LFM3-VL-2B vs North Micro Vision Instruct: Dois leitores de documentos, uma barreira de licença

A diferença de precisão entre LFM3-VL-2B e North Micro Vision Instruct é real, mas pequena: cerca de 4,6 pontos no DocVQA e 7,1 no OCRBench, ambos na mesma direção. A diferença que decide as implantações não é um benchmark, de modo algum. North Micro Vision Instruct é distribuído sob Apache 2.0. LFM3-VL-2B é distribuído sob a LFM Open License v1.0, que licencia o uso comercial apenas enquanto sua entidade permanecer abaixo de US$ 10 milhões em receita anual.

Ambos os modelos são pequenos, ambos têm pesos abertos e ambos foram criados para ler páginas em vez de conversar sobre fotografias. Um foi publicado em agosto de 2026 e teve dois meses de downloads e ports. O outro apareceu no Hugging Face em 19 de outubro, foi anunciado formalmente em 27 de outubro e tem 255 downloads. Esta comparação é, portanto, em parte uma questão de benchmark e em parte uma questão sobre qual risco você consegue tolerar: um modelo não comprovado ou um modelo sem licença.

O que cada modelo realmente é

O LFM3-VL-2B é o modelo denso de 1,92 bi de parâmetros da Liquid AI: um backbone de linguagem de 1,73 bi, um codificador de visão próprio de 164 M criado para usar cerca de três vezes menos computação que o SigLIP2, e um projetor de 25 M. Ele aceita texto, imagens e vídeo a 2 fps, gera texto, oferece suporte a um modo de raciocínio, tem contexto de 128K e cobre 16 idiomas. O repositório inclui versões BF16, GGUF, MLX 4-bit e ONNX, embora o suporte do llama.cpp ainda esteja em revisão e não tenha caminho para vídeo.

O North Micro Vision Instruct é o modelo 2,4B da Cohere Labs: um backbone de linguagem de 2B da família North Micro, além de um encoder de aproximadamente 400M continuado a partir do SigLIP2 SO400M, com um projetor no estilo DeepStack. Ele recebe texto e imagens intercalados em resolução nativa, de até 1654×2339 — uma página A4 completa a 200 dpi — e gera texto. O modelo de linguagem tem contexto de 128K, mas a Cohere afirma que o treinamento multimodal foi validado apenas até 8K. Apache 2.0, vocabulário de 262K, 11 a 12 idiomas.

Essas especificações parecem semelhantes, mas não são. Um contexto de 128K é um teto para os tokens aos quais o modelo pode atender. A entrada em resolução nativa é a decisão de não redimensionar a página desde o início. Para uma fatura digitalizada com uma tabela no canto, a segunda importa mais que a primeira.

Os números dos documentos, lidos com as devidas ressalvas

Nos benchmarks publicados por ambas as placas, o LFM3-VL-2B lidera:

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

• OCRBench — 86,3 vs 79,2.

• ChartQA — 92,7 vs 80,8.

• AI2D — A North reporta 77,5; a Liquid não publica uma linha AI2D diretamente comparável.

• RefCOCO-avg — 90,5 vs 73,2, embora os dois cartões descrevam essas médias de forma suficientemente diferente para que a subtração seja indicativa, e não exata.

Todos estes são relatos dos fornecedores, em harnesses que os fornecedores escolheram, sem reprodução independente de nenhum dos dois modelos. A diferença no DocVQA é estreita o suficiente para que uma diferença no formato do prompt possa fechá-la. A diferença no ChartQA, de quase 12 pontos, é menos provável que seja ruído, e a diferença no OCRBench de 7,1 pontos é consistente com um modelo que foi explicitamente treinado em dados de documentos e gráficos com um modo de raciocínio acoplado.

O número interessante não está nas linhas do documento. É o MMMU, em que o LFM3-VL-2B apresenta 55,7 e o North Micro Vision Instruct apresenta 32,9. Isso não é uma diferença de ajuste; é um produto diferente. A própria ficha da Cohere diz que o modelo deliberadamente não é um modelo de raciocínio, não faz chamadas de ferramentas e desencoraja prompts de sistema. Ele lê páginas. A ficha da Liquid afirma raciocínio de nível de pós-graduação como uma das 62 categorias medidas. Se sua tarefa é "extrair os totais destas 400 faturas", ambos funcionam. Se sua tarefa é "decidir se esta fatura viola a política", apenas um foi construído para isso.

Onde a alegação dos 128K fica escorregadia

O contexto de 128K do LFM3-VL-2B é o valor publicado mais generoso, mas o comprimento de contexto não é o mesmo que contexto multimodal utilizável. A ficha não declara quantos tokens de imagem uma página consome em resolução nativa, e não publica uma contagem máxima de quadros para vídeo. O North Micro Vision Instruct publica o tipo oposto de número: um contexto de linguagem de 128K com treinamento multimodal validado até 8K. Essa é uma divulgação conservadora, e é mais útil do que um número maior sem um orçamento de visão declarado.

O teste prático para qualquer um dos modelos é o mesmo: meça a quantidade de tokens por página nos seus próprios documentos antes de dimensionar seu projeto com base em uma janela de contexto. Uma janela de 128K que comporta quatro páginas na sua resolução não constitui um fluxo de trabalho de documentos de 128K.

A licença é a decisão

Apache 2.0 é Apache 2.0. Você pode usar o North Micro Vision Instruct comercialmente, com qualquer receita, modificá-lo, redistribuí-lo e hospedá-lo, desde que mantenha os avisos. Esse é o acordo inteiro e, para uma startup que cria um produto de documentos, ele elimina toda uma categoria de revisão jurídica.

A LFM Open License v1.0 não é isso. Ela define uso comercial de forma ampla — “qualquer uso da Obra para vantagem comercial direta ou indireta ou compensação monetária” — e condiciona a licença a que o licenciado permaneça abaixo de um limite de receita anual de US$ 10 milhões. Acima desse limite, o uso comercial “não é licenciado sob este Contrato”. Organizações sem fins lucrativos qualificadas são isentas para fins não comerciais e de pesquisa. A redistribuição é permitida com atribuição e avisos de alteração. O texto da licença que lemos não contém restrição separada de hospedagem, portanto o teto de receita, e não uma proibição de servir, é a restrição.

Esse teto gera uma conversa desconfortável. Uma empresa com US$ 9 milhões em receita pode lançar o LFM3-VL-2B hoje e perder a licença ao crescer. O modelo não deixa de funcionar; a permissão, sim. Para um produto com um roteiro de dois anos, isso é um item de due diligence, não uma nota de rodapé.

A lacuna de adoção é um sinal por si só

O North Micro Vision Instruct foi baixado cerca de 35.000 vezes desde que seu repositório apareceu em 10 de agosto de 2026. O LFM3-VL-2B tem 255 downloads e 34 curtidas desde 19 de outubro. Dois meses contra nove dias explicam parte disso, mas não tudo: o anúncio da família LFM3 em 27 de outubro foi um único post de blog cobrindo seis modelos, e o checkpoint de visão recebeu apenas um parágrafo dele.

Lançamentos discretos não são automaticamente lançamentos ruins. Um modelo sem preço de lançamento, sem provedor hospedado e com suporte de framework ainda em análise é um modelo que você avalia no seu próprio hardware, e a baixa contagem de downloads significa principalmente que ninguém fez isso ainda. Também significa que não há quantização da comunidade, nem um issue tracker cheio de correções, nem um benchmark de terceiros em que se apoiar. A North Micro Vision tem os três.

Quanto custa cada um, pelo que alguém se dispõe a dizer

Nenhum dos modelos publica um preço de API em seu card. O North Micro Vision Instruct está disponível por meio da plataforma da Cohere e foi adotado por vários hosts de terceiros; o LFM3-VL-2B está disponível no Playground e na API da Liquid sem uma tabela de preços, e o Hugging Face não lista nenhum provedor de inferência para ele. Em hardware próprio, a comparação é de 2,4B parâmetros contra 1,92B, ou cerca de 4,8 GB contra 3,84 GB em BF16 — próximo o suficiente para que o custo de GPU não seja o critério de desempate.

O critério de desempate é operacional. Se você alugar um modelo de visão hospedado em vez de possuir qualquer um dos checkpoints, a OrcaRouter repassa o preço de tabela do provedor com 0% de acréscimo, então uma mudança de preço do fornecedor entra em vigor do nosso lado no mesmo dia, e não na próxima renovação de contrato. Não atendemos LFM3-VL-2B nem North Micro Vision Instruct hoje, e este texto não afirma o contrário; o ponto é que a alternativa hospedada tem preço transparente o suficiente para ser comparada com os cálculos de auto-hospedagem acima.

Quem deve escolher qual?

Escolha North Micro Vision Instruct se precisar de Apache 2.0, se quiser um modelo com dois meses de uso pela comunidade, ou se seus documentos forem páginas inteiras em resolução nativa e sua tarefa parar na extração. Aceite que ele não raciocinará entre os campos extraídos.

Escolha o LFM3-VL-2B se você precisar de entrada de vídeo, de um modo de raciocínio ou de um assistente visual mais abrangente que, por acaso, lê documentos bem, e se estiver confortavelmente abaixo do limite de receita ou puder negociar uma licença separada. Aceite que você é um adotante inicial de um checkpoint sem avaliação independente e com suporte incompleto a frameworks.

Não escolha nenhum dos dois, por enquanto, se seu fluxo de trabalho precisar de um endpoint hospedado pago com contrato de suporte. A categoria pequena de pesos abertos está melhorando rapidamente, mas, com 255 downloads, o mais novo participante ainda não foi testado sob estresse por ninguém fora do seu laboratório.