LFM3-VL-2B vs North Micro Vision Instruct: Due lettori di documenti, un muro di licenze

Il divario di accuratezza tra LFM3-VL-2B e North Micro Vision Instruct è reale ma contenuto: circa 4,6 punti su DocVQA e 7,1 su OCRBench, entrambi nella stessa direzione. Il divario che decide le implementazioni non è affatto un benchmark. North Micro Vision Instruct è distribuito con licenza Apache 2.0. LFM3-VL-2B è distribuito con la LFM Open License v1.0, che concede l'uso commerciale solo finché la vostra entità rimane sotto i 10 milioni di dollari di fatturato annuo.

Entrambi i modelli sono piccoli, entrambi sono open-weight ed entrambi sono stati creati per leggere pagine anziché per chiacchierare di fotografie. Uno è stato pubblicato in agosto 2026 e ha avuto due mesi di download e port. L'altro è apparso su Hugging Face il 19 ottobre, è stato annunciato formalmente il 27 ottobre e ha 255 download. Questo confronto è quindi in parte una questione di benchmark e in parte una questione su quale rischio puoi accettare di convivere: un modello non collaudato o uno senza licenza.

Cosa è realmente ciascun modello

LFM3-VL-2B è il modello denso da 1,92B di Liquid AI: una backbone linguistica da 1,73B, un encoder visivo interno da 164M progettato per usare circa tre volte meno calcolo rispetto a SigLIP2, e un proiettore da 25M. Accetta testo, immagini e video a 2 fps, restituisce testo, supporta una modalità di pensiero, dispone di un contesto da 128K e copre 16 lingue. Il repository include build BF16, GGUF, MLX a 4 bit e ONNX, anche se il supporto a llama.cpp è ancora in revisione e non ha un percorso video.

North Micro Vision Instruct è il modello da 2,4B di Cohere Labs: un backbone linguistico da 2B della famiglia North Micro più un encoder da circa 400M continuato da SigLIP2 SO400M, con un proiettore in stile DeepStack. Accetta testo e immagini intercalati a risoluzione nativa, fino a 1654×2339 — una pagina A4 completa a 200 dpi — e genera testo. Il modello linguistico ha un contesto di 128K, ma Cohere afferma che l'addestramento multimodale è stato validato solo fino a 8K. Apache 2.0, vocabolario da 262K, da 11 a 12 lingue.

Queste specifiche sembrano simili e non lo sono. Un contesto da 128K è un tetto ai token a cui il modello può prestare attenzione. L'input a risoluzione nativa è la decisione di non ridimensionare la pagina fin dall'inizio. Per una fattura scansionata con una tabella nell'angolo, la seconda conta più della prima.

I numeri del documento, letti con le dovute riserve

Sui benchmark pubblicati da entrambe le schede, LFM3-VL-2B è in testa:

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

• OCRBench — 86,3 vs 79,2.

• ChartQA — 92,7 vs 80,8.

• AI2D — North riporta 77,5; Liquid non pubblica una riga AI2D direttamente comparabile.

• RefCOCO-avg — 90.5 vs 73.2, sebbene le due schede descrivano queste medie in modo abbastanza diverso da rendere la sottrazione indicativa anziché esatta.

Tutti questi dati sono dichiarati dai fornitori, su harness scelti dai fornitori, senza alcuna riproduzione indipendente di nessuno dei due modelli. Il divario su DocVQA è abbastanza stretto che una differenza nel formato del prompt potrebbe colmarlo. Il divario su ChartQA, pari a quasi 12 punti, è meno probabilmente rumore, e il divario di 7,1 punti su OCRBench è coerente con un modello che è stato addestrato esplicitamente su dati di documenti e grafici con una modalità di ragionamento associata.

Il numero interessante non è sulle righe del documento. È MMMU, dove LFM3-VL-2B riporta 55,7 e North Micro Vision Instruct riporta 32,9. Non è una differenza di tuning; è un prodotto diverso. La scheda di Cohere dice che il modello non è un modello di ragionamento per scelta deliberata, non effettua tool calling e sconsiglia i prompt di sistema. Legge le pagine. La scheda di Liquid dichiara il ragionamento di livello universitario come una delle 62 categorie misurate. Se il tuo compito è «estrarre i totali da queste 400 fatture», entrambi funzionano. Se il tuo compito è «decidere se questa fattura viola la policy», solo uno è stato costruito per questo.

Dove l'affermazione sui 128K diventa scivolosa

Il contesto da 128K di LFM3-VL-2B è il dato pubblicato più generoso, ma la lunghezza del contesto non equivale a un contesto multimodale utilizzabile. La scheda non indica quanti token immagine consuma una pagina alla risoluzione nativa e non pubblica alcun numero massimo di frame per i video. North Micro Vision Instruct pubblica il tipo opposto di numero: un contesto linguistico da 128K con addestramento multimodale validato fino a 8K. Si tratta di una divulgazione prudente, e più utile di un numero più grande senza alcun budget visivo dichiarato.

Il test pratico per entrambi i modelli è lo stesso: misura i token per pagina sui tuoi documenti prima di progettare in base a una finestra di contesto. Una finestra da 128K che contiene quattro pagine alla tua risoluzione non è un flusso di lavoro documentale da 128K.

La licenza è la decisione

Apache 2.0 è Apache 2.0. Puoi usare North Micro Vision Instruct commercialmente con qualsiasi livello di ricavi, modificarlo, ridistribuirlo e ospitarlo, a condizione che tu mantenga le note legali. Questo è l'intero accordo e, per una startup che costruisce un prodotto documentale, elimina un'intera categoria di revisione legale.

La LFM Open License v1.0 non è questo. Definisce l'uso commerciale in senso ampio — «qualsiasi uso dell'Opera per un vantaggio commerciale diretto o indiretto o per un compenso monetario» — e subordina la licenza alla condizione che il licenziatario rimanga al di sotto di una soglia di ricavi annui di 10 milioni di dollari. Al di sopra di tale soglia, l'uso commerciale «non è concesso in licenza ai sensi del presente Contratto». Le organizzazioni senza scopo di lucro qualificate sono esenti per scopi non commerciali e di ricerca. La ridistribuzione è consentita con attribuzione e indicazione delle modifiche. Il testo della licenza che abbiamo letto non contiene alcuna restrizione separata sull'hosting, quindi il vincolo è il tetto dei ricavi, non un divieto di fornitura del servizio.

Quel tetto massimo genera una conversazione imbarazzante. Un'azienda con 9 milioni di dollari di fatturato può distribuire LFM3-VL-2B oggi e perdere la licenza crescendo. Il modello non smette di funzionare; è il permesso che viene meno. Per un prodotto con una roadmap di due anni, è un punto da verificare nella due diligence, non una nota a piè di pagina.

Il divario di adozione è di per sé un segnale

North Micro Vision Instruct è stato scaricato circa 35.000 volte da quando il suo repository è apparso il 10 agosto 2026. LFM3-VL-2B ha 255 download e 34 like dal 19 ottobre. Due mesi contro nove giorni spiegano in parte la differenza, ma non tutta: l'annuncio della famiglia LFM3 del 27 ottobre è stato un singolo post di blog che copriva sei modelli, e il checkpoint vision ne ha ricevuto un solo paragrafo.

Le release silenziose non sono automaticamente release negative. Un modello senza prezzo di lancio, senza provider di hosting e con il supporto ai framework ancora in revisione è un modello che valuti sul tuo hardware, e il basso numero di download significa per lo più che nessuno lo ha ancora fatto. Significa anche che non ci sono quantizzazioni della community, nessun issue tracker pieno di correzioni e nessun benchmark di terze parti su cui fare affidamento. North Micro Vision li ha tutti e tre.

Quanto costa ciascuno, a quanto si può dire

Nessuno dei due modelli pubblica un prezzo API sulla propria scheda. North Micro Vision Instruct è disponibile tramite la piattaforma di Cohere ed è stato adottato da diversi host di terze parti; LFM3-VL-2B è disponibile su Liquid's Playground e tramite API senza un tariffario, e Hugging Face non elenca alcun provider di inferenza per esso. Su hardware di proprietà il confronto è 2,4B parametri contro 1,92B, ovvero all’incirca 4,8 GB contro 3,84 GB in BF16 — abbastanza vicini da non rendere il costo GPU il fattore decisivo.

Il fattore decisivo è operativo. Se si noleggia un modello di visione ospitato invece di possedere uno dei due checkpoint, OrcaRouter applica il prezzo di listino del fornitore con un ricarico dello 0%, così una variazione di prezzo del fornitore è attiva dalla nostra parte lo stesso giorno anziché al successivo rinnovo contrattuale. Oggi non serviamo LFM3-VL-2B né North Micro Vision Instruct, e questo articolo non sostiene il contrario; il punto è che l'alternativa ospitata ha un prezzo sufficientemente trasparente da poter essere confrontata con il calcolo del self-hosting di cui sopra.

Chi dovrebbe scegliere cosa

Scegli North Micro Vision Instruct se hai bisogno di Apache 2.0, se vuoi un modello con due mesi di utilizzo da parte della community alle spalle, oppure se i tuoi documenti sono pagine intere alla risoluzione nativa e il tuo compito si ferma all'estrazione. Accetta che non ragionerà sui campi estratti.

Scegli LFM3-VL-2B se hai bisogno di input video, di una modalità di ragionamento o di un assistente visivo più ampio che si trovi a leggere bene anche i documenti, e se sei comodamente al di sotto della soglia di fatturato o puoi negoziare una licenza separata. Accetta il fatto di essere un early adopter di un checkpoint privo di valutazione indipendente e con un supporto incompleto da parte dei framework.

Non scegliere nessuno dei due, tuttavia, se il tuo flusso di lavoro richiede un endpoint ospitato a pagamento con un contratto di supporto. La fascia piccola open-weight sta migliorando rapidamente, ma con 255 download il nuovo arrivato non è stato messo alla prova da nessuno al di fuori del suo laboratorio.