MiniCPM-V 4.7 vs LFM2.5-VL 3B: Een mysterie van 70 GB tegenover een 3B-model dat je op een laptop kunt uitrollen

MiniCPM-V 4.7 en LFM2.5-VL 3B worden verkocht als hetzelfde soort ding — compacte visie-taalmodellen die je zelf draait — en in de praktijk kunnen ze nauwelijks verder uit elkaar liggen. LFM2.5-VL 3B is een afgewerkt product: een gedocumenteerde checkpoint van 3,1 miljard parameters van Liquid AI, met een licentie, een modelkaart, GGUF-quants in het wild, en een afnemend aantal goede redenen om hem niet gewoon te downloaden en uit te proberen. MiniCPM-V 4.7 is een sparse mixture-of-experts-checkpoint van 35,2 miljard parameters die OpenBMB op 6 oktober 2026 naar Hugging Face uploadde, zonder modelkaart, zonder licentie en zonder enige benchmarks. Ze vergelijken is niet twee modellen vergelijken. Het is een model vergelijken met een artefact dat waarschijnlijk een model zal worden.

De matchup, op voorhand eerlijk gezegd

Deze pagina kan je een compleet beeld geven van LFM2.5-VL 3B, omdat Liquid AI er een heeft gepubliceerd. De pagina kan je een compleet beeld geven van MiniCPM-V 4.7's vorm en helemaal niets over het gedrag ervan, omdat OpenBMB een config.json publiceerde en toen stopte. Alles hieronder over de MiniCPM-kant is gelezen uit dat configuratiebestand en de gewichtsindex; alles over de Liquid-kant komt uit de modelkaart, en de prestatieclaims van de kaart zelf zijn door de leverancier gerapporteerd en als zodanig aangeduid. Waar een getal bestaat voor het ene model en niet voor het andere, is het eerlijk om de leemte zichtbaar te laten in plaats van die te verdoezelen.

Wat elk is

LFM2.5-VL-3B werd uitgebracht op 11 augustus 2026. Het is een multimodale variant van de LFM2.5-familie, gebouwd voor implementatie op het apparaat, en begint niet vanaf nul: het neemt de LFM2.5-2.6B-taalbackbone en combineert deze met een SigLIP2 NaFlex vision-encoder. NaFlex is het onderdeel dat ertoe doet voor werk met documenten — het behoudt de oorspronkelijke beeldverhouding en resolutie in plaats van elk beeld in een vast vierkant te dwingen, en daarom zijn de belangrijkste verbeteringen van de kaart grounding met vragen in natuurlijke taal en OCR over volledige pagina's met lay-outannotatie. Het wordt geleverd onder de LFM Open License v1.0 en bestrijkt zestien talen, waaronder Engels, Chinees, Japans, Koreaans, Arabisch, Hindi, Frans, Duits, Spaans, Portugees, Italiaans, Pools, Russisch, Thais, Vietnamees en Indonesisch. Omdat het 3B is, verschenen er binnen een dag na de release GGUF-builds en in september volgde een DSpark-variant, dus het ecosysteem eromheen is reëel: je kunt vandaag een quant ophalen en op een laptop draaien.

MiniCPM-V 4.7 is een BF16-checkpoint met 35.212.875.824 parameters, 70,4 GB verdeeld over zestien shards, klasse MiniCPMV4_7ForConditionalGeneration, geüpload naar openbmb/MiniCPM-V-4.7-35B-A3B op 6 oktober 2026.

De taalbackbone is getagd als qwen3_5_moe_text — een van Qwen3.5 afgeleide sparse MoE met 256 experts, waarvan er 8 per token worden geselecteerd — en de 40 lagen volgen een vast patroon van drie lineaire naar één volledige attention, dus 30 van de 40 lagen gebruiken een Mamba-achtig lineair pad in plaats van conventionele attention. De context is 256K. De vision tower is eigen aan de MiniCPM-V-lijn, met ongeveer dezelfde vorm die MiniCPM-V 4.6 gebruikte. Er is geen README in de repository, wat op Hugging Face betekent dat er geen licentie is.

De vergelijking die daadwerkelijk mogelijk is

Zes dimensies, beide zijden, en bij elk een opmerking over hoeveel gewicht het getal draagt.

• Totaal aantal parameters — LFM2.5-VL 3B: 3,12B, allemaal actief per token. MiniCPM-V 4.7: 35,2B totaal, sparse, 8 van de 256 experts actief per token. Het MiniCPM-getal is niet vergelijkbaar met het aantal parameters van een dense model en het werkelijke budget voor actieve parameters is niet gepubliceerd; beschouw "A3B" als een naam, niet als een meting.

• Effectieve grootte op schijf — LFM2.5-VL 3B: één enkel ~6 GB safetensors-bestand in BF16, of een fractie daarvan als GGUF. MiniCPM-V 4.7: 70,4 GB verdeeld over zestien shards, alleen BF16.

• Licentie — LFM2.5-VL 3B: LFM Open License v1.0, gepubliceerd en gelinkt vanaf de kaart. MiniCPM-V 4.7: geen enkele aangegeven. Zonder een licentie:-tag geldt standaard dat alle rechten voorbehouden zijn, dus dit is een blokkade, geen voetnoot.

• Visie-aanpak — LFM2.5-VL 3B: SigLIP2 NaFlex, native resolutie met behoud van beeldverhouding, de kaart claimt OCR over volledige pagina's met lay-outannotatie. MiniCPM-V 4.7: aangepaste minicpmv4_7_vision-toren met downsample_mode: "16x" en max_slice_nums: 9.

• Context — LFM2.5-VL 3B: de serveervoorbeelden van de kaart zijn bescheiden vergeleken met een long-contextontwerp, en de familie richt zich op geheugenbudgetten op het toestel. MiniCPM-V 4.7: max_position_embeddings: 262144, met tokenizer model_max_length die op 256K overeenstemt.

• Bewijs van kwaliteit — LFM2.5-VL 3B: een gepubliceerde kaart met door de leverancier gerapporteerde verbeteringen ten opzichte van LFM2-VL-3B, quants van derden, en een Hugging Face-geschiedenis van ongeveer 25.900 downloads. MiniCPM-V 4.7: nul downloads, drie likes, geen kaart, geen benchmarks, geen onafhankelijke evaluatie. Niets om te citeren.

• Hulpmiddelen — LFM2.5-VL 3B: GGUF- en MLX-builds van derden, plus een DSpark-variant. MiniCPM-V 4.7: geen. Er bestaat nog geen enkele vorm van kwantisatie.

De twee derde van deze pagina die ontbreekt

Elk vergelijkingsartikel in dit domein wordt geleverd met een benchmarkparagraaf. Dit artikel kan dat niet. Er is geen MMMU, geen OCRBench, geen DocVQA, geen grounding-cijfer, geen latentiemeting en geen VRAM-getal voor MiniCPM-V 4.7 — niet omdat ze lastig op te zoeken waren, maar omdat niets in de repository ze bevat en geen enkele derde partij ze heeft geproduceerd. Een model dat zonder modelkaart wordt geüpload, is vanuit evaluatieoogpunt ongemeten. Wie je iets anders vertelt, doet een gevolgtrekking op basis van de familienaam of het aantal parameters, en beide zijn slechte voorspellers van multimodale kwaliteit.

Hetzelfde geldt voor een subtielere vraag: of de sparse MoE daadwerkelijk helpt. Een 35B-A3B-ontwerp ruilt totaalgeheugen in voor rekenkracht per token, en de kwaliteit van instructieopvolging van een sparse model hangt volledig af van hoe goed de router is getraind. De configuratie toont een auxiliary-losscoëfficiënt voor routering van 0,001 en een gedeelde expert naast de 256 gerouteerde experts, wat een conventionele opzet is — maar een conventionele opzet is geen bewijs van goede routering.

Aan de Liquid-kant is het ontbrekende stuk anders: de kwaliteitsclaims van de kaart zijn die van de leverancier zelf.

De verbeteringen aan OCR en grounding worden beschreven door de mensen die het model hebben getraind, en hoewel quants van derden en het downloadvolume laten zien dat de community het nuttig genoeg vond om over te stappen, is dat bewijs van adoptie en niet van kwaliteit. Niemand heeft een onafhankelijke head-to-headvergelijking gepubliceerd.

Naar welke zou je daadwerkelijk grijpen?

De beslissingsboom is hier ongewoon helder, omdat de twee modellen niet om dezelfde taak concurreren.

Als je een visie-taalmodel nodig hebt dat op een laptop, een telefoon, een Jetson of één bescheiden GPU draait, is LFM2.5-VL 3B de enige van de twee die de vraag beantwoordt. Het is klein genoeg om te kwantiseren, het heeft een licentie die het werk toestaat, en iemand heeft het conversiewerk al voor je gedaan. Voor documentindeling, het parsen van schermafbeeldingen en gegronde objectbeschrijving op een grootte- en taalvoetafdruk die binnen een edge-budget past, sluiten de opgegeven sterke punten van de kaart aan op het implementatiedoel.

MiniCPM-V 4.7 is geen kandidaat voor die taak bij 70 GB in BF16. Het is een kandidaat voor de tegenovergestelde taak: een multimodaal model met lange context en hoge doorvoer op serverhardware, in workloads waarin het 256K-venster en de besparingen op de KV-cache door linear attention juist het punt zijn. Of het die taak goed uitvoert, is onbekend, en de licentiekwestie moet worden beantwoord voordat het die taak überhaupt in iets commercieels kan uitvoeren.

Er is een derde optie die het vermelden waard is, namelijk dat je misschien niet hoeft te kiezen. Als de architectuur is "een klein lokaal model verwerkt het grootste deel van het verkeer en schuift de moeilijke gevallen door naar iets dat gehost wordt," dan is het lokale deel daarvan een beslissing die je vandaag kunt nemen en het gehoste deel een routeringsbeslissing. OrcaRouter dekt een paar honderd gehoste modellen achter één sleutel tegen de lijstprijs van elke provider, zonder dat er iets bovenop komt, met failover wanneer een provider achteruitgaat — maar wees duidelijk over wat dat niet is: noch LFM2.5-VL 3B noch MiniCPM-V 4.7 is een gehost model op die router. Beide zijn gewichten die je zelf serveert. De router is wat erachter zit.

Hoe dit ervoor staat en wat te vernieuwen

Liquid AI heeft een afgerond klein model uitgebracht. OpenBMB heeft een onafgerond groot model uitgebracht. De vergelijking die lezers willen — nauwkeurigheid versus latentie, OCR versus OCR — kan voor de MiniCPM-kant nog niet worden geschreven, en het stuk dat oneerlijk zou zijn, is het stuk dat de ruimte vult met rekenwerk op basis van parameteraantallen. Houd de README van de repository in de gaten. Op de dag dat die verschijnt, zal die de licentie en de eerste echte cijfers bevatten, en op die dag wordt dit een echte rechtstreekse vergelijking in plaats van een specificatieblad naast een product.

De gehoste helft van dat patroon is eerder een routeringsbeslissing dan een tweede contract. de lijstprijs van elke provider, zonder dat wij daaraan een opslag toevoegen Noch LFM2.5-VL 3B noch MiniCPM-V 4.7 is een gehost model op OrcaRouter - beide zijn gewichten die je zelf serveert.