LFM3-VL-2B מול MiniCPM-V 4.7 35B-A3B: העמודה שאינה המודל

פתח את טבלת הבנצ'מרקים עבור LFM3-VL-2B ותמצא עמודת MiniCPM. היא מסומנת כ-MiniCPM-V 4.7 1B. זה האח הקטן. הדגם שרוב האנשים מתכוונים אליו כשהם אומרים MiniCPM-V 4.7 — ה־MiniCPM-V 4.7 35B-A3B של OpenBMB, הצ'קפוינט הראשון מסוג mixture-of-experts בקו MiniCPM-V — אינו נמצא בטבלה של Liquid AI בכלל, ובבנצ'מרקים ששתי המעבדות מפרסמות הוא לא מתקרב ל-1B. אז ההשוואה שאנשים למעשה שוקלים, LFM3-VL-2B מול MiniCPM-V 4.7 35B-A3B, צריכה להיות מורכבת ידנית משתי טבלאות ספקים שחולקות שמות בנצ'מרקים אבל לא מערכי הערכה. להלן אותה הרכבה, כשהתפרים נשארים גלויים.

פער הגדלים הוא ההפתעה השנייה. מודל אחד הוא בעל 1.92 מיליארד פרמטרים צפופים ונכנס לכמה ג'יגה-בייטים. האחר מאחסן 35.21 מיליארד פרמטרים ונוגע בכ-3 מיליארד מהם לכל טוקן. אם קוראים את זה כמפרט טכני, זו בכלל לא השוואה. אם קוראים את זה כשתי תשובות לאותה שאלה — מה אפשר להריץ על מכשיר שאינך שולט בו — זו מחלוקת מעניינת באמת לגבי איך להגיע לשם.

שני דגמים, שם אחד

התנגשות השמות גורמת לנזק ממשי לאופן שבו ההשוואה הזו נקראת. כרטיס המודל של Liquid AI מקפיד על כך: העמודה מציינת 1B, וה-1B הוא עמית לגיטימי למודל של 1.92B. אבל תוצאות חיפוש, אגרגטורים ואזכורים מזדמנים מאחדים את "MiniCPM-V 4.7" לדבר אחד, וה-35B-A3B הוא הגרסה שיש לה קהל — 289,535 הורדות ו-1,095 לייקים ב-Hugging Face לעומת 155,428 וכמה מאות עבור הגרסה האחות 1B, נכון ל-28 באוקטובר 2026.

התאריכים מסבירים חלק מהפער הזה, ולא את השאר. המאגר 35B-A3B של OpenBMB נוצר ב-7 באוקטובר 2026, כאשר התאריך המצוין בחומרי הפרויקט עצמו הוא 12 באוקטובר. המאגר LFM3-VL-2B של Liquid AI עלה ב-19 באוקטובר ומשפחת LFM3 הוכרזה ב-27 באוקטובר. ל-LFM3-VL-2B היו תשעה ימים של חיים ציבוריים, ולכן 255 ההורדות שלו הן עובדה בלוח השנה, לא פסק דין. יחס הלייקים הוא השורה המעניינת יותר: 45 ל-LFM3-VL-2B, 1,095 ל-MiniCPM. מי שהורידו את האחרון אהבו אותו מספיק כדי לומר זאת.

מה כל אחד הוא בפועל

• פרמטרים — LFM3-VL-2B הוא מודל צפוף בנפח 1.92B: עמוד שדרה לשוני בנפח 1.73B, מקודד חזותי פנימי בנפח 164M ומקרן בנפח 25M. MiniCPM-V 4.7 35B-A3B מאחסן 35.21B על פני 256 מומחים ומנתב 8 מהם לכל טוקן, כ-3B פעילים.

• שלד — 24 שכבות LFM3, מחולק ל־13 קונבולוציות קצרות עם שער, 5 שכבות קשב עם חלון מחליק ו־6 שכבות קשב גלובליות, לעומת 40 שכבות טרנספורמר בגודל חבוי 2,048.

• מסלול הראייה — מקודד בן 14 שכבות הכולל 8 קונבולוציות depthwise דו-ממדיות עם גייטינג ו-6 שכבות קשב דו-כיווני על טלאים בגודל 16×16 עם הטמעות רוטריות דו-ממדיות, לעומת מגדל בן 27 שכבות בגודל מוסתר 1,152 המוכנס בשכבה 6 של מחסנית הטקסט, עם דחיסת טוקנים מוקדמת בתוך המקודד ודגימה-יורדת חזותית ניתנת להחלפה של 4× או 16×.

• הקשר — 128K טוקנים ב-LFM3-VL-2B, 256K ב-MiniCPM, גם קלט וגם פלט.

קלטים — טקסט, תמונות ווידאו בקצב של 2 פריימים לשנייה עבור מודל Liquid; טקסט, תמונות ווידאו עבור המודל של OpenBMB. אף אחד מהם לא שומע אודיו, בשום כיוון.

• משקלים בדיסק — כ-3.8 GB ב-BF16 לעומת כ-65.6 GiB ב-BF16.

• רישיון — LFM Open License v1.0, שאותו Liquid מתארת כרישיון חופשי לשימוש מסחרי כשההכנסה השנתית נמוכה מ-10 מיליון דולר, לעומת Apache 2.0 ללא תנאי הכנסה.

המחלוקת הארכיטקטונית היא כל הסיפור. Liquid הימרה שמודל צפוף קטן בתוספת מקודד חזותי ייעודי מנצח מגדל בסגנון SigLIP מבחינת החישוב לכל תמונה, ופרסמה טבלת קטגוריות כדי להוכיח זאת. OpenBMB הימרה שאפשר לשמור על היכולת של מודל 35B ועדיין להריץ אותו בטלפון על ידי כך שהחלק היקר יזרום ולא ישכון. שני אלה הימורים על זיכרון, שנעשו בכיוונים מנוגדים.

הפער אמיתי, והוא צר יותר מהמסגור

הנה מה ששתי טבלאות הספקים אומרות כשמציבים את השורות המתאימות זו לצד זו. כל הנתונים מדווחים על ידי המעבדות בעצמן, וההסתייגויות של מערך הבדיקות מופיעות לאחר מכן.

• MMMU — LFM3-VL-2B 55.7 עם חשיבה מופעלת, 48.6 כשהיא כבויה; MiniCPM-V 4.7 35B-A3B 80.22 בדחיסה חזותית של 4×, 80.00 ב-16×.

• MMStar — 74.4 לעומת 80.67 ב-4×, 80.13 ב-16×.

• OCRBench v1 — 86.3 לעומת 91.20 ב-4×, 90.40 ב-16×.

• MathVista — 84.2 עם חשיבה, 68.5 ללא, לעומת 88.00 ב־4× ו־87.30 ב־16×.

• חשיבה ב-CharXiv — 70.2 לעומת 75.60 ב-4×, 69.20 ב-16×.

MMMU הוא המקום שבו ה-35B מצדיק את הגודל שלו: פער של 24.5 נקודות לעומת תצורת החשיבה, ו-31.6 נקודות לעומת תצורת ללא-חשיבה. זהו מדד ההסקה הרב-מודלית ברמת המכללה, והפער גדול מספיק כדי לעמוד בפני כל התנגדות סבירה בנוגע להבדלים בהרנס.

כל השאר קרוב יותר ממה שהמסגור מרמז. OCRBench הוא פער של 4.9 נקודות. הפער ב-MathVista הוא 3.8 נקודות כאשר LFM3-VL-2B במצב חשיבה. ב-CharXiv reasoning מודל Liquid מפסיד ב-5.4 נקודות במצב חשיבה — ועוקף את נתון ה-16× של ה-35B בנקודה אחת. מודל 2B שנמצא בטווח של חמש נקודות מ-35B ב-OCR של מסמכים ובגרפים הוא הממצא שצריך לקבל יותר תשומת לב מאשר הכותרת של MMMU.

כעת ההסתייגויות, כי הן חשובות. הנתונים של Liquid מגיעים מהרצה אחת על 62 מבחנים ב-vLLM 0.27.1, מנורמלים ל-0–100, כאשר מצב reasoning מופעל בכל מודל למעט התצורות שמסומנות אחרת. חמשת המספרים של OpenBMB מפורסמים כתמונות תרשים ולא כטבלה מספרית, והם הועתקו לכאן מקריאה של אגרגטור צד שלישי את התרשימים האלה, ולכן יש להתייחס לספרות העשרוניות כאל מקורבות. שתי המעבדות אינן מסכימות לגבי תקציבי טוקנים חזותיים, הגדרות פרומפט או דקוד, והחלוקה של 4× לעומת 16× בצד של OpenBMB משנה את הציונים שלה בעד שש נקודות כשלעצמה. אלה שתי קבוצות של טענות זו לצד זו, לא ניסוי מבוקר.

במקום שבו למודל הקטן יש מספרים, המודל הגדול אינו מפרסם אותם

Liquid פרסמה 62 שורות. OpenBMB פרסמה חמש. חוסר הסימטריה הזה הוא העובדה הפחות מדווחת בהשוואה הזו, והוא פועל לכיוון שמחמיא למודל הקטן יותר.

• עיגון חזותי — RefCOCO-avg 90.5, RefCOCO-M 95.2, Point-Bench 73.8, RefSpatial-Bench 49.8 עבור LFM3-VL-2B. לא מופיעה שורה מקבילה בהערכה שפורסמה של MiniCPM-V 4.7 35B-A3B.

• הבנת ממשק גרפי — ScreenSpot-Pro 55.5, ‏ScreenSpot-v2 עם 94.6 בדסקטופ, 92.2 במובייל, 89.9 בווב. שוב, מצד OpenBMB לא פורסם דבר.

• חשיבה מגולמת — EmbSpatial-Bench 82.9, RoboSpatial-Home 63.4, Where2Place 44.9. אותו היעדר.

• וידאו — Video-MME 62.8 ללא כתוביות, MVBench 69.4, MLVU 71.3, ActivityNet-QA 71.2. MiniCPM-V 4.7 תומך בווידאו והכרטיס דן בכך בהרחבה, אך הטבלה המספרית אינה כוללת שורת וידאו שאותה נוכל לאמת.

זהו היעדר ראיות, לא ניצחון כברירת מחדל. אם אתם בונים צינור עיבוד לרובוטיקה או לסוכני מסך, העמדה הכנה היא שהיכולת של 35B במשימות האלה אינה ידועה ולא חלשה. אבל "לא ידוע" הוא כשלעצמו בעיית רכש: אינכם יכולים לתכנן פריסה סביב מספר שאיש לא פרסם, ו-LFM3-VL-2B הוא היחיד מבין השניים שאת ביצועי ה-grounding וה-GUI שלו ניתן לקרוא לפני ההורדה.

הטיעון בדבר הזיכרון פועל לשני הכיוונים

הסיבה הרגילה לבחור ב-2B על פני 35B היא שה-2B נכנס. LFM3-VL-2B אכן נכנס, לחלוטין ובאופן צפוי: כ-3.8 GB ב-BF16, רזידנטי, ללא עימוד, בלי הפתעות כשהמכשיר תחת עומס. זו תכונה חזקה באמת למוצר שאתה מספק לחומרה שאינך שולט בה.

MiniCPM-V 4.7 35B-A3B רחוק מלהתאים לטלפון בגודל 65.6 GiB, והעיצוב כולו של OpenBMB קיים בגלל זה. Lookahead Expert Scheduling חוזה את הניתוב של השכבה הבאה ומביא מראש את המומחים שהוא מצפה להם; כימות עדין לפי שכבות מקטין את המומחים האלה כך שהם נעים מהר יותר; דגימה ספקולטיבית של DSpark מכסה את עצירות הפענוח. טענת היצרן היא יותר מ-13 אסימונים לשנייה על iPhone 17 Pro Max תוך שימוש בכ-3 GB זיכרון, ויותר מ-17 על iPad Pro M4 עם 16 GB.

אז הטענה בדבר עיבוד על-המכשיר אינה ש"ה-35B קטן". היא ש"ה-35B זורם, וההזרמה חלקה מספיק כדי להיות שמישה". אלה הימורים שונים עם מצבי כשל שונים. מודל resident של 3.8 GB מתדרדר בחן — הוא או טעון או לא. מודל בהזרמה של 65.6 GiB מתדרדר עם רוחב פס פלאש, האטה תרמית והשהיית אתחול קר, וכל אלה משתנים ממכשיר למכשיר בדרכים שבדיקת ביצועים על אייפון אחד אינה לוכדת.

ההבחנה המעשית: אם אין לך שליטה לא במהירות האחסון ולא במעטפת התרמית, המודל השוכן (resident) הוא המסלול בעל הסיכון הנמוך יותר. אם אתה משחרר לחומרת דגל עדכנית ורוצה את הדיוק, הגישה של OpenBMB אינה עוד תיאורטית — זהו מודל ששוחרר עם fork עובד שמאחוריו.

כלי העבודה מהיום הראשון אינם מחייבים

LFM3-VL-2B מגיע עם משקולות BF16 שדורשות transformers 5.21 או חדש יותר, וכן GGUF הכולל צ'קפוינט Q4_0 שעבר זיקוק מודע לכימות, בנייה של MLX ב-4-bit וייצוא ONNX. תמיכת השרת טרם הושלמה: vLLM מתואר כבתהליך, SGLang נמצא בבדיקה בבקשת מיזוג 46858, ו-llama.cpp נמצא בבדיקה בבקשת מיזוג 31252 עם הערה מפורשת שקליטת וידאו עדיין אינה נתמכת. הכרטיס ממליץ גם על מנתח החשיבה qwen3 ועל מנתח קריאות הכלים qwen3_coder עבור vLLM ו-SGLang, פרט שמעיד עד כמה לאחרונה זה חובר.

MiniCPM-V 4.7 35B-A3B תומך ב-SGLang, vLLM, llama.cpp ו-Ollama, עם SWIFT ו-LLaMA-Factory לכוונון עדין, בניות GGUF, BitsAndBytes, AWQ, GPTQ, FP8 ו-int4, ותמיכה מיום האפס בפלטפורמות שבבים של Rockchip, Houmo, Intel, AMD ו-Arm על פני iOS, Android ו-HarmonyOS. הנתיב על-המכשיר עובר דרך הפורק llama.cpp-omni של OpenBMB ולא דרך llama.cpp upstream.

עבור פריסה בסביבת ייצור החודש, זה לא מקרה גבולי. עבור ניסוי מחקרי, הדגמה על מחשב נייד או כוונון עדין שאתה מתכוון להחזיק בבעלותך, LFM3-VL-2B עובד היום דרך transformers ולא תבזבז שבוע על דגלי בנייה.

שורת הרישיון שיותר צוותים ימעדו עליה

Apache 2.0 לעומת LFM Open License v1.0 הוא הבדל מעשי גדול יותר מפער ה-MMMU, משום שהוא חל על כל פריסה ולא רק על המקרים הקשים. Apache 2.0 אינו כולל תנאי הכנסה, אין בו הגבלת תחום שימוש ואין בו עמימות בשאלה אם נגזרת מכומתת או מזוקקת יורשת את התנאים. LFM Open License v1.0 חופשי לשימוש מסחרי מתחת ל-10 מיליון דולר בהכנסה שנתית לפי תיאורו של Liquid עצמו, כלומר חברה מעל לקו הזה מקיימת שיחת רישוי לפני שהיא משיקה, ולא אחרי.

סעיף בודד אחד משנה מחדש את ההשוואה עבור קונים רבים. סטארטאפ שמתחת לסף מקבל בחינם מודל קטן יותר, מהיר יותר ובעל תיעוד טוב יותר בכל הנוגע ל-grounding. חברה שמעליו מקבלת מודל שדורש חתימה — ואז ה-Apache 2.0 של ה-35B הופך לתכונה שאתם שמים לב אליה.

מה שאף אחד מהספקים לא יגיד לך

אין השוואה ישירה ובלתי תלויה. אף מעבדה של צד שלישי לא הרצה את שני המודלים על אותה מערכת בדיקות, והדבר הקרוב ביותר ללוח תוצאות ניטרלי — הטבלה של Liquid עצמה — משווה את LFM3-VL-2B ל-1B, לא ל-35B. כל מספר במאמר הזה מגיע מהמעבדה שפיתחה את המודל שהוא מתאר.

שני פערים נוספים ראויים לציון. לאף אחד מהמודלים אין מחיר לכל טוקן שאותו נוכל לאמת, כך שהשוואת עלויות כאן תהיה מומצאת. ואף אחד מהם אינו נמצא בקטלוג OrcaRouter נכון ל-28 באוקטובר 2026 — חיפוש אחר minicpm לא מחזיר מודלים תואמים, וגם LFM3-VL-2B לא מופיע. זה הופך את זה להחלטה של אירוח עצמי או API של ספק כיום, ולא להחלטת ניתוב.

איזה אחד לבחור?

• מסמכים, תרשימים, טקסט צפוף והסקה מולטימודלית מורכבת, עם מחסנית הגשה שבשליטתכם — MiniCPM-V 4.7 35B-A3B. פער ה-MMMU הוא התוצאה היחידה הגדולה מספיק כדי לשרוד את הסתייגויות מערך הבדיקה, ו-Apache 2.0 מסיר לחלוטין את שאלת הרישוי.

• מכשיר שאינו בשליטתך, עם תקציב זיכרון קבוע ואין סובלנות לשיהוב של סטרימינג — LFM3-VL-2B. תופס 3.8 GB בזיכרון, והוא היחיד מבין השניים שעבורו פורסמו נתוני grounding, GUI ו-embodied שאפשר לתכנן לפיהם.

• סוכני מסך, רובוטיקה ומשימות מרחביות — LFM3-VL-2B כברירת מחדל, מפני שזה הצד היחיד עם ראיות שפורסמו. התייחס ל-35B כלא מוכח בתחום זה ולא כחלש.

• פרודקשן החודש עם עבודת אינטגרציה מינימלית — MiniCPM-V 4.7 35B-A3B. תמיכה ב-SGLang, vLLM, llama.cpp ו-Ollama מול שלוש הערות „בבדיקה” או „בתהליך”.

• חברה עם הכנסה שנתית מעל 10 מיליון דולר — MiniCPM-V 4.7 35B-A3B, אלא אם מגבלת ההפעלה על המכשיר נוקשה מספיק כדי להצדיק שיחת רישוי.

איך OrcaRouter משתלב, בכנות

זה עדיין לא מתאים, ולומר אחרת זה בדיוק מסוג הדברים שגורמים לפוסט בבלוג להתעלם ממנו. אף אחד מהמודלים לא נמצא בקטלוג של OrcaRouter היום, ולכן אין מפתח שנוכל למסור לך ואין מחיר שנוכל לציין.

מה שנכון הוא מה שקורה כשמודל ראייה באמת נוחת שם: נקודת קצה אחת תואמת OpenAI על פני יותר מ-200 מודלים, מחיר המחירון של הספק מועבר הלאה ללא תוספת רווח (0%), כך ששינוי מחיר של ספק נכנס לתוקף באותו יום, ומעבר אוטומטי לגיבוי כך שהשבתה של ספק בודד לא מפילה את הנתיב שלך. בהשוואה כמו זו — שני מודלים שחלוקים לגבי זיכרון, בלי מבחן עצמאי שיכריע — הדפוס השימושי הוא להריץ את שניהם מאחורי נקודת קצה אחת ולמדוד על התמונות שלך, במקום להתווכח איזה תרשים צודק.

מה לראות

ארבעה דברים היו משנים את המאמר הזה. מיזוג בקשת המשיכה 31252 עם תמיכה בווידאו, מה שיכניס את מסלול הווידאו של LFM3-VL-2B ל-llama.cpp הסטנדרטי. יציאת התמיכה ב-vLLM ממצב "in progress", מה שיהפוך אותה לאפשרות הגשה רצינית ולא לדמו. הערכה עצמאית שתריץ את שני המודלים על רתמה אחת — הפריט החסר בעל הערך הרב ביותר בהשוואה הזו. והוספת ה-35B על ידי Liquid AI לטבלת ההשוואה שלה, מה שיראה לך שהמעבדה רואה בו את עמיתו האמיתי.

עד שאחד מאלה יתממש, הסיכום שניתן להגן עליו צר יותר מהאופן שבו כל אחד מהספקים מציג את הדברים: ה-35B מנצח בבנצ'מרק החשיבה החשוב ואינו מפסיד דבר ב-OCR, ה-2B מנצח בראיות עיגון וביכולת חיזוי, והרישיון מכריע ביותר פריסות מאשר הבנצ'מרק.