LFM3-Omni-2B vs MiniCPM-V 4.7 35B-A3B: de nieuwkomer en de gevestigde speler

Twee getallen, beide waar, beide misleidend als je ze als een oordeel leest: MiniCPM-V 4.7 35B-A3B is ongeveer 289.000 keer gedownload, en LFM3-Omni-2B is 83 keer gedownload. Het verschil lijkt op een afstraffing. In werkelijkheid is het een kalender. De gewichten van OpenBMB kwamen op 6 oktober 2026 online; die van Liquid AI kwamen op 21 oktober online en werden op 27 oktober aangekondigd, één dag voordat deze cijfers werden gelezen. Een model dat een week bestaat, kan geen downloadgeschiedenis hebben, en een model met zes weken voorsprong en een bestaande MiniCPM-achterban zal er een hebben, of het die nu verdient of niet.

De interessante vergelijking is dus niet populariteit. Het is waar een team dat een klein multimodaal model voor een apparaat kiest, echt op moet letten: of het moet kunnen horen, of het op zes manieren moet worden gekwantiseerd, en welke licentie nog steeds comfortabel voelt wanneer het product omzet oplevert.

Wat elk model is

MiniCPM-V 4.7 35B-A3B is OpenBMB's eerste mixture-of-experts visie-taalmodel: 35,2 miljard opgeslagen parameters, per token 8 van de 256 gerouteerd, ongeveer 3 miljard actief, 40 tekstlagen, achter een 27-laagse visietoren met een verborgen dimensie van 1.152 die op laag 6 van de tekststack wordt ingevoegd. Het leest afbeeldingen, sets met meerdere afbeeldingen, video en tekst, en antwoordt in tekst. Er is nergens in de 70,4 GB aan gewichten een audiopad. De hoofdclaim op de kaart is niet nauwkeurigheid, maar haalbaarheid: meer dan 13 tokens per seconde op een iPhone 17 Pro Max met ongeveer 3 GB geheugen, mogelijk gemaakt door een Lookahead Expert Scheduling-truc die de experts van de volgende laag voorspelt en ze prefetcht terwijl de huidige laag rekent.

LFM3-Omni-2B is de omni-variant van Liquid AI binnen de LFM3-familie: 2,17 miljard dichte parameters op een LFM3-1.7B-backbone, met een LFM3-visionencoder en een LFM3 causale audio-encoder die één vocabulaire van 128.000 tokens voeden. Het leest tekst, afbeeldingen, video met of zonder geluid en audio van 16 kHz, en het schrijft tekst of spraak van 24 kHz, inclusief afgewisselde tekst en spraak in één antwoord. Het is bewust een non-reasoningmodel — de modelkaart vermeldt dat enable_thinking=True niet wordt ondersteund — en het is gepositioneerd voor telefoons, laptops en edge-hardware.

Beide passen op een telefoon. Slechts één is met dat uitgangspunt ontworpen.

Het is gemakkelijk om beide onder ‘een klein model op een apparaat’ te scharen en verder te gaan. De onderliggende techniek is het tegenovergestelde.

Het probleem van OpenBMB was geheugenbandbreedte op een handset, dus het model is sparse op een manier die vermindert wat per token moet worden gelezen: 35,2B opgeslagen, 3B aangesproken. De Lookahead Expert Scheduling verraadt het: je bouwt alleen expert-prefetching als de bottleneck het verplaatsen van gewichten is, niet het vermenigvuldigen ervan. LFM3-Omni-2B lost hetzelfde probleem op door echt klein te zijn: 2,17B dense, helemaal geen routing, alles in 16-bit en nog steeds een paar gigabyte.

De afweging komt tot uiting in de kwantisatie. MiniCPM-V 4.7 levert GGUF-, AWQ-, GPTQ-, FP8-, INT4- en BitsAndBytes-builds, plus DSpark-conceptcheckpoints voor speculatieve decoding — een volledig menu voor welke accelerator je ook terechtkomt. LFM3-Omni-2B heeft BF16-gewichten op Hugging Face en er is een Ollama-build in omloop, en die Ollama-vermelding noemt een context van 125K tegenover de 32K in de modelkaart. Of dat een verpakkingsbug is of een ongedocumenteerde mogelijkheid, is op het moment van schrijven onopgelost. Als je op een Rockchip-NPU of een Intel-laptop moet draaien, is de leverancier met zes kwantisatieformaten op dag één de veiligere keuze.

De regel die bij de meeste deployments de doorslag geeft

MiniCPM-V 4.7 35B-A3B kan niet horen. Geen audiotoren, geen ASR-pad, geen spraakhoofd. LFM3-Omni-2B kan horen en kan hardop antwoorden, in 19 spraaklocales en 16 teksttalen.

Voor een workload met documenten, grafieken, screenshots of videoframes is dat verschil irrelevant en is MiniCPM op vrijwel elke andere as de sterkere keuze — groter, breder getest, beter uitgerust. Voor alles waarbij een microfoon in het spel is, beslecht het de vergelijking onmiddellijk. Je kunt MiniCPM-V 4.7 niet gehoor geven zonder een apart ASR-model en vervolgens een TTS-model toe te voegen; op dat punt draai je drie modellen om te doen wat één checkpoint van 2,17B native doet.

Het omgekeerde geldt ook. LFM3-Omni-2B leest afbeeldingen, maar het is een model van 2,17B dat ze leest: zijn modelkaart meldt OCRBench 806, DocVQA 92,47 en MMMU 42,44, met MMMU-Pro op 27,28. Dat zijn respectabele cijfers voor de omvang, en niet concurrerend met een 35B-model bij moeilijke documentindelingen. Als de taak bestaat uit dichte tabellen en gescande formulieren, wint het grotere model op de taak nog voordat je rekening houdt met de 8-van-256-routering die het goedkoop maakt om te draaien.

Waar de getallen ophouden

Hier is het ongemakkelijke deel: er is geen eerlijke head-to-head-tabel beschikbaar, omdat OpenBMB de resultaten van zijn MiniCPM-V 4.7 publiceert als grafiekafbeeldingen in plaats van numerieke tabellen. Er zijn geen MMStar-, MMMU- of OCRBench-cijfers om uit de 35B-A3B-kaart te citeren. Alles wat een getal in die kolom zet, komt ofwel van het 1B-zusje — een ander model met een andere architectuur — of is verzonnen.

De kaart van LFM3-Omni-2B daarentegen is een volledige tabel: 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, plus een spraakkolom die loopt van Engelse ASR met een woordfoutpercentage van 6.36 tot TTS UTMOSv2 op 3.80. Alles ervan is gemeten door Liquid AI, met de eigen chat-template en greedy decoding van elk vergeleken model, en niets ervan is gereproduceerd.

Een leverancierstabel is beter dan een leveranciersgrafiek, maar het is niet hetzelfde als een onafhankelijke evaluatie. Geen van beide modellen heeft er een. Dat is de huidige stand van zaken in de hele small-omni-categorie, en daarom wegen de implementatiebeperkingen uiteindelijk zwaarder dan één punt op MMMU.

Licenties, lees dit voordat het prototype wordt verzonden

MiniCPM-V 4.7 valt onder Apache 2.0. Geen omzettoets, geen clausule over gebruiksgebied, geen onderhandeling. LFM3-Omni-2B valt onder de LFM Open License v1.0, de licentie met omzetdrempel die Liquid op alle LFM3 toepast. Voor een hobbyproject of een vroege startup zijn de twee in de praktijk gelijkwaardig. Voor een bedrijf boven de drempel vereist een van de twee een gesprek met een advocaat en de andere niet — en dat gesprek is nu veel goedkoper dan nadat het model in het product zit.

Dit is de minst glamoureuze as in de vergelijking en degene die bij een echt bedrijf het vaakst de doorslag zal geven.

Hoe de twee in één architectuur passen

Het realistische antwoord voor de meeste teams is niet "kies er één". Het is een on-device model voor het gangbare geval en een gehost model voor de verzoeken die het apparaatmodel niet goed aankan. Die tweede helft overdraagbaar houden, is het deel dat een wijziging van apparaatmodel overleeft: OrcaRouter biedt één API voor meer dan 200 gehoste modellen tegen 0% opslag op de lijstprijs van de provider, automatische failover wanneer een provider wegvalt, en een routing-DSL die een verzoek naar een ander model verplaatst zonder codewijziging. Noch LFM3-Omni-2B noch MiniCPM-V 4.7 staat in die catalogus — beide zijn downloads van gewichten, en dat is ook niet wat dit stuk suggereert. Het punt is dat de fallbacklaag niet opnieuw opgebouwd zou moeten worden telkens wanneer de apparaatlaag verandert, en met een apparaatlaag die nog elke paar weken in beweging is, zal die veranderen.

Welke moet ik op het apparaat zetten?

Kies MiniCPM-V 4.7 35B-A3B als je visiekwaliteit nodig hebt, een kwantiseringsformaat dat je daadwerkelijk kunt inzetten, Apache 2.0, en een ecosysteem met zes weken aan praktijkrapporten erachter. Het aantal downloads is geen kwaliteitssignaal, maar de bugrapporten die bij 289.000 downloads horen, zijn een vorm van testen die LFM3-Omni-2B nog niet heeft.

Kies LFM3-Omni-2B als het product een stem nodig heeft, als het apparaat zo geheugenbeperkt is dat 3 GB aan actieve gewichten nog steeds te veel is, of als je één checkpoint wilt in plaats van een ASR-plus-LLM-plus-TTS-stack. Accepteer de visiescores van het kleinere model, de licentie met omzetdrempel, en het feit dat je een early adopter bent van een model dat pas één dag geleden is aangekondigd.

Wat uitsluitsel zou geven, is één enkele onafhankelijke run — dezelfde harness, beide modellen, OCRBench en MMMU en een spraaktaak. Niemand heeft dat gedaan. Tot iemand dat doet, luidt de eerlijke rangorde: MiniCPM voor zien, LFM3-Omni voor spreken, en een spreadsheet voor al het overige.