Molmo2-4B против LFM2.5-VL-3B: 19 ГБ весов против 3 ГБ для телефона

Поставьте два чекпоинта рядом на диске — и сравнение почти закончится, не успев начаться. Molmo2-4B поставляется как 19,42 ГБ float32 safetensors в четырёх шардах. Нативный репозиторий LFM2.5-VL-3B занимает в сумме 6,27 ГБ, а карточка самой Liquid обещает работу «менее чем в 3,3 ГБ памяти». После квантования меньшей модели это примерно шестикратный разрыв в занимаемом объёме для двух моделей, о которых говорят так, будто это взаимозаменяемые небольшие визуально-языковые модели. Они не взаимозаменяемы, и причина не в качестве. Одна из них создана отвечать на вопросы о 384-кадровом видео. Другая создана отвечать на вопросы о фотографии на телефоне с выключенным радиомодулем. Ни одна из моделей здесь не размещена, поэтому роль платформы — окружающий стек. Ценообразование с наценкой 0% Каталожная цена провайдера передаётся без изменений.

Ни одна из моделей не является новой, что важно, если вы попали сюда со страницы результатов, подразумевающей обратное. Molmo2-4B был анонсирован Allen Institute for AI 11 декабря 2025 года, а его веса были опубликованы 14 декабря. LFM2.5-VL-3B был выпущен Liquid AI 12 августа 2026 года. То, что изменилось недавно, уже и полезнее, чем запуск: Molmo2 стал полноценной архитектурой в upstream Transformers — PR #43451 был включён в основную ветку 9 октября 2026 года, а модель впервые появилась в v5.20.0 15 октября, положив конец периоду, когда приходилось передавать trust_remote_code=True и устанавливать отдельный пакет molmo_utils. 5 ноября Ai2 также опубликовал Molmo2-4B-tb — дообученную для робототехники версию, построенную на этом самом чекпоинте. Ни одно из этих событий не делает Molmo2-4B новой моделью. Оба события делают её теперь практически пригодной для запуска.

Вопрос о памяти — в цифрах, а не в прилагательных

Сначала размеры, потому что они определяют большинство развёртываний ещё до того, как будет рассмотрен хотя бы один бенчмарк.

• Параметры — Molmo2-4B: 4,850,869,200, распределённые между визуальным блоком SigLIP 2 и языковым ядром Qwen3-4B-Instruct-2507; LFM2.5-VL-3B: 3,123,483,888, распределённые между кодировщиком SigLIP2 NaFlex 400M и базовой моделью LFM2.5 на 2.6B.

• Формат поставляемых весов — Molmo2-4B распространяется в float32, 19,42 ГБ на диске, четыре шарда; LFM2.5-VL-3B распространяется в bfloat16 объёмом 6,27 ГБ, вместе с ним опубликованы официальные экспорты в GGUF, ONNX и MLX.

• Заявленный объём памяти в рантайме — Liquid утверждает, что для LFM2.5-VL-3B при инференсе требуется менее 3,3 ГБ; AI2 не публикует данных об объёме памяти в рантайме для Molmo2-4B, а поставка в float32 означает, что перед запуском в работу вам придётся выполнить приведение типов.

• Пропускная способность — Liquid сообщает о 228 токенах/с на Apple M5 Max, 116 токенах/с на AMD Ryzen AI Max+ 395 и 20 токенах/с на Galaxy S26 Ultra. Для Molmo2-4B любого размера нет эквивалентного публичного показателя.

• Контекст — 32 768 токенов для LFM2.5-VL-3B; 36 864 позиции в текстовой конфигурации Molmo2-4B, обеспечиваемые отдельным этапом тонкой настройки длинного контекста при 384 кадрах.

Последнюю пару стоит сопроводить оговоркой, а не сравнением. 36 864 у Molmo2-4B — это бюджет длины последовательности, который её видеоконвейер быстро расходует: выпущенный видеопрепроцессор по умолчанию настроен на 384 кадра при 2 кадрах/с, с изменением размера до 378×378 и пулингом 3×3. Длинный клип может израсходовать всё окно только на кадры, оставляя мало места для вопроса. 32 768 у LFM2.5-VL-3B тратятся на текст и патчи изображений, поскольку видеопути у неё нет вообще.

Видео — это водораздел, а не таблица бенчмарков.

LFM2.5-VL-3B обрабатывает текст и изображения. Это вся поверхность входных данных. Он очень хорош в том, для чего был создан, — полностраничное OCR с аннотацией макета, обнаружение объектов по запросам на естественном языке, чтение экрана и работа почти в реальном времени на устройстве, — но видео не входит в число его входных данных, и никакой объём промпт-инжиниринга этого не изменит.

Molmo2-4B был построен наоборот. В карточке модели Ai2 перечислены девять обучающих наборов, и пять из них — видео- или мультиизображенческие: вопросно-ответная задача по подписям к видео, вопросно-ответная задача по субтитрам к видео, указание точек на видео, отслеживание на видео, вопросно-ответная задача по нескольким изображениям, указание точек на нескольких изображениях. Необычная часть — это вывод указания точек. Координаты возвращаются масштабированными до 0–1000 по ширине и высоте изображения, в размеченном формате, для которого карточка поставляет регулярное выражение, поэтому ответ на «где находится лодка» — это числовая точка, а не предложение. Тот же формат несёт временную метку в видеорежиме, и именно это вообще делает возможным отслеживание на уровне кадров.

Если ваша задача — скриншот, отсканированная страница, фотография полки или меню, всё это не имеет значения, и модель на 3 ГБ — просто лучший инженерный выбор. Если ваша задача — «найти момент, когда ящик падает с поддона», LFM2.5-VL-3B не может участвовать в сравнении.

Два средних значения по поставщикам, которые нельзя вычитать друг из друга

Вот где большинство страниц сравнения ошибаются. Liquid сообщает средний балл 69,4 для LFM2.5-VL-3B по таблице из 28 визуальных бенчмарков. AI2 сообщает средний балл 62,8 для Molmo2-4B по 15 академическим бенчмаркам. Поставьте эти два числа рядом, и LFM2.5-VL-3B выглядит на 6,6 балла лучше. Это не корректное сравнение: разные наборы бенчмарков, разные форматы промптов, разные настройки декодирования, а в случае Liquid — набор, выбранный самими авторами.

Что каждый поставщик на самом деле сообщает, с приложенным указанием источника:

• LFM2.5-VL-3B, по данным производителя — DocVQA 91.1, RefCOCO-avg 87.9, CountBenchQA 87.3, OCRBench v1 84.2, TextVQA 84.3, MMBench 81.0, SEED-Bench изображения 77.7, ScreenSpot-v2 Web 82.2, MMStar 63.3, MMMU 48.4, MMMU-Pro 30.5, MathVista mini 68.5.

• Molmo2-4B, по данным производителя — средний балл 62,8 по 15 академическим бенчмаркам, против 63,1 у 8B-версии, 58,1 у Qwen3-VL-4B, 53,4 у InternVL3.5-4B, 59,6 у Claude Sonnet 4.5, 70,0 у Gemini 3 Pro и 70,6 у GPT-5 в той же таблице.

• Ни один из вендоров нигде об этом не сообщал — общий тестовый стенд. Ни одна из компаний не опубликовала результаты Molmo2-4B в наборе Liquid из 28 бенчмарков или результаты LFM2.5-VL-3B в таблице AI2 из 15 бенчмарков.

Единственная действительно сопоставимая ось — размер модели, и здесь модель 4.85B превосходит модель 3.12B по собственному среднему показателю AI2, но сильно проигрывает по требованиям к развёртыванию. Таков компромисс, если сказать прямо.

Лицензии: ни одна из них, похоже, не является Apache-2.0

Обе карточки снабжены разрешительно звучащей маркировкой, и у обеих есть подвох, который обнаружит проверяющий по закупкам.

• Molmo2-4B — веса под Apache 2.0, но в карточке дополнительно указано, что модель «обучена на сторонних наборах данных, которые предназначены только для академического и некоммерческого исследовательского использования», и рекомендуется изучить источники, прежде чем решать, подходит ли модель. Веса открыты; происхождение данных не является чистым для коммерческого использования, и Ai2 говорит об этом в карточке, а не в сноске.

• LFM2.5-VL-3B — LFM Open License v1.0, которая не является лицензией OSI. Коммерческое использование предоставляется условно: раздел 5 ставит коммерческие права в зависимость от того, остаётся ли ваше юридическое лицо ниже определённого Порога, а лицензия определяет этот Порог как годовой доход в размере 10 миллионов долларов США или более.

Ни одно из этих ограничений не является чем-то необычным для релиза, связанного с исследованиями. Оба означают, что на вопрос «можем ли мы это выпустить» есть разные ответы для прототипа, над которым работают два человека, и для финансируемой компании, и эти два ответа указывают в противоположных направлениях в зависимости от того, какую модель вы выбрали.

Сегодня запускаю любой из них.

Карточка модели Molmo2-4B теперь отстаёт от библиотеки. В ней по-прежнему предлагается установить transformers==4.57.1, передать trust_remote_code=True и установить molmo_utils и decord2. Этот рецепт работает. Но теперь он не единственный: начиная с v5.20.0 стандартный Transformers содержит класс Molmo2ForConditionalGeneration с собственной конфигурацией, обработчиком изображений, обработчиком видео и процессором, поэтому путь через remote code стал необязательным, а не обязательным. vLLM поддерживает Molmo2 через собственный класс модели почти с самого запуска; документация платформы AI2 по-прежнему указывает на ночные сборки, а не на стабильный релиз, что стоит знать, прежде чем фиксировать версию в продакшене.

У LFM2.5-VL-3B более зрелая история развёртывания из этих двух, и с большим отрывом: нативные веса плюс экспорт в GGUF, ONNX и MLX, при этом llama.cpp, vLLM и SGLang указаны как поддерживаемые, а также опубликована пропускная способность на трёх разных потребительских устройствах. Если ваша цель — ноутбук, телефон или одноплатный компьютер, эта экосистема и есть продукт.

Практическое замечание для тех, кто планирует маршрутизировать запросы между ними: ни одной из этих моделей нет в каталоге OrcaRouter, и было бы неправильно воспринимать такое сравнение как утверждение о доступности. Что платформа действительно предлагает — это один API для более чем 200 моделей наряду с самостоятельным развёртыванием, как у этих двух, с автоматическим переключением при сбое и передачей собственной цены провайдера из прайс-листа без наценки. Обычный подход — оставить небольшую визуальную модель локально для пути, критичного по задержке, а более сложные и редкие запросы направлять вовне — и подтвердить такое разделение на реальном трафике, прежде чем остановиться на одном из вариантов.

Какой вариант выбрать

Выбирайте LFM2.5-VL-3B, если целевое устройство — телефон, ноутбук или периферийное устройство, если ваши входные данные — скриншоты, документы или отдельные фотографии, если вам нужна задержка первого токена менее секунды или если вам нужен один из уже существующих для неё квантованных форматов. Поддержка 16 языков и показатели ScreenSpot-v2 делают её обоснованным выбором именно для понимания экрана на устройстве.

Выбирайте Molmo2-4B, если в задачу входит видео, если вам нужны координаты, а не текст, если требуется рассуждение по нескольким изображениям на наборе кадров или если задача — подсчёт объектов в сцене: собственное сравнение AI2 ставит семейство Molmo2 на первое место среди открытых моделей по подсчёту на видео, признавая при этом, что ни одна модель в его оценке не достигает точности 40%. Учитывайте требования к ресурсам: 19,42 ГБ весов в float32, приведение к bfloat16 перед запуском и GPU, а не телефон.

Окончательно решить этот вопрос позволила бы совместная оценка на одном стенде, при сопоставимой квантизации, с измерением задержки на одном и том же устройстве. Ни один из поставщиков такой оценки не опубликовал, и пока кто-нибудь этого не сделает, честный ответ таков: эти две модели создавались для разных задач, а их бенчмарки изначально не предназначались для прямого сравнения.