LFM3-VL-2B 対 North Micro Vision Instruct：2つの文書リーダー、1つのライセンスの壁

精度差はLFM3-VL-2BとNorth Micro Vision Instructの間で現実に存在しますが小さいものです。DocVQAでは約4.6ポイント、OCRBenchでは7.1ポイントで、いずれも同じ方向です。導入を左右する差は、ベンチマークの差ではまったくありません。North Micro Vision InstructはApache 2.0の下で提供されています。LFM3-VL-2BはLFM Open License v1.0の下で提供されており、このライセンスは、あなたの事業体の年間収益が1,000万ドル未満である場合に限り商用利用を許諾します。

どちらのモデルも小型で、どちらもオープンウェイトであり、写真について雑談するためではなくページを読むために作られている。一方は2026年8月に公開され、2か月分のダウンロードと移植の実績がある。もう一方は10月19日にHugging Faceに登場し、10月27日に正式発表され、ダウンロード数は255回だ。したがってこの比較は、一部はベンチマークの問いであり、一部はどちらのリスクなら許容できるかという問いでもある。実績のないモデルか、ライセンスのないモデルか。

各モデルの正体

LFM3-VL-2BはLiquid AIの1.92Bデンスモデルです。内訳は、1.73Bの言語バックボーン、SigLIP2より約3分の1の計算量で済むように設計された自社製164Mの視覚エンコーダー、そして25Mのプロジェクターです。テキスト、画像、動画を2 fpsで入力でき、テキストを出力し、思考モードを備え、128Kコンテキストに対応し、16言語をカバーします。リポジトリにはBF16、GGUF、MLX 4-bit、ONNXのビルドが含まれていますが、llama.cppのサポートはまだレビュー中で、動画パスはありません。

North Micro Vision InstructはCohere Labsの2.4Bモデルです。North Microファミリーの2B言語バックボーンに、SigLIP2 SO400Mから継続学習した約400Mのエンコーダを組み合わせ、DeepStack方式のプロジェクターを備えています。ネイティブ解像度で、最大1654×2339（200 dpiのA4ページ全体）までのテキストと画像のインターリーブ入力を受け取り、テキストを出力します。言語モデルのコンテキストは128Kですが、Cohereによればマルチモーダル訓練は8Kまでしか検証されていないとのことです。Apache 2.0、262K語彙、11〜12言語。

Those specifications look similar and are not. → それらの仕様は似て見えるが、実際には似ていない。128Kコンテキストとは、モデルが参照できるトークン数の上限にすぎない。ネイティブ解像度入力とは、そもそもページをリサイズしないという選択だ。隅に表があるスキャン済みの請求書なら、前者よりも後者のほうが重要になる。

文書番号については、適切な留保を付して読むこと

両方のカードが公開しているベンチマークでは、LFM3-VL-2Bがリードしています：

• DocVQA — LFM3-VL-2B 96.7 対 North Micro Vision Instruct 92.1。

• OCRBench — 86.3 対 79.2。

• ChartQA — 92.7 対 80.8。

• AI2D — North は 77.5 と報告しています。Liquid は直接比較可能な AI2D の行を公開していません。

• RefCOCO-avg — 90.5 対 73.2。ただし、2 枚のカードではこれらの平均値の説明がかなり異なるため、この引き算は正確ではなく目安としての意味しかありません。

これらはすべてベンダー報告によるもので、ベンダーが選んだハーネス上で得られた結果であり、どちらのモデルについても独立した再現は行われていない。DocVQAの差は十分に小さく、プロンプト形式の違いで埋まる可能性がある。ChartQAの差は約12ポイントで、ノイズである可能性は低く、OCRBenchの7.1ポイントの差は、文書とグラフのデータで明示的に学習され、推論モードが付いたモデルと整合している。

興味深い数値は文書の行にはない。それは MMMU で、LFM3-VL-2B は 55.7、North Micro Vision Instruct は 32.9 を報告している。これはチューニングの違いではなく、別の製品だ。Cohere 自身のカードには、このモデルは意図的に推論モデルではなく、ツール呼び出しを行わず、システムプロンプトを推奨しないと書かれている。ページを読むのだ。Liquid のカードは、測定された62カテゴリの一つとして大学院レベルの推論を主張している。あなたのタスクが「これら400件の請求書から合計を抽出する」なら、どちらも機能する。タスクが「この請求書がポリシーに違反するかどうかを判断する」なら、そのために作られたのは一方だけだ。

128Kという主張が怪しくなるのはどこか

LFM3-VL-2Bの128Kコンテキストは、公開されている数値としてはより余裕のあるものだが、コンテキスト長は実用的なマルチモーダルコンテキストと同じではない。モデルカードには、ネイティブ解像度で1ページが何個の画像トークンを消費するかは記載されておらず、動画の最大フレーム数も公開していない。North Micro Vision Instructは、正反対の種類の数値を公開している。128Kの言語コンテキストを持ち、マルチモーダル学習は8Kまで検証済みというものだ。これは控えめな開示であり、ビジョンに割り当てられる予算が明示されていないより大きな数値よりも有用である。

どちらのモデルでも実用的な検証方法は同じです。コンテキストウィンドウを前提に設計する前に、自分の文書で1ページあたりのトークン数を測りましょう。あなたの解像度で4ページしか収まらない128Kウィンドウは、128Kの文書ワークフローとは言えません。

ライセンスが決め手です

Apache 2.0はApache 2.0です。North Micro Vision Instructは、収益額にかかわらず商用利用でき、改変、再配布、ホスティングも可能です。ただし、通知を保持しておくことが条件です。それが契約のすべてであり、文書製品を手がけるスタートアップにとっては、法務レビューの一カテゴリ全体を不要にしてくれます。

LFM Open License v1.0はそうしたものではない。商業利用を広く定義しており——「本著作物の直接的または間接的な商業上の利益または金銭的報酬を得るためのあらゆる利用」——、ライセンシーが年間収益1,000万ドルの閾値を下回ることをライセンスの条件としている。この閾値を超える商業利用は「本契約に基づいて許諾されない」。適格な非営利団体は、非商業目的および研究目的であれば免除される。再配布は、帰属表示と変更通知を伴う場合に認められる。我々が読んだライセンス本文には別個のホスティング制限は含まれていないため、制約となるのは配信禁止ではなく収益上限である。

その上限は気まずい会話を生みます。売上900万ドルの企業は今日LFM3-VL-2Bを提供できても、成長することでライセンスを失う可能性があります。モデルが動かなくなるのではなく、許可が失われるのです。2年間のロードマップを持つ製品にとって、それは脚注ではなくデューデリジェンス項目です。

導入ギャップはそれ自体が一つのシグナルだ

North Micro Vision Instruct は、リポジトリが2026年8月10日に公開されて以来、約35,000回ダウンロードされている。LFM3-VL-2B は10月19日以降、255回ダウンロードされ、34件のいいねを獲得している。2か月と9日という差はその一部を説明するが、すべてではない。10月27日のLFM3ファミリー発表は6モデルを扱う単一のブログ記事であり、そのうちビジョンチェックポイントには1段落しか割かれていなかった。

静かなリリースが自動的に悪いリリースというわけではない。公開時の価格設定も、ホスト型プロバイダーも、まだレビュー中のフレームワーク対応もないモデルは、自分のハードウェアで評価することになるモデルであり、ダウンロード数が少ないのは主に、まだ誰もそれをやっていないということを意味する。また、コミュニティによる量子化も、修正でいっぱいのイシュートラッカーも、頼りにできるサードパーティのベンチマークも存在しないということでもある。North Micro Visionにはその3つすべてがある。

誰もが言う限りでは、それぞれの費用はいくらなのか

どちらのモデルもモデルカードにAPI価格を公開していない。North Micro Vision InstructはCohereのプラットフォーム経由で利用可能で、複数のサードパーティホストにも採用されている。LFM3-VL-2BはLiquid's PlaygroundとAPIで利用可能だが料金表はなく、Hugging Faceにはその推論プロバイダーが掲載されていない。自社ハードウェア上では、2.4Bパラメータ対1.92B、つまりBF16で約4.8 GB対3.84 GBという比較になり、GPUコストが決め手にならないほど近い。

タイブレーカーは機能しています。どちらかのチェックポイントを自社保有する代わりにホスト型視覚モデルをレンタルする場合、OrcaRouter はプロバイダーのリスト価格を 0% のマークアップでそのまま反映するため、ベンダーの価格変更は次回の契約更新時ではなく当日に当社側で有効になります。当社は本日時点で LFM3-VL-2B も North Micro Vision Instruct も提供しておらず、本記事もそう主張しているわけではありません。要点は、ホスト型の選択肢は価格が十分に透明であるため、上記のセルフホスティングの計算と比較できるということです。

誰がどれを選ぶべきか

次を選んでください: North Micro Vision Instruct。Apache 2.0が必要な場合、2か月間コミュニティで使われてきた実績があるモデルが欲しい場合、または文書がネイティブ解像度のページ全体でタスクが抽出で終わる場合。抽出されたフィールドをまたいで推論しない点は受け入れてください。

次を選択してください：LFM3-VL-2B動画入力、思考モード、または文書をうまく読み取る、より広範なビジュアルアシスタントが必要で、収益しきい値を余裕をもって下回っているか、別途ライセンスを交渉できる場合に適しています。独立した評価がなく、フレームワークのサポートも不完全なチェックポイントの早期採用者であることを受け入れてください。

どちらも選ばないこと——ただし、ワークフローにサポート契約付きの有償ホスト型エンドポイントが必要な場合は別だ。小規模なオープンウェイト層は急速に改善しているが、ダウンロード数255の最新参入モデルは、そのラボの外の誰によってもストレステストを受けていない。