Molmo2-4B vs LFM2.5-VL-3B: 19 GB de pesos contra 3 GB de celular

Coloque os dois checkpoints lado a lado no disco e a comparação praticamente termina antes de começar. O Molmo2-4B é distribuído como 19,42 GB de safetensors float32 em quatro shards. O repositório nativo do LFM2.5-VL-3B soma 6,27 GB, e o próprio card da Liquid promete que ele roda em "menos de 3,3 GB de memória". Depois de quantizar o modelo menor, isso é uma diferença de aproximadamente seis para um na pegada para dois modelos que são discutidos como se fossem modelos pequenos de visão-linguagem intercambiáveis. Eles não são intercambiáveis, e o motivo não é a qualidade. Um deles é construído para responder perguntas sobre um vídeo de 384 quadros. O outro é construído para responder perguntas sobre uma fotografia em um celular com o rádio desligado. Nenhum dos dois modelos é hospedado aqui, então o papel da plataforma é a stack ao redor. preço com 0% de markup O preço de tabela do provedor é repassado sem alterações.

Nenhum dos dois modelos é novo, o que importa se você chegou de uma página de resultados que sugira o contrário. O Molmo2-4B foi anunciado pelo Allen Institute for AI em 11 de dezembro de 2025, e seus pesos foram disponibilizados em 14 de dezembro. O LFM2.5-VL-3B foi lançado pela Liquid AI em 12 de agosto de 2026. O que mudou recentemente é mais restrito e mais útil do que um lançamento: o Molmo2 se tornou uma arquitetura de primeira classe no Transformers upstream, com o PR #43451 mesclado em 9 de outubro de 2026 e o modelo sendo disponibilizado pela primeira vez na v5.20.0 em 15 de outubro, encerrando o período em que era preciso passar trust_remote_code=True e instalar um pacote molmo_utils separado. Em 5 de novembro, a Ai2 também publicou o Molmo2-4B-tb, um fine-tune de robótica construído sobre este checkpoint exato. Nenhum dos dois eventos torna o Molmo2-4B novo. Ambos fazem com que agora seja prático executá-lo.

A questão da memória, em números em vez de adjetivos

Tamanhos primeiro, porque decidem a maioria das implantações antes mesmo de um único benchmark ser consultado.

Parâmetros — o Molmo2-4B tem 4.850.869.200 parâmetros, distribuídos entre uma torre de visão SigLIP 2 e um núcleo de linguagem Qwen3-4B-Instruct-2507; o LFM2.5-VL-3B tem 3.123.483.888 parâmetros, distribuídos entre um codificador SigLIP2 NaFlex 400M e uma espinha dorsal LFM2.5 de 2,6B.

• Formato dos pesos distribuídos — o Molmo2-4B é distribuído em float32, 19,42 GB em disco, em quatro shards; o LFM2.5-VL-3B é distribuído em bfloat16 com 6,27 GB, com exportações oficiais em GGUF, ONNX e MLX publicadas em conjunto.

Pegada de execução declarada — a Liquid afirma menos de 3,3 GB para o LFM2.5-VL-3B na inferência; a AI2 não publica nenhum número de memória de execução para o Molmo2-4B, e a distribuição em float32 significa que você precisará fazer casting antes de servir.

• Vazão — A Liquid reporta 228 tokens/s em um Apple M5 Max, 116 tokens/s em um AMD Ryzen AI Max+ 395 e 20 tokens/s em um Galaxy S26 Ultra. Não há número público equivalente para o Molmo2-4B em nenhum tamanho.

• Contexto — 32.768 tokens para o LFM2.5-VL-3B; 36.864 posições na configuração de texto do Molmo2-4B, alcançadas por meio de um estágio dedicado de ajuste fino de contexto longo em 384 quadros.

Esse último par merece uma ressalva, e não uma comparação. Os 36.864 do Molmo2-4B são um orçamento de comprimento de sequência que seu pipeline de vídeo consome rapidamente: o pré-processador de vídeo disponibilizado usa por padrão 384 quadros a 2 fps, redimensionados para 378×378 com pooling 3×3. Um clipe longo pode consumir toda a janela apenas com quadros, deixando pouco espaço para a pergunta. Os 32.768 do LFM2.5-VL-3B são gastos com texto e patches de imagem, porque ele não tem nenhum caminho para vídeo.

O vídeo é a linha divisória, não a tabela de benchmarks.

O LFM2.5-VL-3B processa texto e imagens. Essa é toda a superfície de entrada. Ele é muito bom naquilo para que foi criado — OCR de página inteira com anotação de layout, detecção de objetos a partir de consultas em linguagem natural, leitura de tela e trabalho quase em tempo real no dispositivo —, mas um vídeo não é uma de suas entradas, e nenhuma quantidade de engenharia de prompt muda isso.

O Molmo2-4B foi construído ao contrário. A ficha do modelo da Ai2 lista nove conjuntos de treinamento, e cinco deles são de vídeo ou de múltiplas imagens: QA de legendagem de vídeo, QA de subtítulos de vídeo, apontamento em vídeo, rastreamento em vídeo, QA com múltiplas imagens, apontamento com múltiplas imagens. A saída de apontamento é a parte incomum. As coordenadas retornam em escala de 0–1000 da largura e da altura da imagem, em um formato com tags para o qual a ficha fornece uma regex, de modo que uma resposta a "onde está o barco" é um ponto numérico em vez de uma frase. O mesmo formato carrega um timestamp no modo vídeo, e é isso que torna possível o rastreamento em nível de quadro.

Se a sua tarefa for uma captura de tela, uma página digitalizada, uma fotografia de uma prateleira ou de um menu, nada disso importa, e o modelo de 3 GB é simplesmente a melhor escolha de engenharia. Se a sua tarefa for "encontrar o momento em que a caixa cai do palete", o LFM2.5-VL-3B não pode entrar na comparação.

Duas médias de fornecedores que não devem ser subtraídas uma da outra

É aqui que a maioria das páginas de comparação erra. A Liquid relata uma média de 69,4 para o LFM2.5-VL-3B em uma tabela de visão com 28 benchmarks. A AI2 relata uma média de 62,8 para o Molmo2-4B em 15 benchmarks acadêmicos. Coloque esses dois números lado a lado e o LFM2.5-VL-3B parece 6,6 pontos melhor. Não é uma comparação válida: conjuntos de benchmarks diferentes, formatos de prompt diferentes, configurações de decodificação diferentes e, no caso da Liquid, uma suíte selecionada pelos próprios autores.

O que cada fornecedor realmente relata, com a proveniência anexada:

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

• Molmo2-4B, segundo o fornecedor — média de 62,8 em 15 benchmarks acadêmicos, contra 63,1 do modelo irmão de 8B, 58,1 do Qwen3-VL-4B, 53,4 do InternVL3.5-4B, 59,6 do Claude Sonnet 4.5, 70,0 do Gemini 3 Pro e 70,6 do GPT-5 na mesma tabela.

• Não reportado em lugar algum por nenhum dos dois fornecedores — um harness compartilhado. Nenhuma das empresas publicou resultados do Molmo2-4B na suíte de 28 benchmarks da Liquid nem resultados do LFM2.5-VL-3B na tabela de 15 benchmarks da AI2.

O único eixo genuinamente comparável é o tamanho do modelo, e aí o modelo de 4,85B supera o modelo de 3,12B na média do próprio AI2, embora perca feio em pegada de implantação. Essa é a troca, dita sem rodeios.

Licenças: nenhuma das duas é a Apache-2.0, ao que parece

Ambos os cartões trazem um rótulo que soa permissivo, e ambos têm uma pegadinha que um revisor de compras vai encontrar.

• Molmo2-4B — pesos sob Apache 2.0, mas a ficha acrescenta que o modelo "é treinado em conjuntos de dados de terceiros sujeitos a uso apenas para pesquisa acadêmica e não comercial" e orienta você a revisar as fontes antes de decidir se o modelo é adequado. Os pesos são abertos; a linhagem dos dados não é limpa para uso comercial, e a Ai2 diz isso na ficha, e não em uma nota de rodapé.

• LFM2.5-VL-3B — a LFM Open License v1.0, que não é uma licença OSI. O uso comercial é concedido condicionalmente: a secção 5 faz com que os direitos comerciais dependam de a sua entidade jurídica se manter abaixo de um Limiar definido, e a licença define esse Limiar como receita anual igual ou superior a 10 milhões de dólares americanos.

Nenhuma das duas restrições é incomum para um lançamento próximo da pesquisa. Ambas significam que a pergunta "podemos lançar isto" tem uma resposta diferente para um protótipo de duas pessoas e para uma empresa financiada, e as duas respostas apontam em direções opostas dependendo do modelo que você escolheu.

Executando qualquer um dos dois hoje

O cartão do modelo do próprio Molmo2-4B agora está desatualizado em relação à biblioteca. Ele ainda instrui você a instalar transformers==4.57.1, passar trust_remote_code=True e instalar molmo_utils e decord2. Essa receita funciona. Também não é mais a única: desde a v5.20.0, o Transformers padrão traz uma classe Molmo2ForConditionalGeneration com sua própria configuração, processador de imagem, processador de vídeo e processador, então o caminho de código remoto é opcional, e não obrigatório. O vLLM oferece suporte ao Molmo2 por meio de sua própria classe de modelo desde pouco depois do lançamento; a documentação da plataforma da AI2 ainda aponta para as nightly wheels em vez de uma versão estável, o que vale saber antes de fixar uma versão em produção.

O LFM2.5-VL-3B tem a história de implantação mais madura dos dois, e a diferença não é pequena: pesos nativos além de exportações GGUF, ONNX e MLX, com llama.cpp, vLLM e SGLang todos listados como suportados, e throughput publicado em três peças diferentes de hardware de consumo. Se seu alvo é um laptop, um celular ou um computador de placa única, esse ecossistema é o produto.

Uma observação prática para quem planeja fazer roteamento entre eles: nenhum dos dois modelos está no catálogo do OrcaRouter, e seria errado interpretar uma comparação como esta como uma afirmação de disponibilidade. O que a plataforma oferece é uma API para mais de 200 modelos, além de uma implantação auto-hospedada como esses dois, com failover automático e o preço de tabela do próprio provedor repassado sem acréscimo. O padrão usual é manter o pequeno modelo de visão local para o caminho crítico em latência e encaminhar as solicitações mais difíceis e mais raras para fora — e comprovar essa divisão com tráfego real antes de se comprometer com qualquer um dos dois.

Qual escolher

Escolha o LFM2.5-VL-3B se o destino de implantação for um telemóvel, um portátil ou um dispositivo de edge, se as suas entradas forem capturas de ecrã, documentos ou fotografias individuais, se precisar de latência de primeiro token inferior a um segundo, ou se precisar de um dos formatos quantizados que já existem para ele. A cobertura de 16 idiomas e os números do ScreenSpot-v2 tornam-no uma escolha defensável especificamente para compreensão de ecrã no dispositivo.

Escolha o Molmo2-4B se o vídeo estiver no escopo, se precisar de coordenadas em vez de texto corrido, se precisar de raciocínio multi-imagem sobre um conjunto de quadros ou se a tarefa for contar objetos em uma cena — a própria comparação da AI2 coloca a família Molmo2 no topo do campo de pesos abertos em contagem de vídeo, embora admita que nenhum modelo em sua avaliação atinge 40% de precisão. Leve em conta o footprint: 19,42 GB de pesos float32, uma conversão para bfloat16 antes da disponibilização e uma GPU em vez de um telefone.

O que resolveria isso adequadamente seria uma avaliação conjunta em um único ambiente de teste, com quantização equivalente e latência medida no mesmo dispositivo. Nenhum dos fornecedores publicou uma, e até que alguém o faça, a resposta honesta é que esses dois modelos foram projetados para tarefas diferentes, e os benchmarks nunca foram feitos para se comparar.