MiniCPM-V 4.7 1B vs LFM2.5-VL 3B: OpenBMB afferma che il suo 1B batte un 3B. Ecco cosa nasconde questa affermazione

MiniCPM-V 4.7 1B e LFM2.5-VL 3B sono entrambi modelli visione-linguaggio con pesi aperti progettati per telefoni e piccoli computer, e sul calendario distano meno di tre settimane. MiniCPM-V 4.7 1B è stato caricato da OpenBMB il 6 ottobre 2026 e datato 12 ottobre nelle note di rilascio del fornitore. LFM2.5-VL 3B è stato pubblicato da Liquid AI l'11 agosto 2026. Uno ha 1,55 miliardi di parametri ed è Apache 2.0. L'altro ha 3,12 miliardi di parametri con la licenza LFM Open License v1.0. E la stessa pagina prodotto di OpenBMB fa un'affermazione che dovrebbe fermare chiunque compri basandosi solo sulle dimensioni: che il suo modello da 1B supera LFM2.5-VL 3B su OCR, ragionamento sui grafici e comprensione video. I fallimenti dell'IA e gli incidenti degli agenti documentati alla base di rilasci come questo sono raccolti nell'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di confidenza e il flag di contestazione.

Quella frase si fa carico di molto. Ed è anche, per quanto chiunque possa verificare, non smentita dai numeri — il che è più interessante di quanto lo sarebbe se lo fosse. Questo articolo esamina ciò che ciascun fornitore ha effettivamente pubblicato, dove il confronto è reale e i due punti in cui l'affermazione cambia silenziosamente argomento.

L'affermazione, nelle parole stesse del fornitore

La pagina del modello 1B di OpenBMB afferma che il modello "è un aggiornamento completo rispetto a MiniCPM-V 4.6-1.3B e supera Qwen3.5-0.8B e LFM2.5-VL-3B, restando al di sopra della propria classe dimensionale in OCR, ragionamento sui grafici e comprensione video". La clausola che conta è "restando al di sopra della propria classe dimensionale". Il confronto con LFM2.5-VL 3B viene offerto come prova della densità di capacità; la frase che segue limita l'affermazione a una classe dimensionale in cui LFM non rientra.

La scheda di Liquid AI non ricambia il favore. Non menziona affatto MiniCPM e confronta il proprio modello con G​emma4 E2B ed E4B, InternVL 3.5 2B e 4B, e Qwen3.5-2B e 4B. Quindi si tratta di un confronto unilaterale: un fornitore si è misurato con l'altro, e l'altro non ha mai riconosciuto il confronto. Questa asimmetria è la prima cosa da sapere prima di leggere qualsiasi confronto diretto, incluso questo.

Cosa dichiara ufficialmente ciascun fornitore

Liquid AI pubblica una tabella numerica. LFM2.5-VL-3B riporta MathVista 68,5, MMMU Pro 30,5, ChartQA 81,3 e OCRBenchv2 47,5 (sottoinsieme solo in inglese), insieme ai punteggi di un modello affine sulle stesse righe. Quelli sono numeri del fornitore, eseguiti dal fornitore, e nessun soggetto indipendente deve concordare con essi — ma sono falsificabili, ed è questo che li rende utili. Se riproduci 55 su MathVista, sai che qualcosa nella tua configurazione è diverso.

OpenBMB pubblica un riepilogo numerico in prosa e i grafici completi sotto di esso. Per il modello 1B, la pagina riporta OCRBench 86.1, MathVista 74.3, CharXiv Reasoning 48.8, LongVideoBench 53.4 e MotionBench 54.55, e presenta il resto del confronto come immagini con una colonna 4× e 16×. La model card stessa non contiene alcuna tabella di benchmark.

Confronta i due sull'unico benchmark che entrambi nominano. MathVista: MiniCPM-V 4.7 1B a 74,3, LFM2.5-VL 3B a 68,5. Il modello 1B è avanti di 5,8 punti secondo i dati riportati dal fornitore stesso. Sull'OCR, i due usano strumenti diversi — OCRBench rispetto al sottoinsieme inglese di OCRBenchv2 — e i numeri non sono confrontabili, che è esattamente il tipo di dettaglio che una frase con "supera" salta.

Dove il confronto è omogeneo

• Parametri — 1,55B denso, BF16, 3,1 GB su disco rispetto a 3,12B denso, BF16; LFM è circa il doppio del modello

Encoder visivo — torre in stile SigLIP2, 27 layer, 1152 dimensioni nascoste, riquadri da 980 pixel rispetto a SigLIP2 NaFlex 400M, patch non sovrapposte da 512×512 più una miniatura ridimensionata

• Backbone testuale — una configurazione derivata da Qwen3.5 con 24 layer, 1024 unità nascoste, uno schema di attenzione lineare-completa 3:1 rispetto a LFM2.5-2.6B, un'architettura ibrida di concezione propria di Liquid AI

• Contesto — 262.144 token vs 32.768 token

• Budget di token visivi — compressione selezionabile 4× o 16× per richiesta rispetto a un budget fisso di patch NaFlex impostato dalla risoluzione

• Licenza — Apache 2.0 vs LFM Open License v1.0, che comporta termini commerciali anziché una semplice permissività

• Lingue nominate — inglese e cinese negli esempi della scheda vs 16 lingue elencate esplicitamente (dall'arabo al vietnamita)

• Valutazione pubblicata — cinque figure in prosa più confronti solo grafici rispetto a una tabella numerica su quattro benchmark e sei modelli affini

• Valutazione indipendente — al momento della stesura, nessuna voce in Artificial Analysis per nessuno dei due, rispetto a nessuna voce in Artificial Analysis neanche per l'altro

• Velocità dichiarata dal fornitore — nessun dato sui token al secondo per il modello 1B su alcun dispositivo, rispetto a 228 tok/s su un Apple M5 Max, 116 tok/s su un AMD Ryzen AI Max+ 395, 20 tok/s su un Galaxy S26 Ultra

• Memoria — circa 3,1 GB BF16; Q4 GGUF 0,67 GB più un proiettore visivo da 0,90–1,11 GB rispetto a meno di 3,3 GB come pubblicato, con build GGUF, ONNX e MLX disponibili

• Percorsi di serving indicati — Transformers, SGLang, vLLM, llama.cpp, Ollama, OpenVINO, decodifica speculativa DSpark rispetto a Transformers, vLLM, SGLang, llama.cpp, oltre alle esportazioni GGUF, ONNX e MLX

• Esperienza on-device — app iOS, Android e HarmonyOS e supporto day-0 per Rockchip, Houmo, Intel, AMD e Arm, dimostrato su un iPhone 17 Pro Max rispetto a un dato di decodifica di Galaxy S26 Ultra e una build MLX per Apple Silicon

Due righe meritano un secondo sguardo. La finestra di contesto è una differenza di otto volte a favore di MiniCPM, ed è il tipo di numero che sembra decisivo finché non si ricorda che un modello da 1B che gestisce 262k token mantiene una KV cache più grande dei propri pesi. In pratica, su un telefono, nessuno dei due modelli funzionerà neanche lontanamente vicino al proprio limite. E la riga della licenza è quella che decide l'adozione commerciale più spesso di qualsiasi benchmark: Apache 2.0 non richiede nessuna conversazione con un avvocato, mentre la LFM Open License sì.

La parte su cui l'affermazione cambia argomento

OpenBMB sta confrontando il proprio modello con un concorrente grande il doppio, su benchmark che ha scelto, e riportando il risultato in prosa. Non è disonesto — i numeri sono pubblicati e il confronto è dichiarato. Ma sta rispondendo a una domanda che nessuno che mette in produzione un modello si pone davvero. Nessuno sceglie tra un 1B e un 3B perché vuole che quello più piccolo sia migliore. Sceglie perché uno sta sul suo dispositivo e l'altro no, o perché uno ha la copertura linguistica di cui ha bisogno, o perché la licenza di uno supera la revisione legale.

Sul primo di questi, la lettura onesta è che entrambi ci stanno. La scheda di LFM2.5-VL-3B dichiara meno di 3,3 GB e dimostra 20 token al secondo su un Galaxy S26 Ultra. MiniCPM-V 4.7 1B a Q4 con il suo proiettore si attesta vicino a 1,8 GB. Quindi il vero vantaggio del modello 1B non è "gira su un telefono e l'altro no" — è il margine: circa un gigabyte e mezzo in meno di memoria, che su un dispositivo Android di fascia media è la differenza tra un'app che sopravvive e una che il sistema uccide.

Sul secondo punto, il confronto si inverte. LFM2.5-VL-3B elenca 16 lingue nella sua scheda e distribuisce build ONNX e MLX insieme a GGUF. La documentazione di MiniCPM-V 4.7 1B è orientata a esempi in inglese e cinese, e la sua proposta on-device è orientata al supporto dei chip iOS, Android e HarmonyOS anziché alla copertura linguistica. Se il tuo prodotto viene distribuito in turco, polacco o vietnamita, il modello più grande con la licenza più restrittiva è quello che ha l'impegno dichiarato a supportarti.

Per quanto riguarda il terzo, Apache 2.0 vince nettamente e non c'è molto da discutere.

In che cosa ciascuno è davvero migliore

LFM2.5-VL-3B è costruito attorno a un insieme specifico di compiti, e la sua scheda lo dichiara: lavoro a turno singolo, ad alto throughput e a bassa latenza, come il rilevamento di oggetti quasi in tempo reale in contesti automobilistici, l'OCR in batch di documenti scansionati con annotazione del layout e la traduzione on-device di menu e segnali stradali. La scheda indica anche per cosa il modello è non adatto — compiti a contesto lungo e ad alta intensità di ragionamento, progettazione web visiva, domande tecniche sui progetti. Questo tipo di guida negativa è raro e merita più fiducia delle affermazioni positive.

MiniCPM-V 4.7 1B è costruito attorno alla densità di capacità all'estremo inferiore della gamma dimensionale. La compressione mista dei token 4×/16× ne è l'espressione più chiara: lo stesso checkpoint può servire una lettura dettagliata di documenti e un passaggio economico su miniature, scelto per richiesta. I controlli di suddivisione (36 slice per le immagini, 1 per il video), i parametri di campionamento dei frame per il video e le voci separate del cookbook per il parsing PDF e il grounding indicano tutti un carico di lavoro documentale e su schermo piuttosto che di rilevamento. Include inoltre teste di decodifica speculativa DSpark come artefatto separato da 213M di parametri, che è una vera leva di throughput se il tuo runtime lo supporta e peso morto se non lo fa.

La distinzione pratica: se stai rilevando oggetti in un flusso video di una telecamera o traducendo insegne a 20 fotogrammi al secondo, i dati di latenza e la copertura linguistica dell'LFM sono l'argomento a favore. Se stai trasformando screenshot, ricevute e immagini di pagine in testo strutturato con un budget di token che controlli, l'interruttore di compressione di MiniCPM è l'argomento a favore.

Il divario che un acquirente dovrebbe incorporare nel prezzo

LFM2.5-VL-3B è disponibile dall'11 agosto 2026 — dieci settimane al momento della stesura — il che, in termini di pesi aperti, è un tempo sufficientemente lungo perché l'ecosistema della quantizzazione si assesti. Le build GGUF, ONNX e MLX vengono distribuite direttamente dal fornitore. Qualsiasi runtime tu sia probabilmente destinato a usare ha un percorso funzionante.

MiniCPM-V 4.7 1B ha tre settimane e la sua scheda si apre con un avvertimento sui disallineamenti di versione CUDA che compromettono la decodifica video tramite torchcodec, con due soluzioni alternative documentate. L'architettura è nuova — un model_type che un mese fa non esisteva — e la versione minima di Transformers è 5.18.0. Niente di tutto ciò è un difetto. È il pedaggio standard per l'adozione di un modello nel suo primo mese, e il motivo per cui un rilascio discreto con valutazione basata su grafici è un buon candidato per un test di confronto affiancato e un candidato discutibile per un percorso di produzione nella prima settimana.

Il modo economico per eseguire quel test è mantenere in servizio il modello incumbent mentre valuti il nuovo arrivato, il che è un problema di routing più che di modellazione. OrcaRouter esegue oltre 200 modelli ospitati dietro un unico endpoint compatibile con OpenAI a markup 0%, trasferendo invariato il prezzo di listino di ciascun provider, così un taglio di prezzo da parte di un fornitore compare nella tua fattura lo stesso giorno anziché dopo un ciclo di riprezzamento. Il suo DSL di routing può mantenere un primario e un fallback in un'unica chiamata, e il failover automatico mantiene attivo il percorso quando un provider ha un'ora difficile — che è ciò che vuoi quando il modello in prova è un checkpoint locale da 1B e il modello in produzione è qualcosa per cui stai pagando. Nessuno dei due modelli in questo articolo è in quel catalogo: entrambi sono checkpoint che esegui tu stesso, e il router si colloca attorno a essi invece di offrire un modo per chiamarli.

La richiesta, risolta

MiniCPM-V 4.7 1B batte LFM2.5-VL 3B? Su MathVista, di 5,8 punti secondo quanto riportano entrambi i fornitori. Sull'OCR, i due hanno pubblicato strumenti diversi e il confronto non è possibile. Sul ragionamento sui grafici e sulla comprensione dei video, OpenBMB dichiara una vittoria e la pubblica sotto forma di grafico, e Liquid AI non ha mai risposto. L'unico confronto del tutto verificabile sostiene l'affermazione; gli altri sono il fornitore che si dà il voto da solo, in un formato che si sottrae alla citazione.

Ciò che l'affermazione non regge è la lettura secondo cui "il modello più piccolo è semplicemente migliore". LFM2.5-VL-3B offre sedici lingue, build ONNX e MLX esportate, un dato di velocità documentato su un telefono Android in commercio e una scheda che ti dice dove non usarlo. MiniCPM-V 4.7 1B offre un budget di token selezionabile, una finestra di contesto da 262k, Apache 2.0 e circa 1,8 GB di memoria quantizzata. Sono prodotti diversi presentati nella stessa riga di benchmark, e la risposta giusta dipende da quale di questi elenchi corrisponde al tuo deployment — non da quale numero sia più grande.

Prova entrambi sulle tue immagini con la tua quantizzazione. I pesi sono gratuiti e il pomeriggio è l'unico costo.