמיחה. המודל לא מפסיק לעבוד; ההיתר כן. עבור מוצר עם מפת דרכים לשנתיים, זהו פריט בבדיקת נאותות, לא הערת שוליים.
פער האימוץ הוא אות בפני עצמו
North Micro Vision Instruct הורד כ-35,000 פעמים מאז שהמאגר שלו הופיע ב-10 באוגוסט 2026. ל-LFM3-VL-2B יש 255 הורדות ו-34 לייקים מאז 19 באוקטובר. חודשיים לעומת תשעה ימים מסבירים חלק מזה, אך לא את כולו: ההכרזה על משפחת LFM3 ב-27 באוקטובר הייתה פוסט בלוג אחד שסקר שישה מודלים, וצ'קפוינט הראייה קיבל ממנו פסקה אחת.
שחרורים שקטים אינם אוטומטית שחרורים גרועים. מודל בלי תמחור להשקה, בלי ספק אירוח ובלי תמיכת פריימוורק שעדיין נבדקת הוא מודל שמעריכים על החומרה שלך, ומספר ההורדות הנמוך בעיקר אומר שאף אחד עוד לא עשה זאת. זה גם אומר שאין כימות קהילתי, אין מערכת מעקב תקלות מלאה בתיקונים ואין בנצ'מרק של צד שלישי להישען עליו. ל-North Micro Vision יש את כל השלושה.
כמה כל אחד מהם עולה, לפי מה שמישהו מוכן לומר
אף אחד מהמודלים לא מפרסם מחיר API בכרטיס המודל. North Micro Vision Instruct זמין דרך הפלטפורמה של Cohere ואומץ על ידי כמה מארחי צד שלישי; LFM3-VL-2B זמין ב-Playground וב-API של Liquid ללא מחירון, ו-Hugging Face לא מפרטת ספק הסקה עבורו. על חומרה בבעלות עצמית ההשוואה היא 2.4B פרמטרים מול 1.92B, או בערך 4.8 GB מול 3.84 GB ב-BF16 — קרוב מספיק לכך שעלות ה-GPU אינה הגורם המכריע.
שובר השוויון הוא תפעולי. אם אתם שוכרים מודל חזותי מתארח במקום להחזיק באחד משני הצ'קפוינטים, OrcaRouter מעביר הלאה את מחיר המחירון של הספק בתוספת של 0%, כך ששינוי מחיר מצד הספק פעיל אצלנו באותו יום ולא בחידוש החוזה הבא. איננו מספקים את LFM3-VL-2B או North Micro Vision Instruct כיום, והטקסט הזה אינו טוען אחרת; הנקודה היא שהחלופה המתארחת מתומחרת בשקיפות מספקת כדי להשוות לחישוב האירוח העצמי שלמעלה.
מי אמור לבחור מה
בחר את North Micro Vision Instruct אם אתה צריך Apache 2.0, אם אתה רוצה מודל שיש מאחוריו חודשיים של שימוש קהילתי, או אם המסמכים שלך הם עמודים מלאים ברזולוציה מקורית והמשימה שלך מסתיימת בחילוץ. קבל את העובדה שהוא לא יבצע הסקה בין השדות שחולצו.
בחר את LFM3-VL-2B אם יש לך צורך בקלט וידאו, במצב חשיבה, או בעוזר חזותי רחב יותר שבמקרה קורא מסמכים היטב, ואם יש לך מרווח בטוח מתחת לסף ההכנסות או יכולת לנהל משא ומתן על רישיון נפרד. עליך לקבל שאתה מאמץ מוקדם של צ'קפוינט ללא הערכה עצמאית ותמיכת פריימוורק חלקית.
אל תבחרו באף אחד מהם עדיין, אם תהליך העבודה שלכם זקוק לנקודת קצה מתארחת בתשלום עם חוזה תמיכה. שכבת המשקולות הפתוחות הקטנה משתפרת במהירות, אך עם 255 הורדות המצטרף החדש טרם נבחן בעומס על ידי אף גורם מחוץ למעבדה שלו.
