Molmo2-4B vs LFM2.5-VL-3B: 19 GB Bobot Berbanding 3 GB di Ponsel

Letakkan kedua checkpoint berdampingan di disk dan perbandingannya hampir berakhir sebelum dimulai. Molmo2-4B dikirim sebagai 19.42 GB safetensors float32 dalam empat shard. Repositori native LFM2.5-VL-3B totalnya 6.27 GB, dan kartu milik Liquid sendiri menjanjikan model ini berjalan dalam "di bawah 3.3 GB memori." Setelah model yang lebih kecil dikuantisasi, selisih jejaknya sekitar enam berbanding satu untuk dua model yang diperbincangkan seolah-olah keduanya adalah model visi-bahasa kecil yang dapat saling dipertukarkan. Keduanya tidak dapat saling dipertukarkan, dan alasannya bukanlah kualitas. Salah satunya dibangun untuk menjawab pertanyaan tentang video 384 frame. Yang lain dibangun untuk menjawab pertanyaan tentang sebuah foto di ponsel dengan radio nonaktif. Kedua model tidak di-hosting di sini, jadi peran platform adalah stack di sekitarnya. penetapan harga markup 0% Harga daftar dari penyedia diteruskan tanpa perubahan.

Tidak ada dari kedua model ini yang baru, dan itu penting jika Anda sampai di sini dari halaman hasil yang menyiratkan sebaliknya. Molmo2-4B diumumkan oleh Allen Institute for AI pada 11 Desember 2025 dan bobotnya tersedia pada 14 Desember. LFM2.5-VL-3B dirilis oleh Liquid AI pada 12 Agustus 2026. Yang berubah baru-baru ini lebih sempit dan lebih berguna daripada sebuah peluncuran: Molmo2 menjadi arsitektur kelas satu di Transformers upstream, dengan PR #43451 yang di-merge pada 9 Oktober 2026 dan model tersebut pertama kali dirilis dalam v5.20.0 pada 15 Oktober, mengakhiri periode ketika Anda harus memberikan trust_remote_code=True dan memasang paket molmo_utils terpisah. Pada 5 November Ai2 juga menerbitkan Molmo2-4B-tb, sebuah fine-tune robotika yang dibangun di atas checkpoint persis ini. Tidak ada dari kedua peristiwa itu yang membuat Molmo2-4B baru. Keduanya membuatnya baru menjadi praktis untuk dijalankan.

Pertanyaan tentang memori, dalam angka bukan kata sifat

Ukuran dulu, karena ukuran menentukan sebagian besar penerapan sebelum satu tolok ukur pun dipertimbangkan.

• Parameter — Molmo2-4B berjumlah 4,850,869,200 yang tersebar di menara visi SigLIP 2 dan inti bahasa Qwen3-4B-Instruct-2507; LFM2.5-VL-3B berjumlah 3,123,483,888 yang tersebar di encoder SigLIP2 NaFlex 400M dan backbone LFM2.5 2.6B.

• Format bobot yang dikirim — Molmo2-4B didistribusikan dalam float32, 19,42 GB di disk, empat shard; LFM2.5-VL-3B didistribusikan dalam bfloat16 pada 6,27 GB, dengan ekspor GGUF, ONNX, dan MLX resmi yang diterbitkan bersamanya.

• Kebutuhan runtime yang dinyatakan — Liquid mengklaim di bawah 3,3 GB untuk LFM2.5-VL-3B saat inferensi; AI2 tidak menerbitkan angka memori runtime untuk Molmo2-4B, dan distribusi float32 berarti Anda perlu melakukan cast sebelum menyajikan model.

• Throughput — Liquid melaporkan 228 token/detik pada Apple M5 Max, 116 token/detik pada AMD Ryzen AI Max+ 395 dan 20 token/detik pada Galaxy S26 Ultra. Tidak ada angka publik yang setara untuk Molmo2-4B pada ukuran apa pun.

• Konteks — 32,768 token untuk LFM2.5-VL-3B; 36,864 posisi dalam konfigurasi teks Molmo2-4B, yang dicapai melalui tahap fine-tuning konteks panjang khusus pada 384 frame.

Pasangan terakhir itu lebih pantas mendapat catatan penting daripada perbandingan. Angka 36.864 pada Molmo2-4B adalah anggaran panjang urutan yang cepat dihabiskan oleh pipeline videonya: preprosesor video yang dirilis secara default menggunakan 384 frame pada 2 fps, diubah ukurannya ke 378×378 dengan pooling 3×3. Klip panjang dapat menghabiskan seluruh jendela hanya dengan frame, sehingga menyisakan sedikit ruang untuk pertanyaan. Angka 32.768 pada LFM2.5-VL-3B dipakai untuk teks dan patch gambar, karena model ini sama sekali tidak memiliki jalur video.

Video adalah garis pemisah, bukan tabel tolok ukur

LFM2.5-VL-3B memproses teks dan gambar. Itulah seluruh permukaan masukannya. Model ini sangat andal pada hal-hal yang menjadi tujuan pembuatannya — OCR halaman penuh dengan anotasi tata letak, deteksi objek dari kueri bahasa alami, pembacaan layar, dan pekerjaan hampir real-time di perangkat — tetapi video bukan salah satu inputnya, dan sebanyak apa pun rekayasa prompt tidak akan mengubah hal itu.

Molmo2-4B dibangun dengan cara sebaliknya. Kartu model Ai2 mencantumkan sembilan set pelatihan, dan lima di antaranya berupa video atau multi-gambar: QA keterangan video, QA subtitel video, penunjukan video, pelacakan video, QA multi-gambar, penunjukan multi-gambar. Bagian yang tidak biasa adalah keluaran penunjukannya. Koordinat dikembalikan dengan skala 0–1000 dari lebar dan tinggi gambar, dalam format bertag yang regex-nya disertakan di kartu model, sehingga jawaban "di mana perahunya" berupa titik numerik, bukan kalimat. Format yang sama membawa stempel waktu dalam mode video, dan itulah yang memungkinkan pelacakan tingkat frame sama sekali.

Jika tugas Anda adalah tangkapan layar, halaman hasil pindai, foto rak atau menu, semua itu tidak menjadi soal, dan model 3 GB hanyalah pilihan rekayasa yang lebih baik. Jika tugas Anda adalah "temukan momen peti jatuh dari palet," LFM2.5-VL-3B tidak bisa masuk dalam perbandingan.

Dua rata-rata vendor yang tidak boleh dikurangkan satu sama lain

Di sinilah sebagian besar halaman perbandingan keliru. Liquid melaporkan rata-rata 69,4 untuk LFM2.5-VL-3B pada tabel visi berisi 28 benchmark. AI2 melaporkan rata-rata 62,8 untuk Molmo2-4B pada 15 benchmark akademik. Cetak kedua angka itu berdampingan, dan LFM2.5-VL-3B tampak lebih baik 6,6 poin. Itu bukan perbandingan yang valid: kumpulan benchmark berbeda, format prompt berbeda, pengaturan decoding berbeda, dan dalam kasus Liquid, suite yang dipilih sendiri oleh para penulisnya.

Apa yang sebenarnya dilaporkan oleh tiap vendor, lengkap dengan asal-usulnya:

• LFM2.5-VL-3B, dilaporkan vendor — DocVQA 91,1, RefCOCO-avg 87,9, CountBenchQA 87,3, OCRBench v1 84,2, TextVQA 84,3, MMBench 81,0, SEED-Bench gambar 77,7, ScreenSpot-v2 Web 82,2, MMStar 63,3, MMMU 48,4, MMMU-Pro 30,5, MathVista mini 68,5.

• Molmo2-4B, dilaporkan vendor — rata-rata 62,8 pada 15 tolok ukur akademik, dibandingkan dengan 63,1 untuk saudara 8B, 58,1 untuk Qwen3-VL-4B, 53,4 untuk InternVL3.5-4B, 59,6 untuk Claude Sonnet 4.5, 70,0 untuk Gemini 3 Pro dan 70,6 untuk GPT-5 pada tabel yang sama.

• Tidak dilaporkan di mana pun oleh kedua vendor — harness bersama. Kedua perusahaan belum menerbitkan hasil Molmo2-4B pada rangkaian 28 benchmark Liquid atau hasil LFM2.5-VL-3B pada tabel 15 benchmark AI2.

Satu-satunya sumbu yang benar-benar dapat dibandingkan adalah ukuran model, dan di sana model 4,85B mengalahkan model 3,12B pada rata-rata milik AI2 sendiri tetapi kalah telak pada jejak penerapan. Itulah trade-off-nya, dinyatakan secara gamblang.

Lisensi: keduanya bukan Apache-2.0 seperti yang terlihat

Kedua kartu memiliki label yang terdengar permisif, dan keduanya punya jebakan yang akan ditemukan oleh peninjau pengadaan.

• Molmo2-4B — bobotnya berlisensi Apache 2.0, tetapi kartu modelnya menambahkan bahwa model tersebut "dilatih pada kumpulan data pihak ketiga yang hanya boleh digunakan untuk penelitian akademis dan nonkomersial," dan menyarankan Anda meninjau sumber-sumbernya sebelum memutuskan apakah model ini cocok. Bobotnya terbuka; asal-usul datanya tidak bersih untuk penggunaan komersial, dan Ai2 menyatakannya di kartu model, bukan di catatan kaki.

• LFM2.5-VL-3B — LFM Open License v1.0, yang bukan lisensi OSI. Penggunaan komersial diberikan secara bersyarat: Pasal 5 menjadikan hak komersial bergantung pada entitas hukum Anda tetap berada di bawah Ambang Batas yang ditetapkan, dan lisensi mendefinisikan Ambang Batas tersebut sebagai pendapatan tahunan sebesar 10 juta dolar AS atau lebih.

Tidak ada dari kedua pembatasan itu yang tidak biasa untuk rilis yang berdekatan dengan riset. Keduanya berarti pertanyaan "bisakah kita merilis ini" memiliki jawaban yang berbeda untuk prototipe dua orang dan perusahaan yang didanai, dan kedua jawaban itu menunjuk ke arah yang berlawanan tergantung model mana yang Anda pilih.

Menjalankan salah satunya hari ini

Kartu model Molmo2-4B sendiri sekarang tertinggal dari pustaka. Kartu itu masih menginstruksikan Anda untuk menginstal transformers==4.57.1, meneruskan trust_remote_code=True, serta menginstal molmo_utils dan decord2. Resep itu berhasil. Resep itu juga bukan lagi satu-satunya: sejak v5.20.0, Transformers standar menyertakan kelas Molmo2ForConditionalGeneration dengan konfigurasi, pemroses gambar, pemroses video, dan prosesornya sendiri, sehingga jalur kode jarak jauh bersifat opsional, bukan wajib. vLLM telah mendukung Molmo2 melalui kelas modelnya sendiri sejak tak lama setelah peluncuran; dokumentasi platform AI2 masih mengarah ke wheel nightly, bukan rilis stabil, yang perlu diketahui sebelum Anda menyematkan versi di produksi.

LFM2.5-VL-3B memiliki kisah penerapan yang lebih matang di antara keduanya, dan selisihnya jelas: bobot native plus ekspor GGUF, ONNX, dan MLX, dengan llama.cpp, vLLM, dan SGLang semuanya tercantum sebagai didukung, serta throughput terpublikasi pada tiga perangkat keras konsumen yang berbeda. Jika target Anda adalah laptop, ponsel, atau komputer papan tunggal, ekosistem itulah produknya.

Satu catatan praktis bagi siapa pun yang berencana melakukan routing di antara keduanya: kedua model itu tidak ada dalam katalog OrcaRouter, dan keliru jika membaca perbandingan seperti ini sebagai klaim ketersediaan. Yang ditawarkan platform ini adalah satu API untuk lebih dari 200 model bersama deployment yang dihosting sendiri seperti kedua model ini, dengan failover otomatis dan harga daftar milik penyedia yang diteruskan tanpa tambahan markup. Pola umumnya adalah membiarkan model visi kecil tetap lokal untuk jalur yang kritis terhadap latensi dan meneruskan permintaan yang lebih sulit serta lebih jarang ke luar — lalu membuktikan pembagian itu dengan lalu lintas nyata sebelum berkomitmen pada salah satu dari keduanya.

Mana yang harus dipilih

Pilih LFM2.5-VL-3B jika target penerapannya adalah ponsel, laptop, atau edge box, jika input Anda berupa tangkapan layar, dokumen, atau foto tunggal, jika Anda memerlukan latensi token pertama di bawah satu detik, atau jika Anda memerlukan salah satu format terkuantisasi yang sudah tersedia untuknya. Cakupan 16 bahasa dan angka ScreenSpot-v2 menjadikannya pilihan yang dapat dipertahankan secara khusus untuk pemahaman layar di perangkat.

Pilih Molmo2-4B jika video termasuk dalam cakupan, jika Anda memerlukan koordinat, bukan prosa, jika Anda memerlukan penalaran multi-gambar atas sekumpulan frame, atau jika tugasnya adalah menghitung objek dalam sebuah scene — perbandingan AI2 sendiri menempatkan keluarga Molmo2 di puncak bidang open-weight dalam penghitungan video, sambil mengakui bahwa tidak ada model dalam evaluasinya yang mencapai akurasi 40%. Perhitungkan jejak sumber dayanya: 19,42 GB bobot float32, konversi ke bfloat16 sebelum serving, dan GPU, bukan ponsel.

Yang benar-benar bisa menyelesaikannya adalah evaluasi gabungan pada satu harness, dengan kuantisasi yang disamakan, dan latensi diukur pada perangkat yang sama. Belum ada vendor yang menerbitkannya, dan sampai ada yang melakukannya, jawaban jujurnya adalah bahwa kedua model ini dirancang untuk pekerjaan yang berbeda dan benchmark-nya memang tidak pernah dimaksudkan untuk dipertemukan.