LFM3-Omni-2B vs MiniCPM-V 4.7 35B-A3B：新参者と現王者

2つの数字はどちらも事実だが、どちらもそれを評価と読むならば誤解を招く：MiniCPM-V 4.7 35B-A3Bは約289,000回ダウンロードされており、LFM3-Omni-2Bは83回ダウンロードされている。この差は一方的な圧勝に見える。だが実際にはカレンダーの問題だ。OpenBMBの重みは2026年10月6日に公開され、Liquid AIのものは10月21日に公開され、10月27日に発表された——これらの数字が読まれたのはその翌日である。1週間しか存在していないモデルにダウンロード履歴はあり得ず、6週間先行し、既存のMiniCPMのフォロワーを持つモデルは、相応しいかどうかに関わらず履歴を持つことになる。

したがって、興味深い比較は人気ではありません。端末向けの小型マルチモーダルモデルを選ぶチームが実際に重視すべきなのは、音声を扱う必要があるか、6通りに量子化する必要があるか、そして製品が収益を生む段階になっても安心して使えるライセンスはどれか、という点です。

各モデルが何であるか

MiniCPM-V 4.7 35B-A3Bは、OpenBMB初のmixture-of-experts視覚言語モデルです。35.2億の保存パラメータを持ち、トークンごとに256個中8個をルーティングし、約30億がアクティブ、テキスト層は40層です。その背後には隠れ次元1,152の27層ビジョンタワーがあり、テキストスタックの6層目に挿入されます。画像、複数画像セット、動画、テキストを読み取り、テキストで回答します。70.4 GBの重みのどこにも音声経路はありません。このモデルカードの目玉は精度ではなく実用性です。約3 GBのメモリを使い、iPhone 17 Pro Max上で毎秒13トークン超を実現しており、これは次層のエキスパートを予測し、現層の計算中にそれらを先読みするLookahead Expert Schedulingの仕組みによって可能になりました。

LFM3-Omni-2Bは、Liquid AIのLFM3ファミリーにおけるオムニモデルです。LFM3-1.7Bバックボーン上に21.7億の密パラメータを持ち、LFM3ビジョンエンコーダーとLFM3因果音声エンコーダーが単一の128,000トークン語彙に供給します。テキスト、画像、音声付きまたは音声なしの動画、16 kHz音声を読み取り、テキストまたは24 kHz音声を出力します。単一の応答内でテキストと音声を交互に含めることも可能です。設計上、非推論モデルであり、カードにはenable_thinking=Trueがサポートされていないと記載されています。スマートフォン、ラップトップ、エッジハードウェア向けに位置付けられています。

どちらもスマートフォンに収まる。ただし、それを前提に設計されているのは一方だけだ。

両方を「デバイス上の小型モデル」として片付けて先に進むのは簡単だ。だがその根底にあるエンジニアリングは正反対だ。

OpenBMBが抱えていた問題は携帯端末上のメモリ帯域だった。そのため、トークンごとに読み出す必要のある量を減らす形でモデルは疎になっている。35.2Bを保存し、3Bに触れる。Lookahead Expert Schedulingがその証拠だ。エキスパートのプリフェッチを構築するのは、ボトルネックが重みの移動であって、重みの乗算ではないときだけだ。LFM3-Omni-2Bは、本当に小さいことで同じ問題を解決している。2.17Bの密なモデルで、ルーティングは一切なく、すべて16ビットでありながら、それでも数ギガバイトだ。

このトレードオフは量子化に表れる。MiniCPM-V 4.7はGGUF、AWQ、GPTQ、FP8、INT4、BitsAndBytesのビルドに加え、投機的デコーディング用のDSparkドラフトチェックポイントを提供しており、どのアクセラレータを使うことになっても対応できる充実の選択肢だ。LFM3-Omni-2BはHugging Face上にBF16の重みがあり、Ollamaビルドも出回っているが、そのOllamaのリストではモデルカードの32Kに対して125Kコンテキストと記載されている。それがパッケージングのバグなのか、文書化されていない機能なのかは、執筆時点では未解決だ。Rockchip NPUやIntelのラップトップで動かす必要があるなら、6種類の量子化形式を提供するベンダーのほうが初日により安全な選択になる。

ほとんどのデプロイを決める一行

MiniCPM-V 4.7 35B-A3Bは音声を聞き取れません。オーディオタワーもASR経路も音声ヘッドもありません。LFM3-Omni-2Bは聞き取ることができ、19の音声ロケールと16のテキスト言語で声に出して答えることができます。

文書、チャート、スクリーンショット、動画フレームのワークロードでは、その違いは無関係であり、MiniCPM はほぼ他のすべての軸でより有力な選択肢です — より大きく、より広くテストされ、ツールもより充実しています。マイクが関与するものでは、比較はそこで即座に終わります。MiniCPM-V 4.7 に聴覚を後付けするには、別の ASR モデル、続いて TTS モデルを追加する必要があり、その時点で 1 つの 2.17B チェックポイントがネイティブにこなすことを 3 つのモデルで実行することになります。

逆もまた然り。LFM3-Omni-2Bは画像を読み取るが、それを読んでいるのは2.17Bモデルである。そのカードにはOCRBench 806、DocVQA 92.47、MMMU 42.44が報告され、MMMU-Proは27.28まで下がる。これらはサイズに対して立派な数値であり、難しい文書レイアウトでは35Bモデルには競合しない。仕事が密な表やスキャンされたフォームであれば、実行コストを安くする8-of-256ルーティングを考慮するまでもなく、大きいモデルがタスクで勝つ。

数字が尽きるところ

ここが気持ちの悪いところです。正直な直接比較表は存在しません。なぜなら、OpenBMB は MiniCPM-V 4.7 の結果を数値表ではなくグラフ画像として公開しているからです。35B-A3B のカードから引用できる MMStar、MMMU、OCRBench の数値はありません。その列に数値を入れるものはすべて、異なるアーキテクチャを持つ別モデルである 1B の同系列モデル由来か、捏造かのどちらかです。

対照的に、LFM3-Omni-2Bのカードは完全な表になっている。MMStar 55.67、MMMU 42.44、MMMU-Pro 27.28、MMBench 73.68、SEEDBench 75.07、RealWorldQA 66.54、MathVista 62.50、POPE 89.34、DocVQA 92.47、InfoVQA 64.08、OCRBench 806、MVBench 58.03、Video-MME 57.70に加え、英語ASRの単語誤り率6.36からTTS UTMOSv2の3.80までに及ぶ音声列もある。これらはすべてLiquid AIが、比較対象の各モデル自身のチャットテンプレートとgreedy decodingを用いて測定したものであり、そのいずれも再現されていない。

ベンダー提供の表はベンダー提供のグラフよりましだが、独立した評価と同じではない。どちらのモデルにも独立評価はない。それが今、small-omniカテゴリ全体の現状であり、だからこそデプロイ上の制約がMMMUの1ポイントよりも重要になるのだ。

ライセンス：プロトタイプ出荷前に必ずお読みください

MiniCPM-V 4.7はApache 2.0です。収益基準も、利用分野条項も、交渉もありません。LFM3-Omni-2BはLFM Open License v1.0の下にあり、これはLiquidがLFM3全体に適用している収益閾値ライセンスです。趣味のプロジェクトや初期段階のスタートアップにとっては、実用上、両者は同等です。閾値を超えた企業にとっては、一方は弁護士との相談が必要で、もう一方は不要です。そして、その相談は、モデルが製品に組み込まれた後よりも今のほうがはるかに安く済みます。

これはこの比較の中で最も地味な軸であり、実際の企業では決め手になる可能性が最も高い軸でもある。

2つがどのように1つのアーキテクチャに収まるのか

ほとんどのチームにとって現実的な答えは「1つを選ぶ」ことではありません。よくあるケースにはオンデバイスモデル、デバイスモデルがうまく処理できないリクエストにはホスト型モデルを使うことです。その後半部分をポータブルに保つことが、デバイスモデルの変更に耐えられる部分です。OrcaRouter は、200+ のホスト型モデルにまたがる単一の API を、プロバイダーの定価に対して 0% のマークアップで提供し、プロバイダーが停止したときの自動フェイルオーバーと、コード変更なしでリクエストを別のモデルへ移すルーティング DSL を備えています。LFM3-Omni-2B も MiniCPM-V 4.7 もそのカタログにはありません。どちらも重みのダウンロードであり、本稿はそうでないとは主張していません。要点は、デバイス層が変わるたびにフォールバック層を作り直すべきではないということです。そして、数週間ごとに動き続けているデバイス層であれば、それは変わるでしょう。

デバイスにどちらを入れるか

視覚品質、実際にデプロイできる量子化形式、Apache 2.0、そして6週間分の現場報告に裏打ちされたエコシステムが必要なら、MiniCPM-V 4.7 35B-A3Bを選んでください。そのダウンロード数は品質の指標ではありませんが、289,000回のダウンロードに伴うバグ報告は、LFM3-Omni-2Bがまだ持っていない一種のテストです。

LFM3-Omni-2B は、製品に音声が必要な場合、デバイスのメモリ制約が厳しく 3 GB のアクティブウェイトでもなお大きすぎる場合、または ASR＋LLM＋TTS のスタックではなく単一のチェックポイントを使いたい場合に選んでください。より小さいモデルの視覚スコア、売上閾値ライセンス、そして発表からまだ1日しか経っていないモデルの早期採用者であるという事実を受け入れてください。

決着をつけるのは、ただ一度の独立した実行だ——同じハーネス、両方のモデル、OCRBenchとMMMU、そして音声タスク。誰もそれをやっていない。誰かがやるまでは、正直なランキングはこうだ。見るならMiniCPM、話すならLFM3-Omni、それ以外はすべて表計算ソフト。