LFM3-Omni-2B vs MiniCPM-V 4.7 35B-A3B: Pendatang Baru dan Petahana

Dua angka, keduanya benar, keduanya menyesatkan jika dibaca sebagai sebuah putusan: MiniCPM-V 4.7 35B-A3B telah diunduh sekitar 289.000 kali, dan LFM3-Omni-2B telah diunduh 83 kali. Kesenjangan itu tampak seperti kemenangan telak. Sebenarnya itu soal kalender. Bobot OpenBMB dirilis pada 6 Oktober 2026; milik Liquid AI dirilis pada 21 Oktober dan diumumkan pada 27 Oktober, sehari sebelum angka-angka ini dibaca. Model yang baru sepekan ada tidak mungkin punya riwayat unduhan, dan model yang sudah unggul enam minggu plus punya basis pengikut MiniCPM yang sudah ada pasti akan punya riwayat, entah layak atau tidak.

Jadi perbandingan yang menarik bukanlah popularitas. Yang menarik adalah apa yang seharusnya benar-benar dipertimbangkan oleh tim yang memilih model multimodal kecil untuk sebuah perangkat: apakah perangkat itu perlu mendengar, apakah model itu perlu dikuantisasi dalam enam cara, dan lisensi mana yang masih akan terasa nyaman ketika produk sudah menghasilkan pendapatan.

Apa yang dimaksud dengan masing-masing model

MiniCPM-V 4.7 35B-A3B adalah model bahasa-visual mixture-of-experts pertama OpenBMB: 35,2 miliar parameter tersimpan dengan 8 dari 256 expert dirutekan per token, sekitar 3 miliar aktif, 40 lapis teks, di belakang menara visi 27 lapis dengan ukuran hidden 1.152 yang disisipkan pada lapis ke-6 tumpukan teks. Model ini membaca gambar, kumpulan multi-gambar, video, dan teks, serta menjawab dalam bentuk teks. Tidak ada jalur audio di mana pun dalam 70,4 GB bobot. Klaim utama kartu ini bukan akurasi melainkan kelayakan: lebih dari 13 token per detik pada iPhone 17 Pro Max dengan penggunaan memori sekitar 3 GB, yang dimungkinkan oleh trik Lookahead Expert Scheduling yang memprediksi expert lapis berikutnya dan mengambilnya lebih awal saat lapis saat ini berkomputasi.

LFM3-Omni-2B adalah entri omni Liquid AI dalam keluarga LFM3: 2,17 miliar parameter padat pada tulang punggung LFM3-1.7B, dengan encoder visi LFM3 dan encoder audio kausal LFM3 yang menyuplai satu kosakata 128.000 token. Model ini membaca teks, gambar, video dengan atau tanpa suara, dan audio 16 kHz, serta menulis teks atau ucapan 24 kHz, termasuk teks dan ucapan yang bergantian dalam satu respons. Model ini secara desain merupakan model non-penalaran — kartu menyatakan bahwa enable_thinking=True tidak didukung — dan diposisikan untuk ponsel, laptop, serta perangkat keras edge.

Keduanya muat di ponsel. Hanya satu yang dirancang untuk itu.

Sangat mudah untuk mengelompokkan keduanya sebagai "model kecil di perangkat" lalu lanjut. Rekayasa di baliknya justru bertolak belakang.

Masalah OpenBMB adalah bandwidth memori di ponsel, jadi modelnya sparse dengan cara yang mengurangi apa yang harus dibaca per token: 35,2B tersimpan, 3B diakses. Lookahead Expert Scheduling adalah petunjuk jelasnya — Anda hanya membangun prefetching expert ketika hambatannya adalah memindahkan bobot, bukan mengalikannya. LFM3-Omni-2B memecahkan masalah yang sama dengan benar-benar kecil: 2,17B dense, tanpa routing sama sekali, semuanya dalam 16-bit dan tetap hanya beberapa gigabyte.

Kompromi itu terlihat dalam kuantisasi. MiniCPM-V 4.7 menyediakan build GGUF, AWQ, GPTQ, FP8, INT4, dan BitsAndBytes, plus checkpoint draf DSpark untuk speculative decoding — menu lengkap untuk akselerator apa pun yang Anda gunakan. LFM3-Omni-2B memiliki bobot BF16 di Hugging Face dan build Ollama yang beredar, dan listing Ollama tersebut mencantumkan konteks 125K versus 32K di kartu model. Apakah itu bug pengemasan atau kemampuan yang tidak terdokumentasi, hingga saat penulisan, belum terpecahkan. Jika Anda perlu menjalankannya di Rockchip NPU atau laptop Intel, vendor dengan enam format kuantisasi adalah pilihan yang lebih aman sejak hari pertama.

Baris yang menentukan sebagian besar deployment

MiniCPM-V 4.7 35B-A3B tidak dapat mendengar. Tidak ada tower audio, tidak ada jalur ASR, tidak ada head ucapan. LFM3-Omni-2B dapat mendengar dan dapat menjawab secara lisan, dalam 19 lokalitas ucapan dan 16 bahasa teks.

Untuk beban kerja dokumen, bagan, tangkapan layar, atau bingkai video, perbedaan itu tidak relevan dan MiniCPM adalah pilihan yang lebih kuat pada hampir semua aspek lain — lebih besar, lebih banyak diuji, perkakasnya lebih baik. Untuk apa pun yang melibatkan mikrofon, ini langsung mengakhiri perbandingan. Anda tidak bisa menambahkan kemampuan mendengar ke MiniCPM-V 4.7 tanpa menambahkan model ASR terpisah lalu model TTS, dan pada titik itu Anda menjalankan tiga model untuk melakukan apa yang dilakukan satu checkpoint 2.17B secara native.

Berlaku juga sebaliknya. LFM3-Omni-2B membaca gambar, tetapi yang membacanya adalah model 2,17B: kartu spesifikasinya melaporkan OCRBench 806, DocVQA 92,47, dan MMMU 42,44, dengan MMMU-Pro turun di 27,28. Angka-angka itu terhormat untuk ukurannya dan tidak kompetitif dibandingkan model 35B pada tata letak dokumen yang rumit. Jika pekerjaannya adalah tabel padat dan formulir hasil pemindaian, model yang lebih besar menang pada tugas itu bahkan sebelum Anda mempertimbangkan perutean 8-dari-256 yang membuatnya murah untuk dijalankan.

Saat angka-angka habis

Ini bagian yang tidak nyaman: tidak ada tabel perbandingan langsung yang jujur, karena OpenBMB mempublikasikan hasil MiniCPM-V 4.7 sebagai gambar grafik, bukan tabel numerik. Tidak ada angka MMStar, MMMU, atau OCRBench yang bisa dikutip dari kartu 35B-A3B. Apa pun yang menempatkan angka di kolom itu entah berasal dari varian 1B — model berbeda dengan arsitektur berbeda — atau dibuat-buat.

Kartu LFM3-Omni-2B, sebaliknya, adalah tabel lengkap: 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, ditambah kolom ucapan yang membentang dari ASR bahasa Inggris pada tingkat kesalahan kata 6.36 hingga TTS UTMOSv2 pada 3.80. Semuanya diukur oleh Liquid AI, dengan template chat masing-masing model yang dibandingkan dan greedy decoding, dan belum ada satu pun yang direproduksi.

Tabel vendor lebih baik daripada grafik vendor, tetapi itu tidak sama dengan evaluasi independen. Tidak ada satu pun dari kedua model itu yang memilikinya. Itulah kondisi terkini di seluruh kategori small-omni saat ini, dan itulah sebabnya kendala penerapan pada akhirnya lebih penting daripada satu poin MMMU.

Lisensi, baca sebelum prototipe dikirim

MiniCPM-V 4.7 berlisensi Apache 2.0. Tidak ada uji pendapatan, tidak ada klausul bidang penggunaan, tidak ada negosiasi. LFM3-Omni-2B berada di bawah LFM Open License v1.0, lisensi ambang pendapatan yang diterapkan Liquid pada seluruh LFM3. Untuk proyek hobi atau startup tahap awal, keduanya setara dalam praktik. Bagi perusahaan yang telah melewati ambang tersebut, salah satunya memerlukan pembicaraan dengan pengacara dan yang lainnya tidak — dan pembicaraan itu jauh lebih murah dilakukan sekarang daripada setelah model tersebut ada di dalam produk.

Ini adalah sumbu paling tidak glamor dalam perbandingan ini dan yang paling mungkin menentukan hasilnya di perusahaan yang sebenarnya.

Bagaimana keduanya menyatu dalam satu arsitektur

Jawaban realistis bagi sebagian besar tim bukanlah "pilih salah satu". Melainkan model on-device untuk kasus umum dan model hosted untuk permintaan yang kesulitan ditangani model perangkat. Menjaga bagian kedua itu tetap portabel adalah bagian yang bertahan saat model perangkat berganti: OrcaRouter menyediakan satu API untuk 200+ model hosted dengan markup 0% atas harga daftar penyedia, failover otomatis saat penyedia mengalami gangguan, dan DSL routing yang memindahkan permintaan ke model lain tanpa perubahan kode. LFM3-Omni-2B maupun MiniCPM-V 4.7 tidak ada di katalog itu — keduanya adalah unduhan bobot, dan artikel ini tidak menyarankan sebaliknya. Intinya, lapisan fallback tidak perlu dibangun ulang setiap kali lapisan perangkat berubah, dan karena lapisan perangkat masih terus bergerak setiap beberapa minggu, perubahan itu akan terjadi.

Mana yang harus dipasang di perangkat

Pilih MiniCPM-V 4.7 35B-A3B jika Anda membutuhkan kualitas visi, format kuantisasi yang benar-benar dapat Anda terapkan, Apache 2.0, dan ekosistem dengan laporan lapangan selama enam minggu di belakangnya. Jumlah unduhannya bukanlah indikator kualitas, tetapi laporan bug yang menyertai 289.000 unduhan merupakan bentuk pengujian yang belum dimiliki LFM3-Omni-2B.

Pilih LFM3-Omni-2B jika produk membutuhkan suara, jika perangkat cukup terbatas memori sehingga bobot aktif 3 GB masih terlalu besar, atau jika Anda menginginkan satu checkpoint alih-alih tumpukan ASR-plus-LLM-plus-TTS. Terimalah skor visi model yang lebih kecil, lisensi ambang pendapatan, dan kenyataan bahwa Anda adalah pengadopsi awal model yang baru sehari diumumkan.

Yang bisa menyelesaikannya adalah satu uji independen — harness yang sama, kedua model, OCRBench dan MMMU serta satu tugas ucapan. Belum ada yang melakukannya. Sampai ada yang melakukannya, peringkat yang jujur adalah: MiniCPM untuk penglihatan, LFM3-Omni untuk berbicara, dan spreadsheet untuk segala hal lainnya.