Molmo2-4B לעומת LFM2.5-VL-3B: 19 GB של משקלים מול 3 GB של טלפון

הניחו את שני הצ'קפוינטים זה לצד זה על הדיסק, וההשוואה כמעט נגמרת עוד לפני שהתחילה. Molmo2-4B מגיע כקובצי safetensors מסוג float32 בנפח של 19.42 GB בארבעה שברים. המאגר המקורי של LFM2.5-VL-3B מסתכם ב-6.27 GB, והכרטיס של Liquid עצמה מבטיח שהוא פועל ב"פחות מ-3.3 GB של זיכרון". לאחר כימות המודל הקטן יותר, מדובר בפער של בערך שש לאחד בטביעת הרגל, בין שני מודלים שמדברים עליהם כאילו היו מודלי שפה-חזות קטנים הניתנים להחלפה. הם אינם ניתנים להחלפה, והסיבה אינה איכות. אחד מהם בנוי לענות על שאלות על סרטון בן 384 פריימים. האחר בנוי לענות על שאלות על תצלום בטלפון כשהרדיו כבוי. אף אחד מהמודלים אינו מתארח כאן, ולכן תפקידה של הפלטפורמה הוא המערך הסובב.תמחור עם 0% תוספת מחיר המחירון של הספק מועבר ללא שינוי.

אף אחד מהמודלים אינו חדש, וזה חשוב אם הגעתם מדף תוצאות שמרמז אחרת. Molmo2-4B הוכרז על ידי Allen Institute for AI ב-11 בדצמבר 2025, והמשקלים שלו עלו ב-14 בדצמבר. LFM2.5-VL-3B שוחרר על ידי Liquid AI ב-12 באוגוסט 2026. מה שהשתנה לאחרונה צר יותר ושימושי יותר מהשקה: Molmo2 הפך לארכיטקטורה נתמכת רשמית ב-Transformers במעלה הזרם, כאשר PR #43451 מוזג ב-9 באוקטובר 2026 והמודל הופץ לראשונה ב-v5.20.0 ב-15 באוקטובר, ובכך הסתיימה התקופה שבה הייתם צריכים להעביר trust_remote_code=True ולהתקין חבילת molmo_utils נפרדת. ב-5 בנובמבר פרסם Ai2 גם את Molmo2-4B-tb, כיוונון עדין לרובוטיקה שנבנה על נקודת הביקורת הזו בדיוק. אף אחד מהאירועים לא הופך את Molmo2-4B לחדש. שניהם הופכים את הרצתו לאפשרית מבחינה מעשית עכשיו.

שאלת הזיכרון, במספרים ולא בשמות תואר

הגדלים קודם, כי הם מכריעים את רוב הפריסות עוד לפני שמתייעצים עם בנצ'מרק בודד.

• פרמטרים — Molmo2-4B מונה 4,850,869,200 פרמטרים, הפרוסים על פני מגדל חזותי SigLIP 2 וליבת שפה Qwen3-4B-Instruct-2507; LFM2.5-VL-3B מונה 3,123,483,888 פרמטרים, הפרוסים על פני מקודד SigLIP2 NaFlex 400M ושלד LFM2.5 בנפח 2.6B.

• פורמט המשקולות בהפצה — Molmo2-4B מופץ ב-float32, בגודל 19.42 GB בדיסק, בארבעה שברים; LFM2.5-VL-3B מופץ ב-bfloat16 בגודל 6.27 GB, עם ייצואים רשמיים של GGUF, ONNX ו-MLX שפורסמו לצידו.

• טביעת רגל מוצהרת של זמן ריצה — Liquid טוענת לפחות מ-3.3 GB עבור LFM2.5-VL-3B בהסקה; AI2 אינה מפרסמת נתון זיכרון זמן ריצה עבור Molmo2-4B, וההפצה ב-float32 משמעה שתצטרכו לבצע המרת טיפוס לפני הגשת המודל.

• תפוקה — Liquid מדווחת על 228 אסימונים לשנייה ב־Apple M5 Max, 116 אסימונים לשנייה ב־AMD Ryzen AI Max+ 395 ו־20 אסימונים לשנייה ב־Galaxy S26 Ultra. אין מספר ציבורי מקביל עבור Molmo2-4B בשום גודל.

• הקשר — 32,768 טוקנים עבור LFM2.5-VL-3B; 36,864 פוזיציות בקונפיג הטקסט של Molmo2-4B, שאליהם מגיעים דרך שלב כוונון עדין ייעודי להקשר ארוך ב-384 פריימים.

הצמד האחרון הזה ראוי להסתייגות ולא להשוואה. ה-36,864 של Molmo2-4B הוא תקציב אורך רצף שצינור הווידאו שלו אוכל במהירות: קדם-המעבד לווידאו ששוחרר כברירת מחדל מעבד 384 פריימים בקצב 2 fps, בשינוי גודל ל-378×378 עם pooling 3×3. קליפ ארוך יכול לצרוך את כל החלון רק בפריימים, ולהשאיר מעט מקום לשאלה. ה-32,768 של LFM2.5-VL-3B מושקע בטקסט ובטלאי תמונה, מפני שאין לו נתיב וידאו כלל.

הווידאו הוא קו הגבול, לא טבלת הבנצ'מארקים

LFM2.5-VL-3B מעבד טקסט ותמונות. זהו כל משטח הקלט שלו. הוא טוב מאוד במה שנבנה עבורו — OCR של עמודים שלמים עם הערות פריסה, זיהוי אובייקטים מתוך שאילתות בשפה טבעית, קריאת מסך ועבודה כמעט בזמן אמת על המכשיר — אבל וידאו אינו אחד מהקלטים שלו, ושום כמות של הנדסת פרומפטים לא תשנה זאת.

Molmo2-4B נבנה בכיוון ההפוך. כרטיס המודל של Ai2 מפרט תשע קבוצות אימון, וחמש מהן הן וידאו או ריבוי תמונות: שאלות-תשובות על תיאורי וידאו, שאלות-תשובות על כתוביות משנה בווידאו, pointing בווידאו, מעקב בווידאו, שאלות-תשובות על ריבוי תמונות, pointing על ריבוי תמונות. פלט ה-pointing הוא החלק הלא שגרתי. קואורדינטות מוחזרות בקנה מידה של 0–1000 לפי רוחב וגובה התמונה, בפורמט מתויג שכרטיס המודל מספק עבורו ביטוי רגולרי, כך שתשובה ל"איפה הסירה" היא נקודה מספרית ולא משפט. אותו פורמט נושא חותמת זמן במצב וידאו, וזה מה שמאפשר בכלל מעקב ברמת הפריים.

אם המשימה שלך היא צילום מסך, עמוד סרוק, תצלום של מדף או תפריט, כל זה לא משנה, ומודל ה-3 GB הוא פשוט הבחירה ההנדסית הטובה יותר. אם המשימה שלך היא "למצוא את הרגע שבו הארגז נופל מהמשטח," LFM2.5-VL-3B לא יכול להיכנס להשוואה.

שני ממוצעים של ספקים שאסור לחסר זה מזה

הנה המקום שבו רוב עמודי ההשוואה טועים. Liquid מדווחת על ממוצע של 69.4 עבור LFM2.5-VL-3B על פני טבלת ראייה בת 28 מבחנים. AI2 מדווחת על ממוצע של 62.8 עבור Molmo2-4B על פני 15 מבחנים אקדמיים. הדפיסו את שני המספרים האלה זה לצד זה, ונראה כאילו LFM2.5-VL-3B טוב ב-6.6 נקודות. זו אינה השוואה תקפה: מערכי מבחנים שונים, פורמטי פרומפט שונים, הגדרות פענוח שונות, ובמקרה של Liquid גם מערך מבחנים שהמחברים שלה בחרו בעצמם.

מה כל ספק למעשה מדווח, עם מקור הנתונים המצורף:

• LFM2.5-VL-3B, לפי דיווח היצרן — 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, לפי דיווח הספק — ממוצע של 62.8 על פני 15 מבחני בנצ'מרק אקדמיים, לעומת 63.1 עבור ה-8B האח, 58.1 עבור Qwen3-VL-4B, 53.4 עבור InternVL3.5-4B, 59.6 עבור Claude Sonnet 4.5, 70.0 עבור Gemini 3 Pro ו-70.6 עבור GPT-5 באותה טבלה.

• לא דווח בשום מקום על ידי אף אחד מהספקים — הרנס משותף. אף אחת מהחברות לא פרסמה תוצאות של Molmo2-4B על מערך 28 הבנצ'מרקים של Liquid או תוצאות של LFM2.5-VL-3B על טבלת 15 הבנצ'מרקים של AI2.

הציר היחיד שבאמת ניתן להשוואה הוא גודל המודל, ושם מודל ה-4.85B גובר על מודל ה-3.12B בממוצע של AI2 עצמה, בעוד שהוא מפסיד בפער גדול בטביעת הרגל של הפריסה. זהו המסחר, בניסוח פשוט.

רישיונות: אף אחד מהם אינו Apache-2.0, כך זה נראה

שני הכרטיסים נושאים תווית שנשמעת מתירנית, ולשניהם יש מלכוד שסוקר רכש ימצא.

• Molmo2-4B — המשקלים תחת Apache 2.0, אך כרטיס המודל מוסיף שהמודל "מאומן על מערכי נתונים של צדדים שלישיים הכפופים לשימוש מחקרי אקדמי ולא-מסחרי בלבד", ומורה לך לעיין במקורות לפני החלטה אם המודל מתאים. המשקלים פתוחים; שושלת הנתונים אינה נקייה לשימוש מסחרי, ו-Ai2 אומרת זאת בכרטיס ולא בהערת שוליים.

• LFM2.5-VL-3B — רישיון LFM Open License v1.0, שאינו רישיון OSI. שימוש מסחרי ניתן באופן מותנה: סעיף 5 תולה זכויות מסחריות בכך שהגוף המשפטי שלך יישאר מתחת ל"סף" מוגדר, והרישיון מגדיר את הסף הזה כהכנסה שנתית של 10 מיליון דולר אמריקאי או יותר.

אף אחת מההגבלות אינה חריגה לשחרור הסמוך למחקר. שתיהן משמעותן שלשאלה "האם אפשר לשחרר את זה" יש תשובה שונה עבור אב־טיפוס של שני אנשים וחברה ממומנת, ושתי התשובות מצביעות בכיוונים מנוגדים בהתאם למודל שבחרת.

מריץ אחד מהם היום

כרטיס המודל של Molmo2-4B עצמו מפגר כעת אחרי הספרייה. הוא עדיין מורה לך להתקין transformers==4.57.1, להעביר trust_remote_code=True, ולהתקין את molmo_utils ואת decord2. המתכון הזה עובד. הוא גם כבר לא היחיד: מאז v5.20.0, Transformers הסטנדרטי כולל מחלקה Molmo2ForConditionalGeneration עם תצורה משל עצמה, מעבד תמונות, מעבד וידאו ומעבד, כך שמסלול ה-remote code הוא אופציונלי ולא חובה. vLLM מספק תמיכה ב-Molmo2 דרך מחלקת המודל הייעודית שלו מאז זמן קצר לאחר ההשקה; התיעוד של פלטפורמת AI2 עדיין מפנה ל-nightly wheels ולא לגרסה יציבה, וזה משהו שכדאי לדעת לפני שנעצים גרסה בסביבת ייצור.

ל-LFM2.5-VL-3B יש סיפור פריסה בוגר יותר מבין השניים, והפער עצום: משקלים מקוריים בתוספת ייצוא ל-GGUF, ONNX ו-MLX, כאשר llama.cpp, vLLM ו-SGLang רשומים כולם כנתמכים, ונתוני תפוקה שפורסמו על שלוש חומרות צרכניות שונות. אם היעד שלך הוא מחשב נייד, טלפון או מחשב חד-לוח, המערכת האקולוגית הזו היא המוצר.

הערה מעשית אחת לכל מי שמתכנן לנתב ביניהם: אף אחד מהשניים אינו בקטלוג של OrcaRouter, וזה יהיה שגוי לפרש השוואה כמו זו כהצהרה על זמינות. מה שהפלטפורמה כן מציעה הוא ממשק API אחד ליותר מ-200 מודלים לצד פריסה עצמית כמו שני אלה, עם מעבר אוטומטי לגיבוי ומחיר המחירון של הספק עצמו מועבר כפי שהוא ללא תוספת רווח. הדפוס המקובל הוא להשאיר את מודל הראייה הקטן מקומי בנתיב הקריטי לזמן השהיה ולנתב את הבקשות הקשות והנדירות יותר החוצה — ולהוכיח את הפיצול הזה עם תנועה אמיתית לפני שמתחייבים לאחד מהשניים.

איזה אחד לבחור

בחרו ב-LFM2.5-VL-3B אם יעד הפריסה הוא טלפון, מחשב נייד או קופסת edge, אם הקלט שלכם הוא צילומי מסך, מסמכים או תמונות בודדות, אם אתם זקוקים להשהיית טוקן ראשון של פחות משנייה, או אם אתם זקוקים לאחד מהפורמטים המכומתים שכבר קיימים עבורו. כיסוי 16 השפות ומספרי ScreenSpot-v2 הופכים אותו לבחירה מוצדקת במיוחד עבור הבנת מסך על המכשיר.

בחר ב-Molmo2-4B אם הווידאו בטווח השימוש, אם אתה זקוק לקואורדינטות ולא לפרוזה, אם אתה זקוק להסקה מרובת-תמונות על פני סט של פריימים, או אם המשימה היא ספירת אובייקטים בסצנה — ההשוואה של AI2 עצמה מציבה את משפחת Molmo2 בראש תחום המשקולות הפתוחות בספירה בווידאו, תוך הודאה שאף מודל בהערכה שלה לא מגיע ל-40% דיוק. תקצב את טביעת הרגל: 19.42 GB של משקולות float32, המרה ל-bfloat16 לפני הגשה, ו-GPU ולא טלפון.

מה שיכריע את זה כראוי הוא הערכה משותפת על אותה מערכת בדיקה, בקוונטיזציה תואמת, עם השהיה נמדדת באותו מכשיר. אף ספק לא פרסם הערכה כזו, ועד שמישהו יעשה זאת, התשובה הכנה היא ששני המודלים האלה תוכננו למשימות שונות ושמדדי הבנצ'מרק מעולם לא נועדו להיפגש.