MiniCPM-V 4.7 vs LFM2.5-VL 3B: Misteri 70 GB Melawan Model 3B yang Bisa Anda Deploy di Laptop

MiniCPM-V 4.7 dan LFM2.5-VL 3B dijual sebagai kategori barang yang sama — model visi-bahasa ringkas yang Anda jalankan sendiri — dan dalam praktiknya keduanya nyaris tidak mungkin lebih jauh berbeda. LFM2.5-VL 3B adalah produk jadi: checkpoint 3,1 miliar parameter terdokumentasi dari Liquid AI dengan lisensi, kartu model, kuantisasi GGUF yang sudah beredar, dan semakin sedikit alasan bagus untuk tidak sekadar mengunduh dan mencobanya. MiniCPM-V 4.7 adalah checkpoint sparse mixture-of-experts berparameter 35,2 miliar yang diunggah OpenBMB ke Hugging Face pada 6 Oktober 2026 tanpa kartu model, tanpa lisensi, dan tanpa benchmark apa pun. Membandingkan keduanya bukanlah membandingkan dua model. Ini membandingkan sebuah model dengan artefak yang kemungkinan besar akan menjadi model.

Pertemuannya, disampaikan dengan jujur sejak awal.

Halaman ini dapat memberi Anda gambaran lengkap tentang LFM2.5-VL 3B, karena Liquid AI menerbitkannya. Halaman ini dapat memberi Anda gambaran lengkap tentang MiniCPM-V 4.7 dari segi bentuk dan tidak ada apa pun tentang perilakunya, karena OpenBMB menerbitkan config.json dan berhenti. Semua di bawah ini tentang sisi MiniCPM dibaca dari file konfigurasi tersebut dan indeks bobot; segala sesuatu tentang sisi Liquid berasal dari kartu model, dan klaim performa kartu itu sendiri dilaporkan oleh vendor dan dilabeli demikian. Ketika suatu angka ada untuk satu model dan tidak untuk model lainnya, hal yang jujur adalah membiarkan celah itu terlihat daripada menutupinya.

Apa itu masing-masing

LFM2.5-VL-3B dirilis pada 11 Agustus 2026. Ini adalah varian multimodal dari keluarga LFM2.5, dibuat untuk penerapan di perangkat, dan tidak dimulai dari nol: ia mengambil tulang punggung bahasa LFM2.5-2.6B dan memadukannya dengan encoder visi SigLIP2 NaFlex. NaFlex adalah bagian yang penting untuk pekerjaan dokumen — ia mempertahankan rasio aspek dan resolusi asli alih-alih memaksa setiap gambar ke dalam bentuk persegi tetap, itulah sebabnya peningkatan utama pada model card adalah grounding dengan kueri bahasa alami dan OCR halaman penuh dengan anotasi tata letak. Ini dirilis di bawah LFM Open License v1.0 dan mencakup enam belas bahasa termasuk Inggris, Tionghoa, Jepang, Korea, Arab, Hindi, Prancis, Jerman, Spanyol, Portugis, Italia, Polandia, Rusia, Thai, Vietnam, dan Indonesia. Karena ukurannya 3B, build GGUF muncul dalam sehari setelah rilis dan varian DSpark menyusul pada September, jadi ekosistem di sekitarnya nyata: Anda dapat menarik kuantisasi dan menjalankannya di laptop hari ini.

MiniCPM-V 4.7 adalah checkpoint BF16 dengan 35.212.875.824 parameter, 70,4 GB dalam enam belas shard, kelas MiniCPMV4_7ForConditionalGeneration, diunggah ke openbmb/MiniCPM-V-4.7-35B-A3B pada 6 Oktober 2026.

Tulang punggung bahasanya ditandai qwen3_5_moe_text — MoE sparse turunan Qwen3.5 dengan 256 expert dan 8 yang dipilih per token — dan 40 lapisannya menjalankan pola attention three-linear-to-one-full yang tetap, sehingga 30 dari 40 lapisan menggunakan jalur linear bergaya Mamba alih-alih attention konvensional. Konteksnya 256K. Menara visinya merupakan milik garis keturunan MiniCPM-V sendiri, dengan bentuk yang kira-kira sama seperti yang digunakan MiniCPM-V 4.6. Tidak ada README di repositori, yang di Hugging Face berarti tidak ada lisensi.

Perbandingan yang benar-benar mungkin

Enam dimensi, kedua sisi, dan sebuah catatan pada masing-masing tentang seberapa besar bobot yang dibawa angka tersebut.

• Total parameter — LFM2.5-VL 3B: 3,12B, semuanya aktif per token. MiniCPM-V 4.7: total 35,2B, sparse, 8 dari 256 expert aktif per token. Angka MiniCPM tidak dapat dibandingkan dengan jumlah parameter dense dan anggaran parameter aktif sebenarnya tidak dipublikasikan; anggap "A3B" sebagai nama, bukan pengukuran.

• Ukuran efektif di disk — LFM2.5-VL 3B: satu file safetensors ~6 GB dalam BF16, atau sebagian kecil dari itu dalam format GGUF. MiniCPM-V 4.7: 70,4 GB tersebar dalam enam belas shard, hanya BF16.

• Lisensi — LFM2.5-VL 3B: LFM Open License v1.0, diterbitkan dan ditautkan dari kartu. MiniCPM-V 4.7: tidak ada yang dideklarasikan. Tanpa adanya lisensi: tag, posisi default adalah semua hak dilindungi, jadi ini adalah penghalang, bukan catatan kaki.

• Pendekatan visi — LFM2.5-VL 3B: SigLIP2 NaFlex, resolusi native dengan preservasi rasio aspek, kartu mengklaim OCR halaman penuh dengan anotasi tata letak. MiniCPM-V 4.7: kustom minicpmv4_7_vision tower dengan downsample_mode: "16x" dan max_slice_nums: 9.

• Konteks — LFM2.5-VL 3B: contoh penyajian kartu ini sederhana dibandingkan dengan desain konteks panjang, dan keluarga ini menargetkan anggaran memori di perangkat. MiniCPM-V 4.7: max_position_embeddings: 262144, dengan tokenizer model_max_length yang selaras pada 256K.

• Bukti kualitas — LFM2.5-VL 3B: kartu yang diterbitkan dengan peningkatan yang dilaporkan vendor dibandingkan LFM2-VL-3B, kuantisasi pihak ketiga, dan riwayat Hugging Face sekitar 25.900 unduhan. MiniCPM-V 4.7: nol unduhan, tiga suka, tidak ada kartu, tidak ada benchmark, tidak ada evaluasi independen. Tidak ada yang bisa dikutip.

• Perkakas — LFM2.5-VL 3B: build GGUF dan MLX dari pihak ketiga, plus varian DSpark. MiniCPM-V 4.7: tidak ada. Belum ada kuantisasi dalam bentuk apa pun.

Dua pertiga halaman ini yang hilang

Setiap artikel perbandingan di bidang ini selalu disertai paragraf tolok ukur. Yang ini tidak bisa. Tidak ada MMMU, tidak ada OCRBench, tidak ada DocVQA, tidak ada angka grounding, tidak ada pengukuran latensi dan tidak ada angka VRAM untuk MiniCPM-V 4.7 — bukan karena semuanya merepotkan untuk dicari, tetapi karena tidak ada apa pun di repositori yang memuatnya dan tidak ada pihak ketiga yang menghasilkannya. Model yang diunggah tanpa kartu, dari sudut pandang evaluasi, tidak terukur. Siapa pun yang mengatakan sebaliknya sedang menyimpulkan dari nama keluarga atau dari jumlah parameter, yang keduanya merupakan prediktor buruk untuk kualitas multimodal.

Hal yang sama berlaku untuk pertanyaan yang lebih halus: apakah MoE sparse benar-benar membantu. Desain 35B-A3B menukar total memori dengan komputasi per token, dan kualitas mengikuti instruksi dari model sparse sepenuhnya bergantung pada seberapa baik router dilatih. Konfigurasi tersebut menunjukkan koefisien loss bantu routing sebesar 0,001 dan satu expert bersama di samping 256 expert yang dirutekan, yang merupakan pengaturan konvensional — tetapi pengaturan konvensional bukanlah bukti routing yang baik.

Di sisi Liquid, bagian yang hilang berbeda: klaim kualitas kartu tersebut milik vendor sendiri.

Peningkatan OCR dan grounding dijelaskan oleh orang-orang yang melatih model tersebut, dan meskipun kuantisasi pihak ketiga serta volume unduhan menunjukkan bahwa komunitas menganggapnya cukup berguna untuk dikonversi, itu adalah bukti adopsi, bukan bukti kualitas. Tidak ada yang menerbitkan uji head-to-head independen.

Mana yang sebenarnya akan Anda ambil?

Pohon keputusan di sini luar biasa rapi, karena kedua model tersebut tidak bersaing untuk pekerjaan yang sama.

Jika Anda memerlukan model visi-bahasa yang berjalan di laptop, ponsel, Jetson, atau satu GPU sederhana, LFM2.5-VL 3B adalah satu-satunya dari keduanya yang menjawab pertanyaan itu. Model ini cukup kecil untuk dikuantisasi, lisensinya mengizinkan pekerjaan tersebut, dan seseorang sudah melakukan pekerjaan konversinya untuk Anda. Untuk tata letak dokumen, penguraian tangkapan layar, dan deskripsi yang berpijak pada konteks dengan ukuran serta jejak bahasa yang sesuai anggaran edge, keunggulan yang dinyatakan pada kartu tersebut selaras dengan target penerapan.

MiniCPM-V 4.7 bukan kandidat untuk pekerjaan itu pada 70 GB dalam BF16. Ia adalah kandidat untuk pekerjaan yang berlawanan: model multimodal konteks panjang dengan throughput tinggi pada perangkat keras server, dalam beban kerja di mana jendela 256K dan penghematan KV-cache linear-attention menjadi intinya. Apakah ia menjalankan pekerjaan itu dengan baik masih belum diketahui, dan pertanyaan lisensi harus dijawab sebelum ia menjalankan pekerjaan itu sama sekali dalam konteks komersial apa pun.

Ada opsi ketiga yang layak disebutkan, yaitu Anda mungkin tidak perlu memilih. Jika arsitekturnya adalah "model lokal kecil menangani sebagian besar lalu lintas dan menyerahkan kasus-kasus sulit ke sesuatu yang dihosting," separuh lokal dari itu adalah keputusan yang bisa Anda ambil hari ini dan separuh yang dihosting adalah keputusan perutean. OrcaRouter mencakup beberapa ratus model yang dihosting di balik satu kunci dengan harga daftar masing-masing penyedia tanpa tambahan apa pun, dengan failover saat penyedia mengalami penurunan — tetapi jelaslah tentang apa yang bukan itu: baik LFM2.5-VL 3B maupun MiniCPM-V 4.7 bukanlah model yang dihosting di router tersebut. Keduanya adalah bobot yang Anda layani sendiri. Router adalah yang berada di belakang keduanya.

Status saat ini, dan apa yang perlu disegarkan

Liquid AI merilis model kecil yang sudah jadi. OpenBMB merilis model besar yang belum jadi. Perbandingan yang diinginkan pembaca — akurasi versus latensi, OCR versus OCR — belum bisa ditulis untuk sisi MiniCPM, dan tulisan yang tidak jujur adalah tulisan yang mengisi ruang dengan aritmetika jumlah parameter. Pantau README repositori itu. Pada hari README itu muncul, ia akan memuat lisensi dan angka-angka nyata pertama, dan pada hari itu ini menjadi adu langsung yang sesungguhnya, bukan lembar spesifikasi di samping sebuah produk.

Bagian hosted dari pola itu adalah keputusan perutean, bukan kontrak kedua. harga daftar setiap penyedia tanpa markup yang ditambahkan oleh kami Baik LFM2.5-VL 3B maupun MiniCPM-V 4.7 bukanlah model hosted di OrcaRouter - keduanya adalah bobot yang Anda layani sendiri.