LFM3-VL-2B vs North Micro Vision Instruct: dwa czytniki dokumentów, jedna bariera licencyjna

Różnica w dokładności między LFM3-VL-2B a North Micro Vision Instruct jest realna, ale niewielka: około 4,6 punktu w DocVQA i 7,1 w OCRBench, w obu przypadkach w tym samym kierunku. Różnica, która decyduje o wdrożeniach, wcale nie dotyczy benchmarku. North Micro Vision Instruct jest udostępniany na licencji Apache 2.0. LFM3-VL-2B jest udostępniany na licencji LFM Open License v1.0, która zezwala na użycie komercyjne tylko tak długo, jak roczny przychód Twojego podmiotu pozostaje poniżej 10 mln USD.

Oba modele są małe, oba mają otwarte wagi i oba powstały po to, by czytać strony, a nie rozmawiać o fotografiach. Jeden opublikowano w sierpniu 2026 r. i ma za sobą dwa miesiące pobrań i portów. Drugi pojawił się na Hugging Face 19 października, został oficjalnie ogłoszony 27 października i ma 255 pobrań. To porównanie jest więc częściowo kwestią benchmarku, a częściowo pytaniem o to, z jakim ryzykiem możesz żyć: modelem niesprawdzonym czy modelem bez licencji.

Czym tak naprawdę jest każdy model

LFM3-VL-2B to gęsty model Liquid AI o 1,92 mld parametrów: szkielet językowy o 1,73 mld parametrów, wewnętrzny enkoder wizyjny o 164 mln parametrów zaprojektowany tak, aby zużywać około trzy razy mniej mocy obliczeniowej niż SigLIP2, oraz projektor o 25 mln parametrów. Przyjmuje tekst, obrazy i wideo z szybkością 2 fps, generuje tekst, obsługuje tryb myślenia, ma kontekst 128K i obejmuje 16 języków. Repozytorium zawiera kompilacje BF16, GGUF, MLX 4-bit i ONNX, choć obsługa llama.cpp wciąż jest w trakcie przeglądu i nie ma ścieżki przetwarzania wideo.

North Micro Vision Instruct to model Cohere Labs o 2,4 mld parametrów: 2-miliardowy szkielet językowy z rodziny North Micro oraz enkoder o ok. 400 mln parametrów rozwinięty z SigLIP2 SO400M, z projektorem w stylu DeepStack. Przyjmuje przeplatany tekst i obrazy w natywnej rozdzielczości, do 1654×2339 — pełna strona A4 przy 200 dpi — i generuje tekst. Model językowy ma kontekst 128K, ale Cohere podaje, że trening multimodalny zweryfikowano tylko do 8K. Apache 2.0, słownik 262K, od 11 do 12 języków.

Te specyfikacje wyglądają podobnie, ale takie nie są. Kontekst 128K to górny limit liczby tokenów, na których model może skupić uwagę. Wejście w natywnej rozdzielczości to decyzja, by w ogóle nie zmieniać rozmiaru strony. W przypadku zeskanowanej faktury z tabelą w rogu drugie ma większe znaczenie niż pierwsze.

Numery dokumentów, odczytywane z należnymi zastrzeżeniami

Na benchmarkach publikowanych przez obie karty LFM3-VL-2B prowadzi:

• DocVQA — LFM3-VL-2B 96,7 vs North Micro Vision Instruct 92,1.

• OCRBench — 86.3 w porównaniu z 79.2.

• ChartQA — 92,7 kontra 80,8.

• AI2D — North podaje 77,5; Liquid nie publikuje bezpośrednio porównywalnego wiersza AI2D.

• RefCOCO-avg — 90,5 vs 73,2, choć obie karty opisują te średnie na tyle różnie, że wynik odejmowania jest orientacyjny, a nie dokładny.

Wszystkie te dane pochodzą od dostawców, zostały uzyskane na zestawach testowych wybranych przez dostawców i nie ma niezależnego odtworzenia wyników żadnego z modeli. Różnica w DocVQA jest wystarczająco niewielka, że odmienny format promptu mógłby ją zniwelować. Różnica w ChartQA, wynosząca prawie 12 punktów, raczej nie jest szumem, a różnica 7,1 punktu w OCRBench jest spójna z modelem, który został wyraźnie wytrenowany na danych dokumentowych i wykresowych z dołączonym trybem rozumowania.

Interesująca liczba nie znajduje się w wierszach dokumentu. To MMMU, w którym LFM3-VL-2B podaje 55,7, a North Micro Vision Instruct podaje 32,9. To nie jest różnica w dostrajaniu; to inny produkt. Karta samego Cohere mówi, że model celowo nie jest modelem rozumującym, nie obsługuje wywoływania narzędzi i odradza prompty systemowe. Model czyta strony. Karta Liquid twierdzi, że rozumowanie na poziomie absolwenta jest jedną z 62 mierzonych kategorii. Jeśli Twoim zadaniem jest „wyodrębnienie sum z tych 400 faktur”, oba się sprawdzą. Jeśli Twoim zadaniem jest „ustalenie, czy ta faktura narusza politykę”, tylko jeden został do tego zbudowany.

Gdzie deklaracja o 128K staje się niejednoznaczna

Kontekst 128K modelu LFM3-VL-2B to bardziej hojna publikowana wartość, ale długość kontekstu nie jest tym samym co użyteczny kontekst multimodalny. Karta nie podaje, ile tokenów obrazu zużywa strona w natywnej rozdzielczości, i nie publikuje maksymalnej liczby klatek dla wideo. North Micro Vision Instruct podaje liczbę przeciwnego rodzaju: kontekst językowy 128K z treningiem multimodalnym zweryfikowanym do 8K. To konserwatywne ujawnienie i jest bardziej użyteczne niż większa liczba bez określonego budżetu na wizję.

Praktyczny test dla obu modeli jest taki sam: zmierz liczbę tokenów na stronę na własnych dokumentach, zanim zaprojektujesz rozwiązanie wokół okna kontekstu. Okno 128K, które przy Twojej rozdzielczości mieści cztery strony, to nie jest przepływ pracy z dokumentami o rozmiarze 128K.

Licencja to decyzja

Apache 2.0 to Apache 2.0. Możesz używać North Micro Vision Instruct komercyjnie przy dowolnym przychodzie, modyfikować go, redystrybuować i hostować, pod warunkiem że zachowasz wymagane noty. To cała umowa, a dla startupu budującego produkt dokumentowy eliminuje ona całą kategorię przeglądu prawnego.

LFM Open License v1.0 nie jest tym. Definiuje ona wykorzystanie komercyjne szeroko — „wszelkie wykorzystanie Utworu w celu uzyskania bezpośredniej lub pośredniej korzyści handlowej albo wynagrodzenia pieniężnego” — i uzależnia licencję od pozostania przez licencjobiorcę poniżej progu 10 mln USD rocznego przychodu. Powyżej tego progu wykorzystanie komercyjne „nie jest licencjonowane na mocy niniejszej Umowy”. Kwalifikujące się organizacje non-profit są zwolnione w przypadku celów niekomercyjnych i badawczych. Redystrybucja jest dozwolona z podaniem autorstwa i informacją o zmianach. Tekst licencji, który czytaliśmy, nie zawiera odrębnego ograniczenia dotyczącego hostingu, więc ograniczeniem jest pułap przychodów, a nie zakaz świadczenia usług.

Ten pułap przychodów rodzi niezręczną rozmowę. Firma z przychodami 9 mln USD może dziś wdrożyć LFM3-VL-2B i wraz ze wzrostem utracić licencję. Model nie przestaje działać; przestaje obowiązywać pozwolenie. Dla produktu z dwuletnim planem rozwoju to punkt do due diligence, a nie przypis.

Luka we wdrażaniu jest sama w sobie sygnałem

North Micro Vision Instruct został pobrany około 35 000 razy, odkąd jego repozytorium pojawiło się 10 sierpnia 2026 r. LFM3-VL-2B ma 255 pobrań i 34 polubienia od 19 października. Dwa miesiące w porównaniu z dziewięcioma dniami wyjaśniają część tego, ale nie całość: ogłoszenie rodziny LFM3 z 27 października było jednym wpisem na blogu obejmującym sześć modeli, a checkpoint wizyjny otrzymał w nim tylko jeden akapit.

Ciche wydania nie są automatycznie złymi wydaniami. Model bez ceny premierowej, bez hostowanego dostawcy i z wciąż recenzowanym wsparciem frameworków to model, który oceniasz na własnym sprzęcie, a niska liczba pobrań w większości oznacza, że jeszcze nikt tego nie zrobił. Oznacza to również brak społecznościowych kwantyzacji, trackera zgłoszeń pełnego poprawek i zewnętrznego benchmarku, na którym można się oprzeć. North Micro Vision ma wszystkie trzy.

Ile kosztuje każdy z nich, na tyle, na ile ktoś zechce to ujawnić.

Żaden z modeli nie publikuje ceny API na swojej karcie. North Micro Vision Instruct jest dostępny za pośrednictwem platformy Cohere i znalazł się w ofercie kilku zewnętrznych dostawców hostingu; LFM3-VL-2B jest dostępny w Liquid's Playground i przez API bez cennika stawek, a Hugging Face nie wskazuje dla niego żadnego dostawcy inferencji. Na własnym sprzęcie porównanie to 2,4 mld parametrów wobec 1,92 mld, czyli około 4,8 GB wobec 3,84 GB w BF16 — wystarczająco blisko, by koszt GPU nie był czynnikiem rozstrzygającym.

Decydujący czynnik ma charakter operacyjny. Jeśli wynajmujesz hostowany model wizyjny zamiast posiadać którykolwiek z checkpointów, OrcaRouter przekazuje cenę katalogową dostawcy bez marży (0%), więc zmiana ceny przez dostawcę obowiązuje po naszej stronie tego samego dnia, a nie dopiero przy kolejnym odnowieniu umowy. Nie obsługujemy dziś LFM3-VL-2B ani North Micro Vision Instruct i ten tekst nie twierdzi inaczej; chodzi o to, że alternatywa hostowana jest wyceniana wystarczająco przejrzyście, by porównać ją z powyższą kalkulacją self-hostingu.

Kto powinien wybrać, które

Wybierz North Micro Vision Instruct, jeśli potrzebujesz Apache 2.0, jeśli chcesz model, który ma za sobą dwa miesiące użytkowania przez społeczność, lub jeśli Twoje dokumenty to pełne strony w natywnej rozdzielczości, a Twoje zadanie kończy się na ekstrakcji. Zaakceptuj, że nie będzie wnioskować na podstawie wyodrębnionych pól.

Wybierz LFM3-VL-2B, jeśli potrzebujesz wejścia wideo, trybu myślenia lub szerszego asystenta wizualnego, który dobrze radzi sobie również z odczytem dokumentów, oraz jeśli z zapasem mieścisz się poniżej progu przychodów albo możesz wynegocjować osobną licencję. Zaakceptuj, że jesteś wczesnym użytkownikiem checkpointu bez niezależnej ewaluacji i z niepełnym wsparciem dla frameworków.

Na razie nie wybieraj żadnego z nich, jeśli Twój przepływ pracy wymaga płatnego hostowanego punktu końcowego z umową wsparcia. Segment małych modeli o otwartych wagach szybko się poprawia, ale przy 255 pobraniach najnowszy uczestnik nie został przetestowany pod obciążeniem przez nikogo spoza swojego laboratorium.