Molmo2-4B 対 LFM2.5-VL-3B：19 GB の重みに、3 GB のスマホで挑む

2つのチェックポイントをディスク上に並べて置けば、比較は始まる前からほぼ決着がついています。Molmo2-4Bは、4つのシャードに分かれた19.42 GBのfloat32 safetensorsとして提供されます。LFM2.5-VL-3Bのネイティブリポジトリは合計6.27 GBで、Liquid自身のカードは「3.3 GB未満のメモリ」で動作するとうたっています。小さい方のモデルを量子化すると、交換可能な小型視覚言語モデルであるかのように論じられる2つのモデルのフットプリントには、およそ6対1の差が生じます。両者は交換可能ではなく、その理由は品質ではありません。一方は384フレームの動画についての質問に答えるために作られています。もう一方は、無線をオフにしたスマートフォン上の写真についての質問に答えるために作られています。どちらのモデルもここでホストされているわけではないため、このプラットフォームの役割は周辺スタックにあります。マークアップ0%の価格設定プロバイダーの定価がそのまま反映されます。

どちらのモデルも新しいものではありません。この点は、そうでないかのような示唆を含む結果ページから来た場合に重要です。Molmo2-4Bは2025年12月11日にAllen Institute for AIが発表し、重みは12月14日に公開されました。LFM2.5-VL-3BはLiquid AIから2026年8月12日にリリースされました。最近変わったのは、ローンチよりも狭くて実用的な点です。Molmo2が上流のTransformersでファーストクラスのアーキテクチャになり、PR #43451が2026年10月9日にマージされ、モデルは10月15日にv5.20.0で初めて出荷されました。これにより、trust_remote_code=Trueを渡し、別のmolmo_utilsパッケージをインストールしなければならなかった期間が終わりました。11月5日にはAi2がMolmo2-4B-tbも公開しました。これはこの正確なチェックポイントを基にしたロボティクス向けファインチューニングです。どちらの出来事もMolmo2-4Bを新しいものにするわけではありません。どちらも、それを実行することが新たに現実的になったのです。

記憶に関する問いを、形容詞ではなく数字で

まずサイズからです。なぜなら、ベンチマークが一つ参照されるよりも前に、ほとんどの導入を決めるのはサイズだからです。

• パラメータ — Molmo2-4B は SigLIP 2 ビジョンタワーと Qwen3-4B-Instruct-2507 言語コアで構成され、合計 4,850,869,200 パラメータです。LFM2.5-VL-3B は SigLIP2 NaFlex 400M エンコーダと 2.6B LFM2.5 バックボーンで構成され、合計 3,123,483,888 パラメータです。

• 配布される重みの形式 — Molmo2-4B は float32 で配布され、ディスク上で 19.42 GB、4 つのシャードで構成されています。LFM2.5-VL-3B は bfloat16 で 6.27 GB として配布され、公式の GGUF、ONNX、MLX エクスポートも併せて公開されています。

• 公称ランタイムフットプリント — Liquid は LFM2.5-VL-3B の推論時で 3.3 GB 未満と主張している。AI2 は Molmo2-4B のランタイムメモリの数値を公表しておらず、float32 での配布であるため、提供前にキャストが必要になる。

• スループット — Liquidは、Apple M5 Maxで228トークン/秒、AMD Ryzen AI Max+ 395で116トークン/秒、Galaxy S26 Ultraで20トークン/秒を報告しています。Molmo2-4Bについては、どのサイズでも同等の公開数値はありません。

• コンテキスト — LFM2.5-VL-3Bでは32,768トークン、Molmo2-4Bのテキスト設定では36,864ポジション。これは384フレームでの専用の長コンテキスト微調整ステージを通じて到達したものです。

最後の組み合わせについては、比較ではなく注意書きが必要だ。Molmo2-4Bの36,864はシーケンス長の予算であり、その動画パイプラインはあっという間に使い切ってしまう。公開されている動画プリプロセッサはデフォルトで2 fpsの384フレームを扱い、378×378にリサイズして3×3プーリングを適用する。長いクリップではフレームだけでウィンドウ全体を消費しかねず、質問に使える余地がほとんど残らない。LFM2.5-VL-3Bの32,768はテキストと画像パッチに費やされる。動画経路がまったくないからだ。

動画こそが分水嶺であり、ベンチマーク表ではない

LFM2.5-VL-3Bはテキストと画像を処理します。入力の範囲はそれだけです。本来の用途では非常に優れています——レイアウト注釈付きの全ページOCR、自然言語クエリによる物体検出、画面の読み取り、デバイス上でのほぼリアルタイムの処理——しかし動画はその入力の一つではなく、どれだけプロンプトエンジニアリングを重ねてもそれは変わりません。

Molmo2-4Bは逆の順序で構築された。Ai2のモデルカードには9つの学習セットが記載されており、そのうち5つは動画または複数画像のものだ。動画キャプションQA、動画字幕QA、動画ポインティング、動画トラッキング、複数画像QA、複数画像ポインティングである。異色なのはポインティング出力だ。座標は画像の幅と高さに対する0〜1000のスケールで返され、カードが正規表現を添付しているタグ付き形式で提供されるため、「ボートはどこか」という問いへの答えは文章ではなく数値の点になる。同じ形式は動画モードではタイムスタンプも運び、これによってフレーム単位のトラッキングが初めて可能になる。

タスクがスクリーンショット、スキャンしたページ、棚やメニューの写真であれば、そうしたことは問題にならず、3 GB モデルのほうが単純に優れたエンジニアリング上の選択です。タスクが「クレートがパレットから落ちる瞬間を見つける」ことであれば、LFM2.5-VL-3B は比較対象にすら入れません。

相互に減算してはならない2つのベンダー平均値

ここが、ほとんどの比較ページが間違っている点です。Liquidは、28個のベンチマークからなる視覚ベンチマーク表で、LFM2.5-VL-3Bの平均69.4を報告しています。AI2は、15個の学術ベンチマークで、Molmo2-4Bの平均62.8を報告しています。この2つの数値を並べて示すと、LFM2.5-VL-3Bが6.6ポイント優れているように見えます。しかし、これは有効な比較ではありません。ベンチマークのセットが異なり、プロンプト形式も異なり、デコード設定も異なり、さらにLiquidの場合は自社の著者らが選んだスイートです。

各ベンダーが実際に報告している内容と、それに付随する出所情報：

• LFM2.5-VL-3B、ベンダー報告値 — DocVQA 91.1、RefCOCO-avg 87.9、CountBenchQA 87.3、OCRBench v1 84.2、TextVQA 84.3、MMBench 81.0、SEED-Bench image 77.7、ScreenSpot-v2 Web 82.2、MMStar 63.3、MMMU 48.4、MMMU-Pro 30.5、MathVista mini 68.5。

• Molmo2-4B（ベンダー報告）— 15の学術ベンチマークで平均62.8。同じ表で、8Bの兄弟モデルは63.1、Qwen3-VL-4Bは58.1、InternVL3.5-4Bは53.4、Claude Sonnet 4.5は59.6、Gemini 3 Proは70.0、GPT-5は70.6。

• どちらのベンダーもどこにも報告していない — 共通のハーネス。Liquidの28ベンチマークスイートにおけるMolmo2-4Bの結果も、AI2の15ベンチマーク表におけるLFM2.5-VL-3Bの結果も、どちらの企業も公表していない。

真に比較可能な軸はモデルサイズだけであり、そこでは4.85BモデルがAI2自身の平均で3.12Bモデルを上回る一方、デプロイ時のフットプリントでは大きく劣る。これがそのトレードオフであり、率直に言えばそういうことだ。

ライセンス：どうやらどちらもApache-2.0ではないようだ

どちらのカードにも一見寛容に聞こえるラベルが付いており、どちらにも調達担当のレビュアーなら気づく落とし穴がある。

• Molmo2-4B — 重みは Apache 2.0 の下で提供されていますが、カードには、モデルが「学術および非商用研究利用のみを条件とする第三者データセットで訓練されている」と追記されており、モデルが用途に合うか判断する前にデータソースを確認するよう指示しています。重みはオープンですが、データの来歴は商用利用向けにクリーンではなく、Ai2 は脚注ではなくカード上でそう明言しています。

• LFM2.5-VL-3B — LFM Open License v1.0。これはOSIライセンスではありません。商用利用は条件付きで認められています。第5条により、商用権利は、お客様の法人が定義されたThresholdを下回っていることを条件としており、ライセンスはそのThresholdを年間収益1,000万米ドル以上と定義しています。

どちらの制限も、研究寄りのリリースとしては珍しいものではない。どちらも、「これを出荷できるか」という問いへの答えが、2人だけのプロトタイプと資金のある企業とでは異なることを意味しており、選んだモデルによってその2つの答えは正反対の方向を指す。

今日はどちらか一方を実行する

Molmo2-4B 自身のモデルカードは今やライブラリに後れを取っています。依然として transformers==4.57.1 をインストールし、trust_remote_code=True を渡し、molmo_utils と decord2 をインストールするよう指示しています。その手順は動作します。また、それが唯一の方法ではなくなりました。v5.20.0 以降、標準の Transformers には独自の設定、画像プロセッサ、動画プロセッサ、プロセッサを備えた Molmo2ForConditionalGeneration クラスが含まれているため、リモートコードの経路は必須ではなく任意です。vLLM はローンチ直後から独自のモデルクラスで Molmo2 サポートを提供しています。AI2 のプラットフォームドキュメントは依然として安定版リリースではなくナイトリービルドの wheel を指しており、本番環境でバージョンを固定する前に知っておく価値があります。

LFM2.5-VL-3Bは2つのうちデプロイ環境がより成熟しており、その差は歴然としています。ネイティブの重みに加えてGGUF、ONNX、MLXへのエクスポートがあり、llama.cpp、vLLM、SGLangがいずれもサポート対象として挙げられ、3種類の異なるコンシューマーハードウェアでのスループットも公開されています。ターゲットがラップトップ、スマートフォン、シングルボードコンピュータなら、そのエコシステムこそが製品です。

これら2つの間のルーティングを計画している人への実用的な注意点として、どちらのモデルもOrcaRouterのカタログにはなく、このような比較を可用性の主張として読むのは誤りです。プラットフォームが実際に提供しているのは、200以上のモデルに対応する1つのAPIに加えて、この2つのようなセルフホスト型デプロイを併用できることです。自動フェイルオーバーも備え、プロバイダー自身の定価をマークアップなしでそのまま適用します。通常のパターンは、レイテンシーが重要な経路には小型のビジョンモデルをローカルに置き、より難しく頻度の低いリクエストを外部にルーティングすることであり、どちらかに決める前に実際のトラフィックでその分担を検証することです。

どちらを選ぶべきですか

LFM2.5-VL-3B は、デプロイ先がスマートフォン、ノートPC、エッジボックスの場合、入力がスクリーンショット、ドキュメント、単一の写真の場合、サブ秒の初回トークン遅延が必要な場合、またはすでに存在する量子化フォーマットのいずれかが必要な場合に選択してください。16言語のカバレッジと ScreenSpot-v2 の数値は、特にオンデバイスの画面理解において、これを妥当な選択肢にしています。

動画が対象範囲に含まれる場合、散文ではなく座標が必要な場合、一連のフレームに対するマルチ画像推論が必要な場合、またはシーン内の物体を数えるタスクである場合は、Molmo2-4B を選んでください。AI2 自身の比較では、Molmo2 ファミリーを動画の物体計数におけるオープンウェイト分野のトップに位置づけつつ、その評価に含まれるどのモデルも 40% の精度に達していないことを認めています。フットプリントを見込んでおいてください。float32 の重みで 19.42 GB、提供前に bfloat16 へキャストし、スマートフォンではなく GPU が必要です。

これをきちんと決着させるには、同一の評価ハーネス上で量子化条件を揃え、同じデバイスでレイテンシを測定する共同評価が必要だ。どちらのベンダーもそれを公表しておらず、誰かが公表するまでは、正直な答えはこうだ。これら2つのモデルは異なる用途向けに設計されており、両者のベンチマークはそもそも同じ土俵で比べられるようには作られていない。