MiniCPM-V 4.7 vs LFM2.5-VL 3B: un mistero da 70 GB contro un modello da 3B che puoi distribuire su un laptop

MiniCPM-V 4.7 e LFM2.5-VL 3B vengono venduti come appartenenti alla stessa categoria di prodotto — modelli visione-linguaggio compatti che esegui da solo — e in pratica potrebbero difficilmente essere più distanti. LFM2.5-VL 3B è un prodotto finito: un checkpoint documentato da 3,1 miliardi di parametri di Liquid AI con una licenza, una model card, quantizzazioni GGUF in circolazione e un numero sempre minore di buone ragioni per non limitarsi a scaricarlo e provarlo. MiniCPM-V 4.7 è un checkpoint mixture-of-experts sparso da 35,2 miliardi di parametri che OpenBMB ha caricato su Hugging Face il 6 ottobre 2026 senza model card, senza licenza e senza alcun benchmark. Confrontarli non è confrontare due modelli. È confrontare un modello con un artefatto che probabilmente lo diventerà.

Il confronto, detto onestamente fin dall'inizio

Questa pagina può darti un quadro completo di LFM2.5-VL 3B, perché Liquid AI ne ha pubblicata una. Può darti un quadro completo della forma di MiniCPM-V 4.7 e assolutamente nulla sul suo comportamento, perché OpenBMB ha pubblicato un config.json e si è fermata. Tutto ciò che segue sul versante MiniCPM è tratto da quel file di configurazione e dall'indice dei pesi; tutto ciò che riguarda il versante Liquid proviene dalla scheda del modello, e le prestazioni dichiarate dalla scheda stessa sono riportate dal fornitore ed etichettate come tali. Dove esiste un numero per un modello e non per l'altro, la cosa onesta è lasciare visibile la lacuna invece di nasconderla.

Che cosa è ciascuno

LFM2.5-VL-3B è stato rilasciato l'11 agosto 2026. È una variante multimodale della famiglia LFM2.5, pensata per il deployment on-device, e non parte da zero: prende il backbone linguistico LFM2.5-2.6B e lo abbina a un encoder visivo SigLIP2 NaFlex. NaFlex è la parte che conta per il lavoro sui documenti — preserva le proporzioni e la risoluzione native invece di forzare ogni immagine in un quadrato fisso, ed è per questo che i miglioramenti principali presentati nella scheda sono il grounding con query in linguaggio naturale e l'OCR a pagina intera con annotazione del layout. È distribuito con la LFM Open License v1.0 e copre sedici lingue, tra cui inglese, cinese, giapponese, coreano, arabo, hindi, francese, tedesco, spagnolo, portoghese, italiano, polacco, russo, thai, vietnamita e indonesiano. Dato che è un 3B, le build GGUF sono comparse entro un giorno dal rilascio e a settembre è seguita una variante DSpark, quindi l'ecosistema attorno è concreto: oggi puoi scaricare un quant e farlo girare su un laptop.

MiniCPM-V 4.7 è un checkpoint BF16 da 35.212.875.824 parametri, 70,4 GB su sedici shard, classe MiniCPMV4_7ForConditionalGeneration, caricato su openbmb/MiniCPM-V-4.7-35B-A3B il 6 ottobre 2026.

Il suo backbone linguistico è taggato qwen3_5_moe_text — un MoE sparso derivato da Qwen3.5 con 256 esperti e 8 selezionati per token — e i suoi 40 layer seguono un pattern di attenzione fisso da tre lineari a un full, quindi 30 dei 40 layer usano un percorso lineare in stile Mamba invece dell'attenzione convenzionale. Il contesto è di 256K. La torre di visione è quella propria della linea MiniCPM-V, all'incirca con la stessa forma usata da MiniCPM-V 4.6. Non c'è alcun README nel repository, il che su Hugging Face significa che non c'è licenza.

Il confronto che è effettivamente possibile

Sei dimensioni, entrambi i lati, e una nota su ciascuna riguardo a quanto peso ha il numero.

• Parametri totali — LFM2.5-VL 3B: 3,12 miliardi, tutti attivi per token. MiniCPM-V 4.7: 35,2 miliardi in totale, sparso, 8 esperti su 256 attivi per token. Il dato di MiniCPM non è comparabile a un numero di parametri densi e il budget effettivo dei parametri attivi non è pubblicato; considera "A3B" come un nome, non come una misura.

• Dimensione effettiva su disco — LFM2.5-VL 3B: un unico file safetensors da ~6 GB in BF16, o una frazione di ciò in formato GGUF. MiniCPM-V 4.7: 70,4 GB distribuiti su sedici shard, solo BF16.

• Licenza — LFM2.5-VL 3B: LFM Open License v1.0, pubblicata e collegata dalla scheda. MiniCPM-V 4.7: nessuna dichiarata. In assenza di un tag licenza:, la posizione predefinita è tutti i diritti riservati, quindi questo è un blocco, non una nota a piè di pagina.

• Approccio di visione — LFM2.5-VL 3B: SigLIP2 NaFlex, risoluzione nativa con conservazione delle proporzioni, la scheda dichiara OCR a pagina intera con annotazione del layout. MiniCPM-V 4.7: torre personalizzata minicpmv4_7_vision con downsample_mode: "16x" e max_slice_nums: 9.

• Contesto — LFM2.5-VL 3B: gli esempi di serving della card sono modesti rispetto a un design a contesto lungo, e la famiglia punta a budget di memoria on-device. MiniCPM-V 4.7: max_position_embeddings: 262144, con tokenizer model_max_length che concordano a 256K.

• Prove di qualità — LFM2.5-VL 3B: una scheda pubblicata con miglioramenti dichiarati dal fornitore rispetto a LFM2-VL-3B, quantizzazioni di terze parti e una cronologia su Hugging Face di circa 25.900 download. MiniCPM-V 4.7: zero download, tre like, nessuna scheda, nessun benchmark, nessuna valutazione indipendente. Nulla da citare.

• Strumenti — LFM2.5-VL 3B: build GGUF e MLX di terze parti, più una variante DSpark. MiniCPM-V 4.7: nessuna. Non esiste ancora alcun tipo di quantizzazione.

I due terzi di questa pagina che mancano

Ogni articolo di confronto in questo ambito viene pubblicato con un paragrafo di benchmark. Questo no. Non ci sono MMMU, OCRBench, DocVQA, valori di grounding, misurazioni della latenza né dati VRAM per MiniCPM-V 4.7 — non perché fossero scomodi da cercare, ma perché nulla nel repository li contiene e nessuna terza parte li ha prodotti. Un modello caricato senza scheda è, dal punto di vista della valutazione, non misurato. Chiunque ti dica il contrario lo sta desumendo dal nome della famiglia o dal numero di parametri, entrambi scarsi predittori della qualità multimodale.

Lo stesso vale per una questione più sottile: se il MoE sparso aiuti davvero. Un design 35B-A3B scambia memoria totale con calcolo per token, e la qualità nel seguire le istruzioni di un modello sparso dipende interamente da quanto bene è stato addestrato il router. La configurazione mostra un coefficiente della loss ausiliaria di routing pari a 0,001 e un esperto condiviso accanto ai 256 esperti instradati, il che è una configurazione convenzionale — ma una configurazione convenzionale non è prova di un buon routing.

Sul fronte Liquid, il tassello mancante è diverso: le dichiarazioni sulla qualità della card sono del fornitore stesso.

I miglioramenti all'OCR e al grounding sono descritti dalle persone che hanno addestrato il modello e, sebbene le quantizzazioni di terze parti e il volume di download mostrino che la comunità lo ha trovato abbastanza utile da convertirlo, si tratta di una prova di adozione, non di qualità. Nessuno ha pubblicato un confronto testa a testa indipendente.

Quale prenderesti davvero?

L'albero decisionale qui è insolitamente pulito, perché i due modelli non competono per lo stesso compito.

Se hai bisogno di un modello visione-linguaggio che giri su un laptop, un telefono, un Jetson o una singola GPU modesta, LFM2.5-VL 3B è l'unico dei due che risponde alla domanda. È abbastanza piccolo da poter essere quantizzato, ha una licenza che ne consente l'utilizzo, e qualcuno ha già fatto per te il lavoro di conversione. Per layout di documenti, analisi di screenshot e descrizione di oggetti grounded su un footprint di dimensioni e linguistico che rientra in un budget edge, i punti di forza dichiarati dalla scheda sono in linea con l'obiettivo di distribuzione.

MiniCPM-V 4.7 non è un candidato per quel lavoro a 70 GB in BF16. È un candidato per il lavoro opposto: un modello multimodale a contesto lungo e ad alto throughput su hardware server, in carichi di lavoro in cui la finestra da 256K e il risparmio della KV-cache con attenzione lineare sono il punto. Se svolga bene quel lavoro è ignoto, e la questione della licenza deve essere risolta prima che possa svolgere quel lavoro in qualsiasi contesto commerciale.

C'è una terza opzione che vale la pena nominare, ovvero che potresti non dover scegliere. Se l'architettura è "un piccolo modello locale gestisce la maggior parte del traffico e passa i casi difficili a qualcosa di ospitato", la metà locale di questo è una decisione che puoi prendere oggi e la metà ospitata è una decisione di routing. OrcaRouter copre un paio di centinaia di modelli ospitati dietro un'unica chiave al prezzo di listino di ciascun provider, senza alcun sovrapprezzo, con failover quando un provider peggiora — ma sii chiaro su cosa questo non sia: né LFM2.5-VL 3B né MiniCPM-V 4.7 sono modelli ospitati su quel router. Entrambi sono pesi che servi tu stesso. Il router è ciò che sta dietro di loro.

A che punto siamo e cosa aggiornare

Liquid AI ha rilasciato un modello piccolo finito. OpenBMB ne ha rilasciato uno grande non finito. Il confronto che i lettori vogliono — accuratezza contro latenza, OCR contro OCR — non può ancora essere scritto per il lato MiniCPM, e il pezzo che sarebbe disonesto è quello che riempie lo spazio con l'aritmetica del conteggio dei parametri. Tieni d'occhio il README del repository. Il giorno in cui comparirà, porterà la licenza e i primi numeri reali, e quel giorno questo diventa un vero confronto diretto invece di una scheda tecnica accanto a un prodotto.

La metà in hosting di quel pattern è una decisione di routing anziché un secondo contratto.il prezzo di listino di ciascun provider senza alcun ricarico applicato da noiNé LFM2.5-VL 3B né MiniCPM-V 4.7 è un modello ospitato su OrcaRouter - entrambi sono pesi che servi tu stesso.