MiniCPM-V 4.7 против LFM3-VL-2B: лучший результат в бенчмарке — это не тот сенсор

Liquid AI включила MiniCPM-V 4.7 1B в собственную сравнительную таблицу, а затем обошла его. В наборе из 62 бенчмарков, проведённом Liquid, LFM3-VL-2B в среднем набирает 71,4 с включённым режимом рассуждений и 62,1 без него; MiniCPM-V 4.7 1B в среднем набирает 57,5. Это разрыв в 13,9 балла в сегменте малых моделей, и именно на этом числе останавливается большинство сравнительных публикаций. Это также наименее полезное число для принятия решения, потому что две модели не конкурируют за одно и то же место. Одна — плотная модель с 1,92 млрд параметров, созданная, чтобы быть готовым ответом целиком. Другая — дешёвая половина двухмодельной системы, дорогая половина которой — смесь экспертов с 35 млрд параметров.

The version of this matchup that matters depends on which MiniCPM-V 4.7 you mean. The 1B is a 1.55-billion-parameter dense model that fits in a 672 MB Q4_K_M file — 641 MiB, which is where the 641 MB on the cards comes from. The 35B-A3B is 35.2 billion stored parameters with roughly 3 billion active per token, and it is not in Liquid's table at all. LFM3-VL-2B sits between them and is, on Liquid's own numbers, a better general vision model than the small MiniCPM and a much weaker one than the large MiniCPM. Everything below is about which of those facts should decide your architecture.

Три уровня, выдающие себя за две модели

LFM3-VL-2B — это один артефакт. Это 1,92 млрд параметров, состоящих из языкового бэкбона на 1,73 млрд, собственного визуального энкодера на 164 млн и проектора на 25 млн, с контекстом в 128K токенов, видео с частотой два кадра в секунду и единым набором весов, который выполняет детекцию, OCR, работу с графиками и описание. Liquid анонсировала семейство LFM3 27 октября 2026 года; репозиторий LFM3-VL-2B был опубликован 19 октября.

MiniCPM-V 4.7 — это два артефакта с общей визуальной башней. 1B — это плотный бэкбон qwen3_5_text с 24 слоями, контекстом в 262 144 токена и тремя слоями линейного внимания на каждый слой полного внимания. 35B-A3B — это разреженная модель на 256 экспертов, которая маршрутизирует восемь экспертов на токен, сохраняет тот же контекст в 262 144 токена и существует потому, что OpenBMB хотела получить большую модель, способную потоково загружать экспертов из хранилища, а не удерживать их в памяти. Оба распространяются под Apache-2.0. Веса появились 6 и 7 октября 2026 года, карточка модели — 12 октября, а ModelBest выпустила пресс-релиз на английском языке 15 октября.

Так что честная формулировка — не «2B против 1B». Это «одна модель, которая должна делать всё» против «семейства, где вы выбираете, сколько модели заслуживает каждый вопрос». Если ваш пайплайн задаёт один вопрос на изображение, форма LFM3-VL-2B проще и на малом конце сильнее. Если ваш пайплайн задаёт десять тысяч дешёвых вопросов и один дорогой, форма MiniCPM дешевле по построению.

Что говорит собственная таблица Liquid и чего стоит её прочитать

Набор из 62 бенчмарков принадлежит Liquid, запущен на vLLM 0.27.1, нормализован по шкале 0–100, при этом режим рассуждения включён для всех моделей, кроме строк, отмеченных иначе. То, что вендор тестирует конкурента, — это нормально и заслуживает прочтения, но тестовый стенд принадлежит вендору, набор промптов принадлежит вендору, и агрегированный результат принадлежит вендору. Относитесь к строкам как к утверждениям.

• MMMU — LFM3-VL-2B 55.7 with thinking and 48.6 without, against 51.0 for MiniCPM-V 4.7 1B in the same column set. OpenBMB's own page reports no MMMU for the 1B, so this row exists only in Liquid's run.

• OCRBench v1 — LFM3-VL-2B 86.3 against 82.1 for MiniCPM-V 4.7 1B inside Liquid's table. OpenBMB reports 86.1 for its own 1B, which is a 4-point spread on the same named benchmark and a fair illustration of what a different harness does to a number.

• MathVista (mini) — 84.2 with thinking and 68.5 without for LFM3-VL-2B, against 71.2 for MiniCPM-V 4.7 1B in the same table. OpenBMB's page says 74.3 for that model.

• CharXiv reasoning — 70.2 for LFM3-VL-2B against 44.5 for MiniCPM-V 4.7 1B. OpenBMB's page claims 48.8 for the same model, so even the direction of the gap is harness-dependent.

• LongVideoBench — 53.4 for MiniCPM-V 4.7 1B on OpenBMB's page. Liquid's table carries no LongVideoBench row at all, so there is nothing to compare it with.

Закономерность устойчива: при включённом рассуждении плотная модель 2B лучше справляется с многошаговым визуальным рассуждением и интерпретацией графиков, а в обычном OCR примерно на одном уровне. При отключённом рассуждении разрыв сокращается примерно до 4,6 пункта, что говорит о том, что большая часть преимущества достигается за счёт токенов на этапе инференса, а не за счёт параметров. Это важнее для задержки, чем для качества, а задержка — это та ось, которую такое сравнение обычно игнорирует.

Независимый тест, который переворачивает рейтинг

В конце октября WebBrain опубликовал бенчмарк из 100 кейсов со скриншотами браузера, полностью выполненный офлайн в Q4_K_M GGUF на двух картах RTX 5060 Ti, с зафиксированным набором скриншотов, одним продакшн-промптом и детерминированной рубрикой. MiniCPM-V 4.7 1B набрал 37 строгих прохождений из 100 и средний балл по рубрике 68,2 процента при 1,30 секунды на скриншот. LFM3-VLD-2B — родственный вариант модели Liquid, а не точный чекпоинт LFM3-VL-2B — набрал 4 строгих прохождения и 44,7 процента при 2,20 секунды.

Эта оговорка важна и работает в обе стороны. При строгом регулярном выражении для нумерованных заголовков MiniCPM получил ноль проходных результатов, потому что записывал заголовки разделов как текстовые метки, а не цифры. Показатель в 37 проходных результатов получен при повторной оценке тех же выходных данных по названию раздела. Это реальная ошибка форматирования, и если ваш downstream-парсер ожидает нумерованные заголовки, это дисквалифицирует. Но оценка содержания не близка: 68,2 против 44,7 при 60 процентах задержки, в задаче — чтении плотного окна браузера — которая гораздо ближе к продакшену, чем бенчмарк по графикам.

Это единственная независимая оценка, доступная обеим моделям в этом классе: один тестовый стенд на одной паре GPU, а протестированная модель Liquid — это вариант VLD. Она всё равно информативнее, чем сводный показатель по 62 бенчмаркам, потому что измеряет то, что вы реально делаете с небольшой визуальной моделью: смотрите на экран и быстро отвечаете на фиксированный вопрос.

Лицензия — тихий решающий фактор

MiniCPM-V 4.7 распространяется на условиях Apache-2.0 без условия по выручке. LFM3-VL-2B распространяется на условиях LFM Open License v1.0, которую Liquid описывает как бесплатную для коммерческого использования при годовой выручке ниже 10 миллионов долларов. Выше этого порога условия меняются, и их нужно прочитать.

Для хобби-проекта эта разница теоретическая. Для продукта это первое, о чём спросит юрист, и та единственная строка в любой сравнительной таблице, которую не перевесит ни один бенчмарк. Модель, которая на четыре балла лучше в рассуждениях по графикам и несёт в себе триггер по выручке, не становится автоматически лучшей зависимостью. Именно здесь выбор Apache-2.0 для обеих версий MiniCPM-V 4.7 делает больше, чем цифры бенчмарков: он устраняет целый разговор.

Cadence: число, которое не приводится ни в одной из таблиц

Кошачий монитор esp32-eye — самый наглядный публичный пример того, как на самом деле используется MiniCPM 1B. Он работает как Q4_K_M GGUF за llama-server на MacBook и вызывается не чаще раза в 1,5 секунды, причём вызов разрешается проверкой разницы фона, так что большинство кадров до него вообще не доходит. В той же сборке 1B оказалась ненадёжной в различении четырёх похожих кошек, и идентификацию перенесли на 35B, вместо того чтобы выдавать догадку.

Это тот профиль развёртывания, который не отражают таблицы бенчмарков. Модель, к которой вы обращаетесь каждые 1,5 секунды, должна быть достаточно маленькой, чтобы постоянно находиться в памяти, достаточно быстрой, чтобы ответ приходил до следующего кадра, и достаточно либеральной по лицензии, чтобы её можно было поставлять. Модель 1B соответствует всем трём требованиям. LFM3-VL-2B занимает 1,25 ГБ в Q4 и обрабатывает один скриншот за 2,2 секунды в независимом тесте — это нормально для конвейера с обработкой по одному изображению и слишком медленно для 1,5-секундного гейта на том же оборудовании.

Если вам нужен хостинговый эндпоинт вместо локального файла, то сегодня ни одной из этих моделей нет в каталоге OrcaRouter, поэтому честный ответ таков: 1B работает там, куда вы её поместите, а 35B — в собственном API OpenBMB. Что роутер действительно предлагает, так это окружающую архитектуру: один ключ для более чем 200 моделей, 0% наценки к прайс-листам провайдеров, а также автоматическое переключение при сбое — именно так вы поддерживаете работу двухмодельного конвейера, когда дорогостоящий этап представляет собой единственный внешний эндпоинт. Это не превращает нехостируемую модель в хостируемую, и об этом стоит сказать прямо.

Какой вариант выбрать

Если вы строите конвейер обработки изображений на одной модели и хотите получить сильнейшего универсала класса 2B по бенчмаркам, которые публикуют обе лаборатории, LFM3-VL-2B — это обоснованный выбор, с письменно зафиксированной оговоркой о лицензии. Если вы создаёте агента, который в цикле просматривает экраны, независимый браузерный тест ставит MiniCPM 1B впереди и по баллам, и по задержке, а его дисциплину форматирования стоит исправлять в вашем парсере, а не в модели.

Если вам нужна модель, способная прочитать документ объёмом 262 144 токена, посмотреть видео и достойно показать себя на MMMU, ни одна из малых моделей не подходит: это уровень 35B-A3B, где OpenBMB сообщает 80,2 на MMMU, 91,2 на OCRBench и 68,9 на LongVideoBench — все данные заявлены производителем, и ни один результат не был независимо воспроизведён. Настоящее решение не в том, какая модель на 2B побеждает. А в том, может ли ваш конвейер позволить себе дешёво задавать простой вопрос и редко — сложный; и если да, двухмодельная схема дешевле любой одной модели, которая пытается быть хороша в обоих случаях.

Последняя калибровка. Разрыв в 13,9 пункта, который публикует Liquid, реален в наборе тестов Liquid, а разрыв в 23,5 пункта, который публикует WebBrain, реален в наборе тестов WebBrain, и они указывают в противоположные стороны, потому что измеряют разные задачи. Тот, кто цитирует одно без другого, продаёт вам готовый вывод. Полезный вопрос не в том, какая модель лучше; а в том, сколько раз в день вам нужно спрашивать и сколько вы готовы платить за ответ.