SingVL_S1_4B לעומת LFM2.5-VL-3B: הסתברויות מול פסקאות
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 102 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-0732 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 122 tok/s
- OrcaחדשOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 229 tok/s
- OrcaחדשOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 לכל 1M טוקנים · 39 tok/s
- OrcaחדשOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 97 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 124 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 105 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 63 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 418 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228אינטליגנציה
לשאול האם SingVL_S1_4B מנצח את LFM2.5-VL-3B היא שאלה פגומה, והדרך המהירה ביותר לבזבז שבוע היא בכל זאת לענות עליה. אחד מהמודלים האלה כותב פסקאות על תמונות; האחר מחזיר הסתברות לכל אפשרות שתמסור לו ולעולם אינו פולט מילה משל עצמו. ההבדל הזה אינו פער איכות שאמור להיות מוכרע בלוח מובילים. הוא קובע אילו מהצינורות שלך יכולים להשתמש באיזה מודל, לפני שמתייעצים עם שום מדד. לכן ההשוואה ההוגנת רצה בכיוון ההפוך: התחל ממה שהקוד שלך צריך לקבל, וראה איזה מודל יכול לייצר אותו.
שני טיפוסי החזרה שונים
LFM2.5-VL-3B של Liquid AI הוא מודל חזותי-לשוני במובן הרגיל. תנו לו תמונה ושאלה והוא יפיק תשובה טוקן אחר טוקן, כלומר הוא יכול לתאר סצנה, לנהל שיחה רבת-סבבים, לקרוא לפונקציה, לתעתק עמוד טקסט עם הערות פריסה, או להחזיר תיבות תוחמות עבור אובייקטים שתמנו. הוא שוחרר ב-12 באוגוסט 2026, נבנה על עמוד השדרה הלשוני LFM2.5-2.6B עם מקודד חזותי SigLIP2 NaFlex, והוא מוצג במפורש כמיועד לפריסה על המכשיר — 228 טוקנים בשנייה על Apple M5 Max בפחות מ-3.3 GB זיכרון, כאשר בניות GGUF, ONNX ו-MLX פורסמו לצד הצ'קפוינט המקורי.
SingVL_S1_4B של inclusionAI, שהועלה בשקט ב-11 בנובמבר 2026, עושה דבר אחד ועושה אותו במעבר קדימה יחיד. אתם נותנים לו מצב — טקסט, JSON, עד ארבעה תמונות — ומילון של שאלות בעלות שם, שכל אחת מהן מצהירה על סוג (בחירה, כן/לא תחת התווית "noul", או ציון מסודר בסולם של 2 עד 10 רמות) ועל התשובות המועמדות שלה. הוא מחזיר הסתברות לכל תשובה מועמדת. אין שלב דגימה, אין טמפרטורה להגדיר, ואין פלט שצריך לנתח. כרטיס המודל עצמו כתוב באוצר המילים הזה לכל אורכו, עד כדי דוגמאות ה-API.
אם נקודת הקצה שלך צריכה להחזיר "החשבונית היא מאקמי, מתאריך מרץ, סה"כ 1,240.00", LFM2.5-VL-3B יכולה לעשות זאת ו-SingVL_S1_4B לא. אם נקודת הקצה שלך צריכה {"is_invoice": 0.97, "quality": {"1": 0.02, "2": 0.11, "3": 0.87}}, ההיפך הוא הנכון. זו כל ההחלטה, וכל מה שלהלן עוסק בקצוות שלה.
דף המפרט, זה לצד זה ללא טבלה
• פרמטרים — SingVL_S1_4B הוא כ-4.54B ב-BF16 על פני שני שרדים בסך כולל של 9.1 GB; LFM2.5-VL-3B הוא 3.1B, עם עמוד שדרה לשוני של 2.6B.
• פלט — SingVL_S1_4B מחזיר הסתברויות לכל אפשרות ממעבר קדימה אחד; LFM2.5-VL-3B מחזיר טקסט שנוצר, קריאות לכלים או תיוג פריסה מובנה.
• הקשר — SingVL_S1_4B מקבל 65,536 טוקני קלט לטקסט בלבד, ויורד ל-10,000 כאשר מצורפות תמונות; LFM2.5-VL-3B מציג 32,768 טוקנים מקצה לקצה.
• תמונות לכל בקשה — SingVL_S1_4B מוגבל לעד ארבע, עם מקסימום של 1,806,336 פיקסלים לכל תמונה במעבד; LFM2.5-VL-3B מקבל קלט של תמונה בודדת ושל מספר תמונות, ומפצל תמונות גדולות לטלאים בגודל 512×512 בתוספת תמונה ממוזערת.
• שפות — LFM2.5-VL-3B מפרט חמש־עשרה שפות, מערבית ועד וייטנאמית; הכרטיס של SingVL_S1_4B אינו כולל כל הצהרה לשונית.
• רישיון — LFM2.5-VL-3B משוחרר תחת LFM Open License v1.0 כאשר נגזרות מכומתות כבר נמצאות בשטח; SingVL_S1_4B משוחרר ללא שדה רישיון וללא קובץ LICENSE.
• פריסה — ל-LFM2.5-VL-3B יש גרסאות נייטיב, GGUF, ONNX ו-MLX, בנוסף להדגמת WebGPU ולמסלולי vLLM, SGLang ו-llama.cpp; SingVL_S1_4B פירושו שיבוט המאגר והרצת שרת FastAPI משלו בפורט 8173.
• אקוסיסטם — LFM2.5-VL-3B נמצא ב-Hub מאז אוגוסט וקיבל קוונטיזציות ופורטים מהקהילה; SingVL_S1_4B היה בן יום בזמן הכתיבה, עם אפס הורדות.
שתיים מהשורות האלה מכריעות יותר מכפי שהן נראות. שורת הרישיון היא הראשונה: מאגר בלי רישיון אינו מעניק לאיש את הזכות להפיץ מחדש או לשחרר לשוק, ו"הספק לא אמר" אינו הרשאה שאפשר להציג בבדיקת ציות. שורת הפריסה היא השנייה: בניית ONNX שרצה בטלפון ושרת Python שמצפה להתקן CUDA אינם מתחרים על אותו מקום בארכיטקטורה שלך, לא משנה מה אומרים מספרי הפרמטרים.
מדוע לא ניתן לחסר את מספרי הבנצ׳מרק
שני הכרטיסים מדווחים ציונים על מערכי נתונים ששמותיהם חופפים, והחפיפה היא מלכודת. SingVL_S1_4B מדווח 82.17 ב-RealWorldQA, 72.11 ב-BLINK, 50.17 ב-MMMU-Pro vision ו-96.31 ב-InfographicVQA. LFM2.5-VL-3B מדווח 73.1 ב-RealWorldQA, 61.5 ב-BLINK, 30.5 ב-MMMU Pro ו-81.3 ב-ChartQA. כשמציבים אותם זה לצד זה, זה נראה כמו תבוסה מוחצת. זו אינה השוואה של שום דבר.
הסיבה הראשונה היא אופן המענה. כל נתון של SingVL_S1_4B מופק על ידי ניקוד של קבוצת אפשרויות שסופקו ובחירת זו בעלת ההסתברות הגבוהה ביותר, וזו משימה קלה מהותית מאשר יצירת תשובה חופשית שעל בודק להתאים לה לאחר מכן. ה-Decision Index מודד בדיוק את זה ואומר זאת: הציונים שלו מתוקנים לפי הסתברות מקרית, כך שניחוש אינו מזכה בנקודות, אך המודל עדיין אינו צריך להפיק את המחרוזת — רק לדרג מועמדים שמישהו אחר כתב. מודל גנרטיבי שעונה על אותה שאלה מאפס עושה יותר עבודה עבור אותה נקודה בגרף.
הסיבה השנייה היא מי שהריץ אותו. שתי הקבוצות מדווחות על ידי הספק, על מערך הבדיקות של כל ספק. אף אחת מהן לא שוחזרה על ידי מעבדה ניטרלית. SingVL_S1_4B הוא בנוסף בן יום אחד בלבד, ללא הגשה לערכת השחזור הציבורית של Decision Index — הכרטיס כולל את ההוראות ליצירת אחת כזו, מה שמעיד על כוונה ואינו מוכיח דבר. ל-LFM2.5-VL-3B יש שלושה חודשים שבהם אנשים מריצים אותו, וזה לא אותו דבר כמו מספר שעבר ביקורת, אבל זה כן אומר שהנתונים שלו לפחות נסקרו על ידי זרים.
השלישי הוא סחיפת גרסאות. הכרטיס של LFM2.5-VL-3B עצמו מסמן את נתון ה-OCRBench v2 שלו כתת-הקבוצה האנגלית בלבד. השורה של InfographicVQA אצל SingVL_S1_4B מדווחת בתוך חבילה עם נרמול משלה. שני מספרים עם אותו שם מערך נתונים אך תת-קבוצות שונות אינם אותו מספר, והמהלך ההגון הוא להפסיק להחסיר אותם.
הטענה בדבר היעילות שייכת לצד אחד בלבד
הכותרת של LFM2.5-VL-3B אינה דיוק, אלא תפוקה במעטפת זיכרון: מתחת ל-3.3 GB, 228 אסימונים בשנייה על M5 Max, 116 על Ryzen AI Max+ 395, ו-20 על Galaxy S26 Ultra. הנתון האחרון הוא זה שחשוב לעיצוב מוצר, כי הוא ההבדל בין תכונה שרצה על המכשיר לבין תכונה שדורשת סבב הלוך ושוב. שום דבר במאגר SingVL_S1_4B לא מציג טענה דומה, ואין בילד מכומת שאיתו אפשר להציג טענה כזו — מקבלים רסיסי BF16 וסקריפט שרת.
הצד השני של המטבע הוא שלמעבר קדימה בודד יש פרופיל עלות שמודל גנרטיבי לא יכול להשתוות אליו. ניקוד של ארבע אפשרויות עבור שאלה אחת הוא מעבר אחד; יצירת תיאור באורך 200 טוקנים היא 200 מעברים עוקבים. אם המשימה שלך היא באמת סיווג — האם המסמך הזה הוא קבלה, האם הפריים הזה מכיל אדם, האם הרשימה הזו עומדת בדרישות — העיצוב של SingVL_S1_4B אמור להיות זול יותר לכל החלטה, והוא מחזיר מספר מכויל שסף יכול לפעול עליו במקום משפט שמנתח תחבירי צריך לשרוד. היתרון הזה הוא מבני ואינו תלוי בכך שהבנצ'מרק של הספק נכון. הוא גם לא נמדד על ידי אף אחד מחוץ למעבדה, אז התייחס לזה כציפייה ולא כעובדה.
מה המחיר לגלות
ניתן להעריך את LFM2.5-VL-3B על מחשב נייד כבר אחר הצהריים. גרסת ה-MLX רצה על Apple silicon, גרסת ה-GGUF רצה על CPU דרך llama.cpp, ויש סביבת התנסות מתארחת אם ברצונך להציץ לפני שתוריד משהו. עלות המעבר היא מזהה מודל בקובץ תצורה, והסיכון מוגבל על ידי העובדה שהמשקולות ברישיון והפורמט סטנדרטי.
SingVL_S1_4B דורש GPU ואחר צהריים של הקמה. תצטרכו Python 3.12, בילד PyTorch המותאם לכרטיס שלכם, את דרישות המאגר עצמו, ופורט פנוי. השרת מדבר בנתיב יחיד — POST /v1/systemone — עם גוף JSON שטוח, וזה קל באופן חריג לחיבור עבור ארטיפקט מחקרי, והכרטיס מספק דוגמאות curl עובדות גם לבקשות טקסט וגם לבקשות תמונה. מה שאי אפשר לעשות הוא להפנות אליו לקוח קיים בעל מבנה OpenAI, כי הוא לא במבנה הזה. נקודת הקצה מיועדת לערכת ההערכה Decision Index, והערכה מתוכננת עבורה.
האסימטריה הזו היא התשובה המעשית לשאלה "במה כדאי לי לנסות קודם". אם עדיין לא ביססתם שמודל שמחזיר הסתברות עוזר לתהליך העיבוד שלכם, הניסוי הזול הוא להריץ את התבנית מול משהו שכבר מוגש. OrcaRouter מספק את TypeSafe Jev 1.14 במחיר של $0.042 למיליון טוקני קלט תחת מפתח אחד, וזה נקודת קצה פעילה להחלטות שאפשר להשוות אליה את המשימה שלכם תוך שעה, בלי צ'קפוינט לאירוח ובלי שאלת רישוי שצריך להסלים. SingVL_S1_4B אינו זמין שם — אין לו ספק מתארח בכלל — כך שההשוואה שאפשר לעשות היום היא "האם ניקוד החלטות טיפוסי מנצח יצירה על הנתונים שלי", ולא "האם הצ'קפוינט החדש המסוים הזה מנצח". קבלו את התשובה הראשונה לפני שמוציאים כסף על השנייה.
איפה שכל אחד שייך
• מסמכים שעליך לקרוא ולצטט — LFM2.5-VL-3B. הוא מפיק תמלול עם תוויות פריסה, ושורת ה-OCR שלו היא יכולת אמיתית ולא ציון.
• מסכים, טפסים וממשקי GUI — LFM2.5-VL-3B. ScreenSpot-v2 עם 80.7 והשיפורים ב-grounding לעומת הדור הקודם הם עיקר המהדורה.
• כל דבר שרץ על טלפון או מחשב נייד — LFM2.5-VL-3B, ואין תחרות, כי החלופה צריכה שרת.
• שער לפני קריאה יקרה — גם זה וגם זה, והצורה של SingVL_S1_4B מתאימה יותר אם יש לך אפשרות לארח אותה, כי מה ששער צריך הוא הסתברות.
• מיון רב-תוויות על גבי טקסונומיה קבועה — SingVL_S1_4B, באופן עקרוני. סוגי השאלות choice ו-score שלו ממופים ישירות לטקסונומיות, בעוד שמודל גנרטיבי חייב להיות מאולץ חזרה לאחת באמצעות פרומפטים ועיבוד לאחר.
• מודרציה — גם היא אינה ללא מאמץ. הכרטיס של SingVL_S1_4B עצמו מראה ששורת הממים השנאתיים שלו צונחת מ-71.64 ל-43.28 כאשר מוחל פרומפט המיומנות, וזו אזהרה בנוגע לרגישות לפרומפט בדיוק בתחום שבו שליליים כוזבים עולים ביוקר.
• פריסה מסחרית ברבעון הזה — LFM2.5-VL-3B, מטעמי רישוי בלבד.
החלק שעדיין לא נמדד
השאלה המעניינת אינה איזה מודל טוב יותר, כי הם לא באותה תחרות. היא האם מסווג בעל 4.5 מיליארד פרמטרים שאומן על גבי שלד חזותי יכול להשתוות למודל חזותי כללי בפרוסה הצרה של המשימות שבהן צריך רק תווית ורמת ביטחון. אם כן, זה משנה את העלות של הרבה צינורות עיבוד, כי מעבר קדימה בודד הוא סדר גודל אחר של הוצאה מאשר פסקה שנוצרה. אף אחד מחוץ ל-inclusionAI עדיין לא יודע — המאגר בן יום, הרישיון ריק, והבנצ'מרק הוא של המעבדה עצמה.
בינתיים המודל הכללי זמין, עם רישיון, מכווץ, מתועד ומהיר מספיק כדי לרוץ על טלפון. כשצוות שואל איזה מהם להעלות לייצור, התשובה לעת עתה היא המשעממת, והמעניינת היא השערה עם מאגר קוד מצורף.
