Molmo2-4B vs LFM2.5-VL-3B: 19 GB wag kontra 3 GB na telefon

Postaw oba checkpointy obok siebie na dysku, a porównanie jest niemal rozstrzygnięte, zanim się zacznie. Molmo2-4B jest dostarczany jako 19,42 GB safetensorów float32 w czterech shardach. Natywne repozytorium LFM2.5-VL-3B ma łącznie 6,27 GB, a własna karta modelu Liquid obiecuje, że działa w „mniej niż 3,3 GB pamięci”. Po skwantyzowaniu mniejszego modelu to około sześciokrotna różnica w zajmowanym miejscu w przypadku dwóch modeli, o których mówi się tak, jakby były wymiennymi małymi modelami wizyjno-językowymi. Nie są wymienne, a powodem nie jest jakość. Jeden z nich jest zbudowany do odpowiadania na pytania dotyczące 384-klatkowego wideo. Drugi jest zbudowany do odpowiadania na pytania dotyczące zdjęcia na telefonie z wyłączonym radiem.Żaden z modeli nie jest tu hostowany, więc rola platformy to otaczający stos technologiczny. Ceny z narzutem 0% Cena katalogowa dostawcy jest przekazywana bez zmian.

Żaden z modeli nie jest nowy, co ma znaczenie, jeśli trafiłeś tu ze strony wyników sugerującej inaczej. Molmo2-4B został ogłoszony przez Allen Institute for AI 11 grudnia 2025 r., a jego wagi opublikowano 14 grudnia. LFM2.5-VL-3B ukazał się nakładem Liquid AI 12 sierpnia 2026 r. To, co zmieniło się niedawno, jest węższe i bardziej użyteczne niż premiera: Molmo2 stał się pełnoprawną architekturą w głównym Transformers, a PR #43451 scalono 9 października 2026 r.; model po raz pierwszy trafił do wydania w v5.20.0 15 października, kończąc okres, w którym trzeba było przekazywać trust_remote_code=True i instalować osobny pakiet molmo_utils. 5 listopada Ai2 opublikował także Molmo2-4B-tb, dostrojony do robotyki model oparty na dokładnie tym checkpoincie. Żadne z tych wydarzeń nie czyni Molmo2-4B nowym. Oba sprawiają, że uruchamianie go stało się dopiero teraz praktyczne.

Kwestia pamięci — w liczbach, a nie w przymiotnikach.

Najpierw rozmiary, bo to one przesądzają o większości wdrożeń, zanim ktokolwiek spojrzy na choćby jeden benchmark.

Parametry — Molmo2-4B to 4 850 869 200 parametrów w wieży wizyjnej SigLIP 2 i rdzeniu językowym Qwen3-4B-Instruct-2507; LFM2.5-VL-3B to 3 123 483 888 parametrów w enkoderze SigLIP2 NaFlex 400M i szkielecie LFM2.5 o 2,6 mld parametrów.

• Format udostępnianych wag — Molmo2-4B jest dystrybuowany w formacie float32, 19,42 GB na dysku, w czterech shardach; LFM2.5-VL-3B jest dystrybuowany w formacie bfloat16 o rozmiarze 6,27 GB, wraz z opublikowanymi równolegle oficjalnymi eksportami GGUF, ONNX i MLX.

• Deklarowany ślad pamięciowy w czasie działania — Liquid twierdzi, że LFM2.5-VL-3B podczas wnioskowania zużywa poniżej 3,3 GB; AI2 nie publikuje danych o pamięci w czasie działania dla Molmo2-4B, a dystrybucja w formacie float32 oznacza, że przed serwowaniem będziesz musiał wykonać rzutowanie.

• Przepustowość — Liquid podaje 228 tokenów/s na Apple M5 Max, 116 tokenów/s na AMD Ryzen AI Max+ 395 i 20 tokenów/s na Galaxy S26 Ultra. Dla Molmo2-4B nie ma żadnej równoważnej publicznej wartości liczbowej w żadnym rozmiarze.

• Kontekst — 32 768 tokenów dla LFM2.5-VL-3B; 36 864 pozycji w konfiguracji tekstowej Molmo2-4B, osiągniętych dzięki dedykowanemu etapowi dostrajania długiego kontekstu przy 384 klatkach.

Ta ostatnia para zasługuje raczej na zastrzeżenie niż na porównanie. 36 864 w Molmo2-4B to budżet długości sekwencji, który jego potok wideo szybko pochłania: udostępniony preprocesor wideo domyślnie przyjmuje 384 klatki przy 2 fps, skalowane do 378×378 z poolingiem 3×3. Długi klip może zużyć całe okno tylko na klatki, pozostawiając niewiele miejsca na pytanie. 32 768 w LFM2.5-VL-3B jest przeznaczane na tekst i fragmenty obrazu, ponieważ nie ma on w ogóle ścieżki wideo.

Wideo jest linią podziału, a nie tabelą benchmarków

LFM2.5-VL-3B przetwarza tekst i obrazy. To cały jego zakres danych wejściowych. Jest bardzo dobry w tym, do czego powstał — OCR całych stron z adnotacjami układu, wykrywanie obiektów na podstawie zapytań w języku naturalnym, odczyt ekranu i praca na urządzeniu w czasie niemal rzeczywistym — ale wideo nie jest jednym z jego danych wejściowych i żadne zabiegi inżynierii promptów tego nie zmienią.

Molmo2-4B zbudowano odwrotnie. Karta modelu Ai2 wymienia dziewięć zestawów treningowych, a pięć z nich to wideo lub wiele obrazów: QA do opisywania wideo, QA do napisów wideo, wskazywanie w wideo, śledzenie w wideo, QA dla wielu obrazów, wskazywanie na wielu obrazach. Nietypową częścią są dane wyjściowe wskazywania. Współrzędne są zwracane przeskalowane do 0–1000 szerokości i wysokości obrazu, w formacie z tagami, dla którego karta dostarcza wyrażenie regularne, więc odpowiedź na „gdzie jest łódź” to punkt liczbowy, a nie zdanie. Ten sam format przenosi znacznik czasu w trybie wideo, co w ogóle umożliwia śledzenie na poziomie klatek.

Jeśli Twoim zadaniem jest zrzut ekranu, zeskanowana strona, zdjęcie półki lub menu, nic z tego nie ma znaczenia, a model 3 GB jest po prostu lepszym wyborem inżynierskim. Jeśli Twoim zadaniem jest „znaleźć moment, w którym skrzynia spada z palety”, LFM2.5-VL-3B nie może wejść do porównania.

Dwie średnie dostawców, których nie wolno odejmować od siebie

Oto gdzie większość stron porównawczych popełnia błąd. Liquid podaje średnią 69,4 dla LFM2.5-VL-3B w tabeli wizyjnej obejmującej 28 benchmarków. AI2 podaje średnią 62,8 dla Molmo2-4B w 15 akademickich benchmarkach. Zestaw te dwie liczby obok siebie, a LFM2.5-VL-3B wygląda na lepszy o 6,6 punktu. To nie jest miarodajne porównanie: inne zestawy benchmarków, inne formaty promptów, inne ustawienia dekodowania, a w przypadku Liquid — zestaw wybrany przez samych autorów.

Co każdy dostawca faktycznie raportuje, wraz z dołączoną informacją o pochodzeniu:

• LFM2.5-VL-3B, według danych producenta — DocVQA 91,1, RefCOCO-avg 87,9, CountBenchQA 87,3, OCRBench v1 84,2, TextVQA 84,3, MMBench 81,0, SEED-Bench obraz 77,7, ScreenSpot-v2 Web 82,2, MMStar 63,3, MMMU 48,4, MMMU-Pro 30,5, MathVista mini 68,5.

• Molmo2-4B, według danych dostawcy — średnia 62,8 w 15 akademickich testach porównawczych, wobec 63,1 dla modelu 8B z tej samej rodziny, 58,1 dla Qwen3-VL-4B, 53,4 dla InternVL3.5-4B, 59,6 dla Claude Sonnet 4.5, 70,0 dla Gemini 3 Pro i 70,6 dla GPT-5 w tej samej tabeli.

• Nigdzie nie zgłoszone przez żadnego z dostawców — wspólny harness. Żadna z firm nie opublikowała wyników Molmo2-4B w zestawie 28 testów Liquid ani wyników LFM2.5-VL-3B w tabeli 15 testów AI2.

Jedyną naprawdę porównywalną osią jest rozmiar modelu, i pod tym względem model 4.85B przewyższa model 3.12B w średniej AI2, jednocześnie mocno przegrywając pod względem wymagań wdrożeniowych. Taki jest kompromis, ujęty wprost.

Licencje: żadna z nich nie jest Apache-2.0, choć tak wygląda

Obie karty mają etykietę, która brzmi przyzwalająco, i obie mają haczyk, który znajdzie osoba oceniająca zamówienia.

• Molmo2-4B — wagi na licencji Apache 2.0, ale karta modelu dodaje, że model „jest trenowany na zbiorach danych stron trzecich, które są przeznaczone wyłącznie do akademickiego i niekomercyjnego użytku badawczego”, i zaleca sprawdzenie źródeł przed podjęciem decyzji, czy model jest odpowiedni. Wagi są otwarte; pochodzenie danych nie jest czyste pod kątem użycia komercyjnego, a Ai2 mówi o tym wprost na karcie, a nie w przypisie.

• LFM2.5-VL-3B — licencja LFM Open License v1.0, która nie jest licencją OSI. Użycie komercyjne jest dozwolone warunkowo: sekcja 5 uzależnia prawa komercyjne od tego, czy Twój podmiot prawny pozostaje poniżej określonego Progu, a licencja definiuje ten Próg jako roczny przychód w wysokości 10 milionów dolarów amerykańskich lub więcej.

Żadne z tych ograniczeń nie jest nietypowe jak na wydanie powiązane z badaniami. Oba oznaczają, że pytanie „czy możemy to wypuścić” ma inną odpowiedź w przypadku dwuosobowego prototypu i finansowanej firmy, a te dwie odpowiedzi wskazują przeciwne kierunki w zależności od wybranego modelu.

Dziś uruchamiam którykolwiek z nich

Karta modelu Molmo2-4B pozostaje już w tyle za biblioteką. Nadal zaleca instalację transformers==4.57.1, przekazanie trust_remote_code=True oraz instalację molmo_utils i decord2. Ten przepis działa. Nie jest już jednak jedyny: od wersji v5.20.0 standardowy Transformers zawiera klasę Molmo2ForConditionalGeneration z własną konfiguracją, procesorem obrazów, procesorem wideo i procesorem, więc ścieżka remote-code jest opcjonalna, a nie obowiązkowa. vLLM obsługuje Molmo2 za pośrednictwem własnej klasy modelu od czasu tuż po premierze; dokumentacja platformy AI2 nadal wskazuje na nocne pakiety wheel zamiast stabilnego wydania, co warto wiedzieć, zanim przypniesz wersję na produkcji.

LFM2.5-VL-3B ma dojrzalszą historię wdrożeniową z tych dwóch i nie ma tu porównania: natywne wagi oraz eksporty GGUF, ONNX i MLX, a llama.cpp, vLLM i SGLang są wymienione jako obsługiwane, wraz z opublikowaną przepustowością na trzech różnych urządzeniach konsumenckich. Jeśli Twoim celem jest laptop, telefon lub komputer jednopłytkowy, ten ekosystem jest produktem.

Praktyczna uwaga dla każdego, kto planuje kierować ruch między nimi: żaden z modeli nie znajduje się w katalogu OrcaRouter, a odczytywanie takiego porównania jako twierdzenia o dostępności byłoby błędem. To, co platforma faktycznie oferuje, to jedno API dla ponad 200 modeli obok wdrożenia self-hosted, takiego jak te dwa, z automatycznym przełączaniem awaryjnym i przekazywaną bez narzutu ceną katalogową dostawcy. Typowy schemat polega na utrzymywaniu małego modelu wizyjnego lokalnie na ścieżce krytycznej dla opóźnień i kierowaniu trudniejszych, rzadszych żądań na zewnątrz — oraz na potwierdzeniu tego podziału rzeczywistym ruchem przed wyborem któregokolwiek z nich.

Który wybrać?

Wybierz LFM2.5-VL-3B, jeśli celem wdrożenia jest telefon, laptop lub urządzenie edge, jeśli Twoje dane wejściowe to zrzuty ekranu, dokumenty lub pojedyncze zdjęcia, jeśli potrzebujesz opóźnienia pierwszego tokenu poniżej sekundy lub jeśli potrzebujesz jednego z istniejących już dla niego formatów skwantyzowanych. Obsługa 16 języków i wyniki ScreenSpot-v2 sprawiają, że jest to uzasadniony wybór konkretnie do rozumienia ekranu na urządzeniu.

Wybierz Molmo2-4B, jeśli wideo wchodzi w zakres, jeśli potrzebujesz współrzędnych zamiast prozy, jeśli potrzebujesz rozumowania na wielu obrazach w obrębie zestawu klatek lub jeśli zadanie polega na liczeniu obiektów w scenie — własne porównanie AI2 stawia rodzinę Molmo2 na czele otwartych modeli pod względem liczenia na wideo, przyznając jednocześnie, że żaden model w jego ewaluacji nie osiąga 40% dokładności. Uwzględnij zapotrzebowanie na zasoby: 19,42 GB wag float32, rzutowanie na bfloat16 przed serwowaniem i GPU zamiast telefonu.

To, co należycie by to rozstrzygnęło, to wspólna ocena w ramach jednego środowiska testowego, przy dopasowanej kwantyzacji, z opóźnieniem mierzonym na tym samym urządzeniu. Żaden z dostawców takiej nie opublikował, a dopóki ktoś tego nie zrobi, uczciwa odpowiedź brzmi, że te dwa modele zaprojektowano do różnych zadań, a benchmarki nigdy nie miały się spotkać.