MiniCPM-V 4.7 1B vs LFM2.5-VL 3B: OpenBMB beweert dat zijn 1B-model een 3B-model verslaat. Dit is wat die bewering verbergt

MiniCPM-V 4.7 1B en LFM2.5-VL 3B zijn beide open-weight visie-taalmodellen die zijn gebouwd voor telefoons en kleine computers, en ze liggen minder dan drie weken uit elkaar op de kalender. MiniCPM-V 4.7 1B is op 6 oktober 2026 geüpload door OpenBMB en in de release notes van de leverancier gedateerd op 12 oktober. LFM2.5-VL 3B is op 11 augustus 2026 gepubliceerd door Liquid AI. De ene heeft 1,55 miljard parameters en Apache 2.0. De andere heeft 3,12 miljard parameters onder de LFM Open License v1.0. En de eigen productpagina van OpenBMB doet een bewering die iedereen die alleen op grootte shopt, zou moeten doen stoppen: dat het 1B-model overtreft LFM2.5-VL 3B op OCR, grafiekredenering en videobegrip. De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive waar elke vermelding eigen bronnen, ernst, betrouwbaarheidsgraad en betwistmarkering heeft.

Die zin doet veel werk. Hij wordt ook, voor zover dat valt na te gaan, niet door de cijfers weersproken — wat interessanter is dan wanneer dat wel het geval was. Dit stuk neemt door wat elke leverancier daadwerkelijk heeft gepubliceerd, waar de vergelijking echt is, en de twee plekken waar de bewering stilletjes van onderwerp verandert.

De bewering, in de eigen woorden van de leverancier

OpenBMB's 1B-pagina zegt dat het model "een uitgebreide upgrade is ten opzichte van MiniCPM-V 4.6-1.3B en Qwen3.5-0.8B en LFM2.5-VL-3B overtreft, en in OCR, grafiekredenering en videobegrip voorop blijft in zijn grootteklasse." De clausule die ertoe doet, is "voorop blijft in zijn grootteklasse." De vergelijking met LFM2.5-VL 3B wordt aangevoerd als bewijs van capaciteitsdichtheid; de daaropvolgende zin beperkt de bewering tot een grootteklasse waarin de LFM niet zit.

De modelkaart van Liquid AI geeft geen wederdienst. MiniCPM wordt er helemaal niet in genoemd, en de prestaties van zijn model worden vergeleken met G​emma4 E2B en E4B, InternVL 3.5 2B en 4B, en Qwen3.5-2B en 4B. Dit is dus een eenzijdige vergelijking: de ene leverancier heeft zich aan de andere gemeten, en de andere heeft die confrontatie nooit erkend. Die asymmetrie is het eerste dat je moet weten voordat je welke rechtstreekse vergelijking dan ook leest, ook deze.

Wat elke leverancier officieel verklaart

Liquid AI publiceert een getallentabel. LFM2.5-VL-3B rapporteert MathVista 68,5, MMMU Pro 30,5, ChartQA 81,3 en OCRBenchv2 47,5 (alleen-Engelse subset), naast de scores van een zustermodel op dezelfde rijen. Dat zijn leverancierscijfers, uitgevoerd door de leverancier, en niemand onafhankelijk hoeft het ermee eens te zijn — maar ze zijn falsifieerbaar, en dat maakt ze nuttig. Als je 55 op MathVista reproduceert, weet je dat er iets in je opstelling afwijkt.

OpenBMB publiceert een numerieke samenvatting in proza en volledige grafieken daaronder. Voor de 1B vermeldt de pagina OCRBench 86,1, MathVista 74,3, CharXiv Reasoning 48,8, LongVideoBench 53,4 en MotionBench 54,55, en presenteert de rest van de vergelijking als afbeeldingen met een 4×- en 16×-kolom. De modelkaart zelf bevat helemaal geen benchmarktabel.

Vergelijk de twee op de enige benchmark die beide noemen. MathVista: MiniCPM-V 4.7 1B op 74,3, LFM2.5-VL 3B op 68,5. De 1B ligt 5,8 punten voor volgens de eigen rapportage van de leverancier. Bij OCR gebruiken de twee verschillende instrumenten — OCRBench versus de Engelse subset van OCRBenchv2 — en de cijfers zijn niet vergelijkbaar, wat precies het soort detail is dat een "overtreft"-zin overslaat.

Waar de vergelijking appels met appels is

• Parameters — 1,55B dense, BF16, 3,1 GB op schijf vs. 3,12B dense, BF16; het LFM is ongeveer twee keer zo groot als het model

• Vision-encoder — SigLIP2-achtige tower, 27 lagen, 1152 hidden, tegels van 980 pixels versus SigLIP2 NaFlex 400M, niet-overlappende patches van 512×512 plus een geschaalde thumbnail

• Tekst-backbone — een van Qwen3.5 afgeleide config met 24 lagen, 1024 verborgen dimensies, een 3:1 lineair-naar-volledig attentionpatroon versus LFM2.5-2.6B, een hybride architectuur van Liquid AI's eigen ontwerp

• Context — 262.144 tokens versus 32.768 tokens

• Visueel tokenbudget — per verzoek schakelbare 4×- of 16×-compressie versus een vast NaFlex-patchbudget dat door de resolutie wordt bepaald

• Licentie — Apache 2.0 vs LFM Open License v1.0, die commerciële voorwaarden bevat in plaats van louter permissiviteit

• Talen genoemd — Engels en Chinees in de voorbeelden van de kaart versus 16 talen die expliciet worden vermeld (Arabisch tot en met Vietnamees)

• Gepubliceerde evaluatie — vijf cijfers in lopende tekst plus vergelijkingen uitsluitend in grafieken versus een numerieke tabel over vier benchmarks en zes zustermodellen

• Onafhankelijke evaluatie — op het moment van schrijven voor geen van beide een Artificial Analysis-vermelding, tegenover evenmin een Artificial Analysis-vermelding

• Door de leverancier gerapporteerde snelheid — geen cijfer voor tokens per seconde voor de 1B op welk apparaat dan ook, tegenover 228 tok/s op een Apple M5 Max, 116 tok/s op een AMD Ryzen AI Max+ 395, 20 tok/s op een Galaxy S26 Ultra

• Geheugen — ongeveer 3,1 GB BF16; Q4 GGUF 0,67 GB plus een vision-projector van 0,90–1,11 GB versus minder dan 3,3 GB zoals gepubliceerd, waarbij GGUF-, ONNX- en MLX-builds worden aangeboden

• Servingpaden benoemd — Transformers, SGLang, vLLM, llama.cpp, Ollama, OpenVINO, DSpark speculatieve decoding vs Transformers, vLLM, SGLang, llama.cpp, plus GGUF-, ONNX- en MLX-exports

• On-deviceverhaal — iOS-, Android- en HarmonyOS-apps en day-0-ondersteuning voor Rockchip, Houmo, Intel, AMD en Arm, gedemonstreerd met een decodeercijfer voor een iPhone 17 Pro Max versus een Galaxy S26 Ultra en een MLX-build voor Apple Silicon

Twee rijen verdienen een tweede blik. Het contextvenster is een factor acht in het voordeel van MiniCPM, en het is zo'n getal dat beslissend lijkt totdat je je bedenkt dat een 1B-model dat 262k tokens aankan, een KV-cache vasthoudt die groter is dan zijn eigen gewichten. In de praktijk zal geen van beide modellen op een telefoon ook maar in de buurt van zijn plafond komen. En de licentierij is degene die commerciële adoptie vaker beslist dan welke benchmark dan ook: Apache 2.0 vereist geen gesprek met een advocaat, en de LFM Open License wel.

Het deel waarop de claim van onderwerp verandert

OpenBMB vergelijkt zijn model met een concurrent die twee keer zo groot is, op benchmarks die het zelf heeft gekozen, en doet verslag van het resultaat in proza. Dat is niet oneerlijk — de cijfers zijn gepubliceerd en de vergelijking wordt vermeld. Maar het beantwoordt een vraag die niemand die een model inzet daadwerkelijk stelt. Niemand kiest tussen een 1B en een 3B omdat die wil dat de kleinere beter is. Men kiest omdat de ene wel op het apparaat past en de andere niet, of omdat de ene de taaldekking heeft die men nodig heeft, of omdat de licentie van de ene de juridische toets doorstaat.

Bij het eerste daarvan is de eerlijke lezing dat beide passen. De kaart van LFM2.5-VL-3B claimt minder dan 3,3 GB en demonstreert 20 tokens per seconde op een Galaxy S26 Ultra. MiniCPM-V 4.7 1B op Q4 met zijn projector komt uit op bijna 1,8 GB. Het echte voordeel van de 1B is dus niet "hij draait op een telefoon en de andere niet" — het is speelruimte: ongeveer anderhalve gigabyte minder geheugen, wat op een Android-toestel uit het middensegment het verschil is tussen een app die overleeft en een die door het systeem wordt beëindigd.

Wat het tweede betreft, keert de vergelijking om. LFM2.5-VL-3B noemt 16 talen op zijn modelkaart en levert ONNX- en MLX-builds naast GGUF. De documentatie van MiniCPM-V 4.7 1B is gericht op Engelse en Chinese voorbeelden, en het on-deviceverhaal draait om chipondersteuning voor iOS, Android en HarmonyOS in plaats van om taaldekking. Als je product in het Turks, Pools of Vietnamees wordt geleverd, is het grotere model met de restrictievere licentie het model met de gepubliceerde claim dat het je ondersteunt.

Op het derde punt wint Apache 2.0 overtuigend en valt er niet veel te bespreken.

Waar elk echt beter in is

LFM2.5-VL-3B is gebouwd rond een specifieke set taken, en de kaart zegt dat ook: werk met één beurt, hoge doorvoer en lage latentie, zoals objectdetectie in bijna realtime in automotive-omgevingen, batch-OCR van gescande documenten met lay-outannotatie, en vertaling op het apparaat van menu's en verkeersborden. De kaart benoemt ook waarvoor het model niet bedoeld is — taken met een lange context en redeneerintensieve taken, visueel webdesign, technische vragen over blauwdrukken. Dat soort negatieve richtlijnen is zeldzaam en verdient meer vertrouwen dan de positieve claims.

MiniCPM-V 4.7 1B is gebouwd rond capaciteitsdichtheid onderaan het formaatbereik. De gemengde 4×/16×-tokencompressie is daar de duidelijkste uiting van: hetzelfde checkpoint kan zowel een gedetailleerde documentlezing als een goedkope thumbnail-pass bedienen, per aanvraag gekozen. De slicing-besturingen (36 slices voor afbeeldingen, 1 voor video), de frame-samplingparameters voor video en de afzonderlijke cookbook-vermeldingen voor PDF-parsing en grounding wijzen allemaal op een workload voor documenten en schermen in plaats van een detectieworkload. Het levert ook DSpark speculative-decoding-heads als een afzonderlijk artefact van 213M parameters, wat een echte hefboom voor de doorvoer is als je runtime dit ondersteunt en ballast als dat niet het geval is.

De praktische tweedeling: als je objecten detecteert in een camerastream of bewegwijzering vertaalt met 20 frames per seconde, zijn de latentiecijfers en de taaldekking van de LFM het argument. Als je screenshots, bonnetjes en pagina-afbeeldingen omzet in gestructureerde tekst met een tokenbudget dat je zelf beheert, is de compressieschakelaar van de MiniCPM het argument.

Het verschil dat een koper zou moeten inprijzen

LFM2.5-VL-3B is sinds 11 augustus 2026 beschikbaar — op het moment van schrijven tien weken — wat voor open-weightmodellen lang genoeg is om het kwantisatie-ecosysteem tot rust te laten komen. GGUF-, ONNX- en MLX-builds worden door de leverancier zelf geleverd. Voor elke runtime die je waarschijnlijk gebruikt, is er een werkende route.

MiniCPM-V 4.7 1B is drie weken oud, en de bijbehorende modelkaart opent met een waarschuwing dat CUDA-versiemismatches videodecodering via torchcodec kunnen breken, met twee gedocumenteerde workarounds. De architectuur is nieuw — een model_type dat een maand geleden nog niet bestond — en de minimale Transformers-versie is 5.18.0. Niets daarvan is een defect. Het is de gebruikelijke tol bij het adopteren van een model in de eerste maand, en de reden dat een stille release met evaluatie op basis van grafieken een goede kandidaat is voor een zij-aan-zijtest en een twijfelachtige kandidaat voor een productiepad in week één.

De goedkope manier om die test uit te voeren is het huidige model te laten doorwerken terwijl je de nieuwkomer evalueert, wat een routeringsprobleem is in plaats van een modelleringsprobleem. OrcaRouter draait meer dan 200 gehoste modellen achter één OpenAI-compatibel eindpunt tegen 0% opslag, waarbij de lijstprijs van elke provider ongewijzigd wordt doorgegeven, zodat een prijsverlaging van een leverancier dezelfde dag op je factuur staat in plaats van pas na een herprijzingscyclus. De routerings-DSL kan een primaire en een fallback in één aanroep bevatten, en automatische failover houdt het pad in leven wanneer een provider een slecht uur heeft — wat je wilt wanneer het model dat op proef is een lokale 1B-checkpoint is en het model in productie iets is waarvoor je betaalt. Geen van beide modellen in dit artikel staat in die catalogus: beide zijn checkpoints die je zelf draait, en de router zit eromheen in plaats van een manier te bieden om ze aan te roepen.

De claim, beslecht

Verslaat MiniCPM-V 4.7 1B LFM2.5-VL 3B? Op MathVista met 5,8 punten, zoals beide leveranciers het rapporteren. Op OCR hebben de twee verschillende meetinstrumenten gepubliceerd en kan de vergelijking niet worden gemaakt. Op grafiekredenering en videobegrip claimt OpenBMB een overwinning en publiceert die als grafiek, en Liquid AI heeft nooit gereageerd. De enige vergelijking die volledig te controleren is, ondersteunt de bewering; de andere zijn de leverancier die zijn eigen huiswerk nakijkt in een vorm die zich aan citeren onttrekt.

Wat de bewering niet overleeft, is de lezing dat "het kleinere model simpelweg beter is". LFM2.5-VL-3B biedt zestien talen, geëxporteerde ONNX- en MLX-builds, een gedocumenteerd snelheidscijfer op een Android-telefoon die in de handel is, en een kaart die je vertelt waar je het niet moet gebruiken. MiniCPM-V 4.7 1B biedt een omschakelbaar tokenbudget, een contextvenster van 262k, Apache 2.0 en ongeveer 1,8 GB gekwantiseerd geheugen. Dat zijn verschillende producten in dezelfde benchmarkrij, en het juiste antwoord hangt ervan af welke van die lijsten bij je deployment past — niet welk getal groter is.

Test beide op je eigen afbeeldingen met je eigen kwantisatie. De gewichten zijn gratis en alleen de middag kost het.