Molmo2-4B vs LFM2.5-VL-3B: 19 GB di pesi contro 3 GB di telefono

Metti i due checkpoint fianco a fianco su disco e il confronto è quasi finito prima ancora di iniziare. Molmo2-4B viene distribuito come 19,42 GB di safetensors float32 su quattro shard. Il repository nativo di LFM2.5-VL-3B totalizza 6,27 GB, e la scheda di Liquid promette che funziona con "meno di 3,3 GB di memoria". Una volta quantizzato il modello più piccolo, si tratta di un divario di circa sei a uno nell'ingombro per due modelli di cui si parla come se fossero piccoli modelli visione-linguaggio intercambiabili. Non sono intercambiabili, e il motivo non è la qualità. Uno dei due è costruito per rispondere a domande su un video di 384 fotogrammi. L'altro è costruito per rispondere a domande su una fotografia su un telefono con la radio spenta.Nessuno dei due modelli è ospitato qui, quindi il ruolo della piattaforma è lo stack circostante.Prezzi con ricarico dello 0%Il prezzo di listino del provider viene trasferito invariato.

Nessuno dei due modelli è nuovo, il che conta se sei arrivato da una pagina di risultati che lasciava intendere il contrario. Molmo2-4B è stato annunciato dall'Allen Institute for AI l'11 dicembre 2025 e i suoi pesi sono stati pubblicati il 14 dicembre. LFM2.5-VL-3B è stato rilasciato da Liquid AI il 12 agosto 2026. Ciò che è cambiato di recente è più circoscritto e più utile di un lancio: Molmo2 è diventata un'architettura di prima classe nei Transformers upstream, con la PR #43451 unita il 9 ottobre 2026 e il modello distribuito per la prima volta nella v5.20.0 il 15 ottobre, ponendo fine al periodo in cui bisognava passare trust_remote_code=True e installare un pacchetto molmo_utils separato. Il 5 novembre Ai2 ha anche pubblicato Molmo2-4B-tb, un fine-tuning per la robotica costruito esattamente su questo checkpoint. Nessuno dei due eventi rende nuovo Molmo2-4B. Entrambi lo rendono finalmente pratico da eseguire.

La questione della memoria, in cifre anziché in aggettivi

Prima le dimensioni, perché decidono la maggior parte dei deployment prima che venga consultato un singolo benchmark.

Parametri — Molmo2-4B è 4,850,869,200 ripartiti tra una torre visiva SigLIP 2 e un nucleo linguistico Qwen3-4B-Instruct-2507; LFM2.5-VL-3B è 3,123,483,888 ripartiti tra un encoder SigLIP2 NaFlex 400M e un backbone LFM2.5 da 2,6B.

• Formato dei pesi distribuiti — Molmo2-4B è distribuito in float32, 19,42 GB su disco, quattro shard; LFM2.5-VL-3B è distribuito in bfloat16 a 6,27 GB, con esportazioni ufficiali GGUF, ONNX e MLX pubblicate insieme.

• Ingombro di runtime dichiarato — Liquid afferma meno di 3,3 GB per LFM2.5-VL-3B in inferenza; AI2 non pubblica alcun dato sulla memoria di runtime per Molmo2-4B, e la distribuzione float32 significa che dovrai eseguire il cast prima di metterlo in servizio.

• Throughput — Liquid riporta 228 token/s su un Apple M5 Max, 116 token/s su un AMD Ryzen AI Max+ 395 e 20 token/s su un Galaxy S26 Ultra. Non esiste un dato pubblico equivalente per Molmo2-4B, a nessuna dimensione.

• Contesto — 32.768 token per LFM2.5-VL-3B; 36.864 posizioni nella configurazione testuale di Molmo2-4B, raggiunte tramite una fase dedicata di fine-tuning a contesto lungo a 384 frame.

L'ultima coppia merita un'avvertenza più che un confronto. I 36.864 di Molmo2-4B sono un budget di lunghezza della sequenza che la sua pipeline video consuma rapidamente: il preprocessore video rilasciato usa per impostazione predefinita 384 frame a 2 fps, ridimensionati a 378×378 con pooling 3×3. Una clip lunga può consumare l'intera finestra solo con i frame, lasciando poco spazio alla domanda. I 32.768 di LFM2.5-VL-3B vengono spesi per testo e patch di immagine, perché non ha affatto un percorso video.

Il video è la linea di demarcazione, non la tabella dei benchmark

LFM2.5-VL-3B elabora testo e immagini. Questa è l'intera superficie di input. È molto bravo in ciò per cui è stato creato — OCR a pagina intera con annotazione del layout, rilevamento di oggetti da query in linguaggio naturale, lettura dello schermo e lavoro quasi in tempo reale sul dispositivo — ma un video non è uno dei suoi input, e nessuna quantità di prompt engineering può cambiarlo.

Molmo2-4B è stato costruito al contrario. La model card di Ai2 elenca nove set di addestramento, e cinque di questi sono video o multi-immagine: QA con didascalie video, QA con sottotitoli video, pointing video, tracking video, QA multi-immagine, pointing multi-immagine. L'output di pointing è la parte insolita. Le coordinate vengono restituite in scala 0–1000 rispetto alla larghezza e all'altezza dell'immagine, in un formato con tag per cui la scheda fornisce una regex, così una risposta a "dov'è la barca" è un punto numerico anziché una frase. Lo stesso formato trasporta un timestamp in modalità video, ed è ciò che rende possibile il tracking a livello di frame.

Se il tuo compito è uno screenshot, una pagina scansionata, una fotografia di uno scaffale o di un menu, nulla di tutto ciò conta, e il modello da 3 GB è semplicemente la scelta ingegneristica migliore. Se il tuo compito è «trovare il momento in cui la cassa cade dal pallet», LFM2.5-VL-3B non può entrare nel confronto.

Due medie di fornitori che non devono essere sottratte l'una dall'altra

Ecco dove la maggior parte delle pagine di confronto sbaglia. Liquid riporta una media di 69,4 per LFM2.5-VL-3B su una tabella di visione con 28 benchmark. AI2 riporta una media di 62,8 per Molmo2-4B su 15 benchmark accademici. Metti quei due numeri uno accanto all'altro e LFM2.5-VL-3B sembra migliore di 6,6 punti. Non è un confronto valido: set di benchmark diversi, formati di prompt diversi, impostazioni di decodifica diverse e, nel caso di Liquid, una suite selezionata dai suoi stessi autori.

Che cosa ogni fornitore riporta effettivamente, con la provenienza allegata:

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

• Molmo2-4B, dato dichiarato dal fornitore — media di 62,8 su 15 benchmark accademici, rispetto a 63,1 per l'omologo da 8B, 58,1 per Qwen3-VL-4B, 53,4 per InternVL3.5-4B, 59,6 per Claude Sonnet 4.5, 70,0 per Gemini 3 Pro e 70,6 per GPT-5 nella stessa tabella.

• Non riportato da nessuno dei due fornitori — un harness condiviso. Nessuna delle due aziende ha pubblicato i risultati di Molmo2-4B sulla suite di 28 benchmark di Liquid né i risultati di LFM2.5-VL-3B sulla tabella di 15 benchmark di AI2.

L'unico asse davvero comparabile è la dimensione del modello, e su questo il modello da 4,85B batte il modello da 3,12B sulla media propria di AI2, mentre perde nettamente in termini di impronta di distribuzione. Questo è il compromesso, detto chiaramente.

Licenze: nessuna delle due sembra essere l'Apache-2.0

Entrambe le carte hanno un'etichetta che suona permissiva, ed entrambe nascondono un tranello che un revisore degli acquisti scoprirà.

• Molmo2-4B — pesi con licenza Apache 2.0, ma la scheda aggiunge che il modello «è addestrato su dataset di terze parti soggetti a uso esclusivamente accademico e di ricerca non commerciale» e invita a rivedere le fonti prima di decidere se il modello fa al caso tuo. I pesi sono aperti; la provenienza dei dati non è limpida per un uso commerciale, e Ai2 lo dichiara sulla scheda anziché in una nota a piè di pagina.

• LFM2.5-VL-3B — la LFM Open License v1.0, che non è una licenza OSI. L'uso commerciale è concesso a determinate condizioni: la sezione 5 subordina i diritti commerciali alla condizione che la tua entità giuridica rimanga al di sotto di una Soglia definita, e la licenza definisce tale Soglia come un fatturato annuo pari o superiore a 10 milioni di dollari statunitensi.

Nessuna delle due restrizioni è insolita per un rilascio legato alla ricerca. Entrambe significano che la domanda «possiamo rilasciarlo?» ha una risposta diversa per un prototipo sviluppato da due persone e per un'azienda finanziata, e le due risposte puntano in direzioni opposte a seconda del modello scelto.

Eseguendo uno dei due oggi

La model card di Molmo2-4B è ormai indietro rispetto alla libreria. Continua a indicare di installare transformers==4.57.1, passare trust_remote_code=True e installare molmo_utils e decord2. Quella ricetta funziona. Ma non è più l'unica: dalla v5.20.0, Transformers standard include una classe Molmo2ForConditionalGeneration con la propria configurazione, image processor, video processor e processor, quindi il percorso remote-code è opzionale anziché obbligatorio. vLLM supporta Molmo2 tramite la propria classe di modello da poco dopo il lancio; la documentazione della piattaforma AI2 rimanda ancora alle wheel nightly anziché a una release stabile, cosa che vale la pena sapere prima di fissare una versione in produzione.

LFM2.5-VL-3B ha la storia di deployment più matura delle due, e non c'è partita: pesi nativi più esportazioni GGUF, ONNX e MLX, con llama.cpp, vLLM e SGLang tutti elencati come supportati, e throughput pubblicato su tre diversi dispositivi hardware di consumo. Se il tuo obiettivo è un laptop, un telefono o un single-board computer, quell'ecosistema è il prodotto.

Una nota pratica per chiunque stia pianificando di instradare richieste tra i due: nessuno dei due modelli è nel catalogo OrcaRouter, e sarebbe sbagliato leggere un confronto come questo come un'affermazione sulla disponibilità.un'unica API per più di 200 modelli insieme a un deployment self-hosted come questi due, con failover automatico e il prezzo di listino del provider stesso applicato senza alcun ricarico aggiunto. Lo schema abituale è mantenere il piccolo modello visione in locale per il percorso critico per la latenza e instradare all'esterno le richieste più difficili e rare — e dimostrare questa suddivisione con traffico reale prima di impegnarsi su uno dei due.

Quale scegliere?

Scegli LFM2.5-VL-3B se il target di distribuzione è un telefono, un laptop o un dispositivo edge, se i tuoi input sono screenshot, documenti o singole fotografie, se ti serve una latenza del primo token inferiore al secondo, oppure se ti serve uno dei formati quantizzati già esistenti per esso. La copertura di 16 lingue e i numeri di ScreenSpot-v2 ne fanno una scelta difendibile specificamente per la comprensione dello schermo on-device.

Scegli Molmo2-4B se il video rientra nell'ambito, se hai bisogno di coordinate anziché di prosa, se ti serve un ragionamento multi-immagine su un insieme di fotogrammi o se il compito consiste nel contare oggetti in una scena — il confronto interno di AI2 colloca la famiglia Molmo2 in cima al campo dei modelli open-weight sul conteggio nei video, pur ammettendo che nessun modello della sua valutazione raggiunge il 40% di accuratezza. Metti in budget l'ingombro: 19,42 GB di pesi float32, una conversione a bfloat16 prima del serving e una GPU anziché un telefono.

Ciò che lo risolverebbe adeguatamente sarebbe una valutazione congiunta su un unico harness, con quantizzazione allineata e latenza misurata sullo stesso dispositivo. Nessuno dei due fornitori ne ha pubblicata una e, finché qualcuno non lo farà, la risposta onesta è che questi due modelli sono stati progettati per compiti diversi e i benchmark non erano mai stati pensati per incontrarsi.