MiniCPM-V 4.7 1B kontra LFM2.5-VL 3B: OpenBMB twierdzi, że jego model 1B pokonuje model 3B. Oto, co ukrywa to twierdzenie

MiniCPM-V 4.7 1B and LFM2.5-VL 3B are both open-weight vision-language models built for phones and small computers, and they sit less than three weeks apart on the calendar. MiniCPM-V 4.7 1B was uploaded by OpenBMB on October 6, 2026 and dated October 12 in the vendor's release notes. LFM2.5-VL 3B was published by Liquid AI on August 11, 2026. One is 1.55 billion parameters and Apache 2.0. The other is 3.12 billion parameters under the LFM Open License v1.0. And OpenBMB's own product page makes a claim that should stop anyone shopping on size alone: that its 1B model surpasses LFM2.5-VL 3B on OCR, chart reasoning and video understanding. The documented AI failures and agent incidents behind releases like this one are collected in the OrcaRouter AI Incident Archive where each entry carries its own sources, severity, confidence grade and disputed flag.

To zdanie robi dużo roboty. Nie stoi też – na tyle, na ile ktokolwiek może to sprawdzić – w sprzeczności z liczbami, co jest ciekawsze, niż gdyby liczby mu przeczyły. Ten tekst omawia, co każdy dostawca faktycznie opublikował, gdzie porównanie jest rzeczywiste, oraz dwa miejsca, w których teza po cichu zmienia temat.

Twierdzenie, w słowach samego dostawcy

Strona modelu 1B OpenBMB podaje, że model „jest wszechstronnym ulepszeniem względem MiniCPM-V 4.6-1.3B i przewyższa Qwen3.5-0.8B oraz LFM2.5-VL-3B, wyprzedzając modele w swojej klasie rozmiarowej w OCR, rozumowaniu wykresów i rozumieniu wideo”. Klauzula, która ma znaczenie, to „wyprzedzając modele w swojej klasie rozmiarowej”. Porównanie z LFM2.5-VL 3B podano jako dowód gęstości możliwości; zdanie, które następuje, ogranicza twierdzenie do klasy rozmiarowej, do której LFM nie należy.

Liquid AI's card does not return the favour. It does not mention MiniCPM at all, and it benchmarks its model against G​emma4 E2B and E4B, InternVL 3.5 2B and 4B, and Qwen3.5-2B and 4B. So this is a one-sided comparison: one vendor measured itself against the other, and the other has never acknowledged the matchup. That asymmetry is the first thing to know before reading any head-to-head, including this one.

Co każdy dostawca oficjalnie oświadcza

Liquid AI publikuje tabelę liczbową. LFM2.5-VL-3B podaje MathVista 68,5, MMMU Pro 30,5, ChartQA 81,3 oraz OCRBenchv2 47,5 (podzbiór tylko angielski), obok wyników modelu siostrzanego w tych samych wierszach. To liczby producenta, uzyskane przez producenta, i nikt niezależny nie musi się z nimi zgadzać — ale są falsyfikowalne i właśnie to czyni je użytecznymi. Jeśli odtworzysz 55 na MathVista, wiesz, że coś w twojej konfiguracji się różni.

OpenBMB publikuje liczbowe podsumowanie w formie opisowej, a poniżej pełne wykresy. Dla modelu 1B strona podaje OCRBench 86,1, MathVista 74,3, CharXiv Reasoning 48,8, LongVideoBench 53,4 i MotionBench 54,55, a pozostałą część porównania przedstawia jako obrazy z kolumnami 4× i 16×. Sama karta modelu nie zawiera żadnej tabeli benchmarków.

Porównaj je w jedynym benchmarku, który wymieniają oba. MathVista: MiniCPM-V 4.7 1B osiąga 74,3, a LFM2.5-VL 3B — 68,5. Model 1B wyprzedza o 5,8 punktu według danych podanych przez samego dostawcę. W przypadku OCR oba korzystają z różnych narzędzi — OCRBench kontra angielski podzbiór OCRBenchv2 — a liczby nie są porównywalne, co jest dokładnie tym rodzajem szczegółu, który pomija zdanie typu „przewyższa”.

Gdzie porównanie jest porównaniem jabłek z jabłkami

• Parametry — 1,55B gęsty, BF16, 3,1 GB na dysku w porównaniu z 3,12B gęsty, BF16; LFM jest około dwa razy większy od modelu

• Enkoder wizji — wieża w stylu SigLIP2, 27 warstw, 1152 wymiary ukryte, kafelki 980-pikselowe w porównaniu z SigLIP2 NaFlex 400M, nieprzylegające się fragmenty 512×512 plus przeskalowana miniatura

• Szkielet tekstowy — konfiguracja wywodząca się z Qwen3.5 z 24 warstwami, 1024 ukrytymi jednostkami, wzorcem uwagi liniowej do pełnej w proporcji 3:1 w porównaniu z LFM2.5-2.6B, hybrydowa architektura własnego projektu Liquid AI

• Kontekst — 262 144 tokeny vs 32 768 tokenów

• Budżet tokenów wizualnych — przełączalna kompresja 4× lub 16× na żądanie w porównaniu ze stałym budżetem patchy NaFlex ustawianym przez rozdzielczość

• Licencja — Apache 2.0 vs LFM Open License v1.0, która zawiera warunki komercyjne, a nie zwykłą permisywność

• Wymienione języki — angielski i chiński w przykładach karty versus 16 języków wymienionych wprost (od arabskiego po wietnamski)

• Opublikowana ewaluacja — pięć rycin w formie opisowej oraz porównania wyłącznie na wykresach względem tabeli liczbowej w czterech benchmarkach i sześciu modelach siostrzanych

• Niezależna ocena — na dzień pisania tego tekstu brak wpisu Artificial Analysis dla żadnego z nich vs również brak wpisu Artificial Analysis

• Prędkość deklarowana przez producenta — brak wartości tokenów na sekundę dla modelu 1B na jakimkolwiek urządzeniu w porównaniu z 228 tok/s na Apple M5 Max, 116 tok/s na AMD Ryzen AI Max+ 395, 20 tok/s na Galaxy S26 Ultra

• Pamięć — około 3,1 GB BF16; Q4 GGUF 0,67 GB plus projektor wizyjny 0,90–1,11 GB w porównaniu z poniżej 3,3 GB według publikacji, przy czym oferowane są kompilacje GGUF, ONNX i MLX

• Nazwane ścieżki serwowania — Transformers, SGLang, vLLM, llama.cpp, Ollama, OpenVINO, dekodowanie spekulatywne DSpark vs Transformers, vLLM, SGLang, llama.cpp, a także eksporty GGUF, ONNX i MLX

• Działanie na urządzeniu — aplikacje iOS, Android i HarmonyOS oraz wsparcie day-0 dla Rockchip, Houmo, Intel, AMD i Arm, zademonstrowane na przykładzie wyniku dekodowania iPhone 17 Pro Max vs Galaxy S26 Ultra i kompilacji MLX dla Apple Silicon

Dwa wiersze zasługują na drugie spojrzenie. Okno kontekstu to ośmiokrotna różnica na korzyść MiniCPM i to liczba, która wygląda rozstrzygająco, dopóki nie przypomnisz sobie, że model 1B przechowujący 262 tys. tokenów utrzymuje pamięć podręczną KV większą niż jego własne wagi. W praktyce, na telefonie, żaden z modeli nie będzie działać nawet blisko swojego limitu. A wiersz dotyczący licencji to ten, który decyduje o komercyjnym wdrożeniu częściej niż jakikolwiek benchmark: Apache 2.0 nie wymaga rozmowy z prawnikiem, a LFM Open License wymaga.

Część, w której roszczenie zmienia temat

OpenBMB porównuje swój model z konkurentem dwukrotnie większym, na wybranych przez siebie benchmarkach, i przedstawia wynik w formie opisowej. To nie jest nieuczciwe — liczby są publikowane, a porównanie zostało wyrażone wprost. Ale odpowiada to na pytanie, którego nikt wdrażający model tak naprawdę nie zadaje. Nikt nie wybiera między modelem 1B a 3B dlatego, że chce, żeby mniejszy był lepszy. Wybiera, bo jeden mieści się w jego urządzeniu, a drugi nie, albo bo jeden ma potrzebne pokrycie językowe, albo bo licencja jednego przechodzi przegląd prawny.

Jeśli chodzi o pierwszą z tych kwestii, uczciwa interpretacja jest taka, że oba się mieszczą. Karta LFM2.5-VL-3B deklaruje poniżej 3,3 GB i wykazuje 20 tokenów na sekundę na Galaxy S26 Ultra. MiniCPM-V 4.7 1B w Q4 ze swoim projektorem zajmuje blisko 1,8 GB. Zatem prawdziwą zaletą modelu 1B nie jest to, że „działa na telefonie, a tamten nie” — jest nią zapas pamięci: około półtora gigabajta mniej, co na średniej klasy urządzeniu z Androidem oznacza różnicę między aplikacją, która przetrwa, a taką, którą system zabije.

W drugim przypadku porównanie się odwraca. LFM2.5-VL-3B wymienia 16 języków w swojej karcie modelu i udostępnia kompilacje ONNX oraz MLX obok GGUF. Dokumentacja MiniCPM-V 4.7 1B jest zorientowana na przykłady w języku angielskim i chińskim, a jego podejście do pracy na urządzeniu koncentruje się na wsparciu dla układów iOS, Android i HarmonyOS, a nie na pokryciu językowym. Jeśli Twój produkt jest dostępny w języku tureckim, polskim lub wietnamskim, to większy model z bardziej restrykcyjną licencją jest tym, który ma opublikowane zapewnienie o wsparciu.

W trzecim punkcie Apache 2.0 wygrywa bezapelacyjnie i nie ma o czym dyskutować.

W czym każde z nich jest naprawdę lepsze

LFM2.5-VL-3B jest zbudowany wokół konkretnego zestawu zadań i jego karta to potwierdza: praca jednoturowa, o wysokiej przepustowości i niskich opóźnieniach, taka jak wykrywanie obiektów w czasie niemal rzeczywistym w zastosowaniach motoryzacyjnych, wsadowe OCR zeskanowanych dokumentów z adnotacjami układu oraz tłumaczenie menu i znaków drogowych na urządzeniu. Karta wymienia również, do czego model nie służy — zadania wymagające długiego kontekstu i intensywnego rozumowania, wizualny projektowanie stron internetowych, pytania techniczne dotyczące planów. Tego rodzaju wskazówki negatywne są rzadkie i warte zaufania bardziej niż twierdzenia pozytywne.

MiniCPM-V 4.7 1B opiera się na gęstości możliwości w dolnej części zakresu rozmiarów. Mieszana kompresja tokenów 4×/16× jest jej najwyraźniejszym wyrazem: ten sam checkpoint może obsłużyć szczegółowe odczytanie dokumentu i tani przebieg na miniaturze, wybierany dla każdego żądania. Elementy sterujące dzieleniem (36 fragmentów dla obrazów, 1 dla wideo), parametry próbkowania klatek dla wideo oraz osobne wpisy cookbooka dotyczące parsowania PDF i groundingu wskazują na obciążenie związane z dokumentami i ekranem, a nie na obciążenie detekcyjne. Dostarcza również głowy dekodowania spekulatywnego DSpark jako osobny artefakt o 213 mln parametrów, co jest realną dźwignią przepustowości, jeśli Twoje środowisko wykonawcze je obsługuje, a martwym obciążeniem, jeśli nie.

Praktyczny podział: jeśli wykrywasz obiekty w strumieniu z kamery lub tłumaczysz oznaczenia przy 20 klatkach na sekundę, decydującym argumentem są dane dotyczące opóźnień i zakres językowy LFM. Jeśli zamieniasz zrzuty ekranu, paragony i obrazy stron w tekst strukturalny przy budżecie tokenów, który kontrolujesz, decydującym argumentem jest przełącznik kompresji MiniCPM.

Luka, którą kupujący powinien uwzględnić w cenie

LFM2.5-VL-3B jest dostępny od 11 sierpnia 2026 r. — dziesięć tygodni w chwili pisania — co w ekosystemie otwartych wag jest wystarczająco długim okresem, by ekosystem kwantyzacji zdążył się ustabilizować. Wersje GGUF, ONNX i MLX dostarcza sam dostawca. Każde środowisko uruchomieniowe, którego prawdopodobnie użyjesz, ma działającą ścieżkę.

MiniCPM-V 4.7 1B ma trzy tygodnie, a jego karta zaczyna się od zastrzeżenia o niezgodnościach wersji CUDA, które psują dekodowanie wideo przez torchcodec, wraz z dwoma udokumentowanymi obejściami. Architektura jest nowa — model_type, który nie istniał miesiąc temu — a minimalna wersja Transformers to 5.18.0. Nic z tego nie jest wadą. To standardowy podatek od przyjmowania modelu w jego pierwszym miesiącu i powód, dla którego ciche wydanie z ewaluacją opartą na wykresach jest dobrym kandydatem do testu porównawczego, a wątpliwym kandydatem do ścieżki produkcyjnej w pierwszym tygodniu.

Tanim sposobem na przeprowadzenie tego testu jest utrzymanie dotychczasowego modelu w produkcji, podczas gdy oceniasz nowego, co jest problemem rutingu, a nie modelowania. OrcaRouter uruchamia ponad 200 hostowanych modeli za jednym endpointem zgodnym z OpenAI przy 0% marży, przekazując cenę katalogową każdego dostawcy bez zmian, więc obniżka ceny od dostawcy pojawia się na Twoim rachunku tego samego dnia, a nie po cyklu zmian cen. Jego DSL rutingu może utrzymać model główny i zapasowy w jednym wywołaniu, a automatyczne przełączanie awaryjne utrzymuje ścieżkę aktywną, gdy dostawca ma złą godzinę — czego chcesz, gdy model testowany to lokalny checkpoint 1B, a model produkcyjny to coś, za co płacisz. Żaden z modeli opisanych w tym artykule nie znajduje się w tym katalogu: oba to checkpointy, które uruchamiasz samodzielnie, a router działa wokół nich, zamiast oferować sposób ich wywoływania.

Roszczenie, rozstrzygnięte

Czy MiniCPM-V 4.7 1B przewyższa LFM2.5-VL 3B? W MathVista o 5,8 punktu, jak podają obaj dostawcy. W OCR obie firmy użyły różnych narzędzi pomiarowych i porównania nie można przeprowadzić. W rozumowaniu na wykresach i rozumieniu wideo OpenBMB twierdzi, że wygrywa, i publikuje to jako wykres, a Liquid AI nigdy nie odpowiedziało. Jedno porównanie, które można w pełni zweryfikować, wspiera to twierdzenie; pozostałe to dostawca oceniający własną pracę w formacie, który utrudnia cytowanie.

To, czego twierdzenie nie wytrzymuje, to odczytanie go jako „mniejszy model jest po prostu lepszy”. LFM2.5-VL-3B oferuje szesnaście języków, wyeksportowane kompilacje ONNX i MLX, udokumentowany wynik szybkości na dostępnym w sprzedaży telefonie z Androidem oraz kartę, która mówi, gdzie go nie używać. MiniCPM-V 4.7 1B oferuje przełączalny budżet tokenów, okno kontekstu 262k, licencję Apache 2.0 i około 1,8 GB pamięci po kwantyzacji. To różne produkty ubrane w ten sam wiersz benchmarku, a właściwa odpowiedź zależy od tego, która z tych list pasuje do twojego wdrożenia — a nie od tego, która liczba jest większa.

Przetestuj oba na własnych obrazach przy własnej kwantyzacji. Wagi są darmowe, a jedynym kosztem jest popołudnie.