LFM3-VL-2B vs North Micro Vision Instruct: Dua Pembaca Dokumen, Satu Dinding Lisensi

Kesenjangan akurasi antara LFM3-VL-2B dan North Micro Vision Instruct memang nyata tetapi kecil: sekitar 4,6 poin pada DocVQA dan 7,1 pada OCRBench, keduanya dalam arah yang sama. Kesenjangan yang menentukan penerapan bukanlah tolok ukur sama sekali. North Micro Vision Instruct dirilis di bawah Apache 2.0. LFM3-VL-2B dirilis di bawah LFM Open License v1.0, yang mengizinkan penggunaan komersial hanya selama entitas Anda tetap berada di bawah $10 juta pendapatan tahunan.

Kedua model itu kecil, keduanya berbobot terbuka, dan keduanya dibuat untuk membaca halaman alih-alih mengobrol tentang foto. Satu dipublikasikan pada Agustus 2026 dan telah memiliki dua bulan unduhan serta port. Yang lain muncul di Hugging Face pada 19 Oktober, diumumkan secara resmi pada 27 Oktober, dan memiliki 255 unduhan. Perbandingan ini karena itu sebagian merupakan pertanyaan tolok ukur dan sebagian pertanyaan tentang risiko mana yang dapat Anda terima: model yang belum terbukti, atau model yang tidak berlisensi.

Apa sebenarnya masing-masing model

LFM3-VL-2B adalah model dense 1,92B dari Liquid AI: backbone bahasa 1,73B, encoder visi internal 164M yang dibuat untuk menggunakan komputasi sekitar tiga kali lebih sedikit daripada SigLIP2, dan proyektor 25M. Model ini menerima teks, gambar, dan video pada 2 fps, mengeluarkan teks, mendukung mode berpikir, membawa konteks 128K, dan mencakup 16 bahasa. Repositori ini mencakup build BF16, GGUF, MLX 4-bit, dan ONNX, meskipun dukungan llama.cpp masih dalam peninjauan dan belum memiliki jalur video.

North Micro Vision Instruct adalah model 2,4B dari Cohere Labs: backbone bahasa 2B dari keluarga North Micro ditambah encoder sekitar 400M yang dilanjutkan dari SigLIP2 SO400M, dengan proyektor bergaya DeepStack. Model ini menerima teks dan gambar yang disisipkan secara bergantian pada resolusi asli, hingga 1654×2339 — satu halaman A4 penuh pada 200 dpi — dan menghasilkan teks. Model bahasanya memiliki konteks 128K, tetapi Cohere menyatakan bahwa pelatihan multimodal hanya divalidasi hingga 8K. Apache 2.0, kosakata 262K, 11 hingga 12 bahasa.

Spesifikasi itu terlihat mirip, tetapi sebenarnya tidak. Konteks 128K adalah batas atas token yang dapat diperhatikan model. Input resolusi asli adalah keputusan untuk tidak mengubah ukuran halaman sejak awal. Untuk faktur hasil pindai dengan tabel di sudutnya, yang kedua lebih penting daripada yang pertama.

Nomor-nomor dokumen, dibaca dengan keberatan yang semestinya

Pada tolok ukur yang diterbitkan kedua kartu, LFM3-VL-2B memimpin:

• DocVQA — LFM3-VL-2B 96,7 vs North Micro Vision Instruct 92,1.

• OCRBench — 86,3 vs 79,2.

• ChartQA — 92,7 vs 80,8.

• AI2D — North melaporkan 77,5; Liquid tidak menerbitkan baris AI2D yang dapat dibandingkan secara langsung.

• RefCOCO-avg — 90,5 vs 73,2, meskipun kedua kartu menjelaskan rata-rata ini dengan cukup berbeda sehingga pengurangannya bersifat indikatif, bukan tepat.

Semua ini dilaporkan oleh vendor, pada harness yang dipilih vendor, tanpa reproduksi independen atas kedua model tersebut. Selisih DocVQA cukup sempit sehingga perbedaan format prompt dapat menutupnya. Selisih ChartQA, yang hampir 12 poin, lebih kecil kemungkinannya menjadi noise, dan selisih OCRBench sebesar 7,1 poin konsisten dengan model yang secara eksplisit dilatih pada data dokumen dan bagan dengan mode penalaran yang disertakan.

Angka yang menarik bukan pada baris dokumen. Angka itu ada pada MMMU, di mana LFM3-VL-2B melaporkan 55,7 dan North Micro Vision Instruct melaporkan 32,9. Itu bukan perbedaan tuning; itu produk yang berbeda. Kartu milik Cohere sendiri menyatakan bahwa model tersebut sengaja bukan model penalaran, tidak melakukan tool calling, dan tidak menganjurkan prompt sistem. Model itu membaca halaman. Kartu Liquid mengklaim penalaran tingkat pascasarjana sebagai salah satu dari 62 kategori yang diukur. Jika tugas Anda adalah "ekstrak total dari 400 faktur ini," keduanya bisa digunakan. Jika tugas Anda adalah "putuskan apakah faktur ini melanggar kebijakan," hanya satu yang dibangun untuk itu.

Di mana klaim 128K mulai goyah

Konteks 128K LFM3-VL-2B adalah angka terbitan yang lebih besar, tetapi panjang konteks tidak sama dengan konteks multimodal yang dapat digunakan. Kartu model tersebut tidak menyatakan berapa banyak token gambar yang dikonsumsi satu halaman pada resolusi asli, dan tidak menerbitkan jumlah frame maksimum untuk video. North Micro Vision Instruct menerbitkan jenis angka yang berlawanan: konteks bahasa 128K dengan pelatihan multimodal yang divalidasi hingga 8K. Itu adalah pengungkapan yang konservatif, dan lebih berguna daripada angka yang lebih besar tanpa anggaran visi yang dinyatakan.

Uji praktis untuk kedua model sama: ukur token per halaman pada dokumen Anda sendiri sebelum Anda merancang dengan berpatokan pada jendela konteks. Jendela 128K yang memuat empat halaman pada resolusi Anda bukanlah alur kerja dokumen 128K.

Lisensi adalah keputusan

Apache 2.0 ya Apache 2.0. Anda dapat menggunakan North Micro Vision Instruct secara komersial pada tingkat pendapatan berapa pun, memodifikasinya, mendistribusikannya kembali, dan menghostingnya, asalkan Anda mempertahankan pemberitahuannya. Itulah keseluruhan perjanjiannya, dan bagi startup yang membangun produk dokumen, hal ini menghilangkan satu kategori peninjauan hukum sepenuhnya.

LFM Open License v1.0 bukan itu. Lisensi ini mendefinisikan penggunaan komersial secara luas — "setiap penggunaan Karya untuk keuntungan komersial langsung atau tidak langsung atau kompensasi moneter" — dan mensyaratkan agar pemegang lisensi tetap berada di bawah ambang pendapatan tahunan $10 juta. Di atas ambang tersebut, penggunaan komersial "tidak dilisensikan berdasarkan Perjanjian ini." Organisasi nirlaba yang memenuhi syarat dikecualikan untuk tujuan nonkomersial dan penelitian. Distribusi ulang diizinkan dengan atribusi dan pemberitahuan perubahan. Teks lisensi yang kami baca tidak memuat pembatasan hosting terpisah, sehingga batas pendapatan, bukan larangan penyajian, yang menjadi kendala.

Batas atas itu menghasilkan percakapan yang canggung. Perusahaan dengan pendapatan $9 juta dapat merilis LFM3-VL-2B hari ini dan kehilangan lisensinya karena berkembang. Modelnya tidak berhenti berfungsi; izinnya yang berhenti. Untuk produk dengan peta jalan dua tahun, itu adalah butir uji tuntas, bukan catatan kaki.

Kesenjangan adopsi adalah sinyal tersendiri

North Micro Vision Instruct telah diunduh sekitar 35.000 kali sejak repositorinya muncul pada 10 Agustus 2026. LFM3-VL-2B memiliki 255 unduhan dan 34 suka sejak 19 Oktober. Dua bulan dibandingkan sembilan hari menjelaskan sebagian dari itu, tetapi tidak semuanya: pengumuman keluarga LFM3 pada 27 Oktober adalah satu pos blog yang mencakup enam model, dan checkpoint visi hanya mendapat satu paragraf darinya.

Rilis senyap tidak otomatis berarti rilis yang buruk. Model tanpa harga peluncuran, tanpa penyedia terhosting, dan dukungan framework yang masih dalam peninjauan adalah model yang Anda evaluasi di perangkat keras Anda sendiri, dan jumlah unduhan yang rendah terutama berarti belum ada yang melakukannya. Itu juga berarti tidak ada kuantisasi komunitas, tidak ada pelacak masalah yang penuh perbaikan, dan tidak ada tolok ukur pihak ketiga yang bisa diandalkan. North Micro Vision memiliki ketiganya.

Berapa biaya masing-masing, sejauh yang bisa dikatakan siapa pun.

Tidak ada model yang mencantumkan harga API di kartu modelnya. North Micro Vision Instruct tersedia melalui platform Cohere dan telah diadopsi oleh beberapa host pihak ketiga; LFM3-VL-2B tersedia di Playground dan API Liquid tanpa daftar tarif, dan Hugging Face tidak mencantumkan penyedia inferensi untuknya. Pada perangkat keras milik sendiri, perbandingannya adalah 2,4B parameter versus 1,92B, atau sekitar 4,8 GB versus 3,84 GB dalam BF16 — cukup dekat sehingga biaya GPU bukan menjadi penentu.

Faktor penentunya sudah operasional. Jika Anda menyewa model visi hosted alih-alih memiliki salah satu checkpoint, OrcaRouter meneruskan harga daftar penyedia tanpa markup 0%, sehingga perubahan harga vendor langsung berlaku di sisi kami pada hari yang sama, bukan pada perpanjangan kontrak berikutnya. Kami tidak menyediakan LFM3-VL-2B atau North Micro Vision Instruct saat ini, dan tulisan ini tidak mengklaim sebaliknya; intinya, alternatif hosted diberi harga yang cukup transparan untuk dibandingkan dengan perhitungan self-hosting di atas.

Siapa yang harus memilih yang mana

Pilih North Micro Vision Instruct jika Anda memerlukan Apache 2.0, jika Anda menginginkan model yang telah digunakan komunitas selama dua bulan, atau jika dokumen Anda berupa halaman penuh pada resolusi asli dan tugas Anda berhenti pada ekstraksi. Terimalah bahwa model ini tidak akan melakukan penalaran lintas bidang yang diekstrak.

Pilih LFM3-VL-2B jika Anda memerlukan input video, mode berpikir, atau asisten visual yang lebih luas yang kebetulan mampu membaca dokumen dengan baik, dan jika Anda berada dengan nyaman di bawah ambang pendapatan atau dapat menegosiasikan lisensi terpisah. Terimalah kenyataan bahwa Anda adalah pengadopsi awal dari checkpoint yang belum memiliki evaluasi independen dan dukungan kerangka kerja yang belum lengkap.

Pilih bukan keduanya, untuk saat ini, jika alur kerja Anda membutuhkan endpoint hosted berbayar dengan kontrak dukungan. Tingkat kecil berbobot terbuka (open-weight) berkembang pesat, tetapi dengan 255 unduhan, pendatang terbaru belum diuji ketahanannya oleh siapa pun di luar laboratoriumnya.