LFM3-VL-2B vs MiniCPM-V 4.7 1B: 14-punktersgapet som krymper till 4 när du stänger av tänkandet

Den mest betydelsefulla skillnaden mellan LFM3-VL-2B och MiniCPM-V 4.7 1Bfinns inte i någon av benchmarktabellerna. Den finns i licensraden. OpenBMB:s modell är Apache 2.0. Liquid AI:s är LFM Open License v1.0, som medför kommersiella villkor i stället för enkla tillåtande villkor. De två modellerna är i övrigt tillräckligt nära i storlek för att vara direkta substitut – 1,92B mot 1,55B – och de kom inom tre veckor från varandra: MiniCPM-V 4.7 1B lades upp på Hugging Face den 6 oktober och daterades till den 12 oktober i leverantörens versionsinformation, medan LFM3-VL-2B fanns i ett offentligt arkiv från den 19 oktober och tillkännagavs den 27 oktober. I Liquid AI:s egen svit med 62 benchmarks ligger den nya modellen i genomsnitt på 71,4 mot 57,5, en skillnad på 13,9 punkter som krymper till 4,6 punkter i samma stund som man stänger av resonemang på Liquid-modellen.

Två modeller i samma viktklass, under olika regler

MiniCPM-V 4.7 1B är den mindre av de två med cirka 370 miljoner parametrar. Den kombinerar ett SigLIP-liknande visionstorn med en språkryggrad härledd från Qwen3.5, använder 4× eller 16× visuell tokenkomprimering som kan väljas per förfrågan och uppger ett kontextfönster på 256K i leverantörens dokumentation. Den levereras i BF16-, int4-, AWQ-, GPTQ- och GGUF-byggen, med en dedikerad DSpark-utkastmodell för spekulativ avkodning.

LFM3-VL-2B kombinerar språkmodellen LFM3-1.7B med en ny egenutvecklad 164M visionskodare och en 25M-projektor, vid en dokumenterad kontext på 128K, med videoinmatning vid 2 bildrutor per sekund och ett dokumenterat no-thinking-läge.

• Parametrar — 1,92B för LFM3-VL-2B jämfört med 1,55B för MiniCPM-V 4.7 1B, enligt OpenBMB:s dokumentation; Hugging Faces badge för modellstorlek avrundar den senare till 2B.

• Licens — LFM Open License v1.0 vs Apache 2.0.

• Kontext — 128K tokens jämfört med uppgivna 256K, även om inferenskonfigurationer vanligtvis sätter taket mycket lägre.

• Vision-vägen — en intern encoder på 164M med en token per 2×2-patchblock jämfört med ett SigLIP-liknande torn med 4×/16× komprimering.

• Video — 2 bildrutor per sekund, den första LFM-visionmodellen som accepterar video kontra stöd, med LongVideoBench- och MotionBench-siffror publicerade av leverantören.

• Resonemangsläge — tillgängligt och mätt på båda sätten vs tillgängligt och använt i benchmarkkörningen.

• Genomsnitt för leverantörer i Liquids benchmarksvit med 62 benchmarks — 71,4 med tänkande, 62,1 utan tänkande, mot 57,5.

Det sammanlagda gapet är 13,9 poäng. Läs fotnoten först.

Liquids tabell är den enda artefakten som poängsätter båda modellerna på samma 62 benchmarks med samma normalisering, och det är anledningen till att den här jämförelsen överhuvudtaget kan göras. OpenBMB:s eget modellkort benchmarkar inte mot LFM3-VL-2B, som inte fanns när MiniCPM-V 4.7 1B släpptes.

Fotnoten som spelar roll: resonemangsläge användes för varje modell i tabellen utom LFM2.5-VL-3B, som inte stöder det, och LFM3-VL-2B-konfigurationen utan tänkande. Så 71,4 och 57,5 är båda poäng med resonemang aktiverat, vilket gör jämförelsen rättvisare än LFM2.5-matchen. Båda modellerna mäts vid sin bästa inställning, på samma instrument, av samma labb.

Rättvist är inte samma sak som oberoende. Liquid valde benchmarkarna och körde dem. Tabellen är ovanligt komplett – den innehåller rader på kategorinivå och per benchmark, och den namnger varje konkurrent – men ingen tredje part har reproducerat något av det.

Stäng av tänkandet och 1B vinner 24 av 62

LFM3-VL-2B publicerar ett andra resultat för samma vikter med resonemang avstängt. Den kolumnen är den intressanta, eftersom den visar var det sammanlagda resultatet på 13,9 punkter faktiskt kommer från. Utan tänkande vinner LFM3-VL-2B 35 benchmarktester, MiniCPM-V 4.7 1B vinner 24, och 3 blir oavgjorda. Det genomsnittliga gapet sjunker till 4,6 punkter.

Än mer slående är vad {{1}}1B{{/1}} vinner i den konfigurationen. Det tar större delen av klustret för matematik och diagramresonemang, ofta med bred marginal.

• We-Math (testmini, strikt) — 47,8 för MiniCPM-V 4.7 1B mot 20,1 för LFM3-VL-2B utan tänkande, och 68,6 med tänkande.

• LogicVista — 46,1 mot 30,2 utan tänkande, 60,4 med tänkande.

• MathVista (mini) — 71,2 mot 68,5 utan tänkande, 84,2 med tänkande.

• ChartQA (test) — 88,8 mot 81,4 utan tänkande, 92,7 med tänkande.

• CharXiv (beskrivande) — 73,4 mot 65,5 utan tänkande, 87,5 med tänkande.

• DynaMath — 63,8 vs 57,7 utan tänkande.

• MMMU (val) — 51,0 vs 48,6 utan tänkande, 55,7 med tänkande.

We-Math-resultatet är det som är värt att stanna upp vid: en fördel på 27,7 punkter för 1B när ingen av modellerna tillåts resonera – och en fördel på 20,8 punkter för LFM3-VL-2B i samma stund som den tillåts göra det. We-Math är ett benchmark för strikt noggrannhet på visuell matematik i flera steg, och poängen rör sig inte gradvis mellan de två modellerna. Den slår om. Det är den tydligaste enskilda illustrationen i tabellen av vad resonemangsläget ger.

Den praktiska konsekvensen: om du stänger av resonemanget för att minska svarstiden och din arbetsbelastning involverar siffror i diagram eller scheman, skyddar den större modellens samlade fördel dig inte. 1B är det bättre verktyget.

Där LFM3-VL-2B vinner oavsett läge

Det omvända gäller också, och kategorierna är precis lika konkreta. Fem av dem är nästan ensidiga även i kolumnen utan tänkande.

• GUI-förståelse — 83,1 med tänkande, 81,5 utan tänkande, jämfört med 45,3 för MiniCPM-V 4.7 1B. ScreenSpot-Pro är 55,5 mot 4,9; ScreenSpot-v2 Desktop är 94,6 mot 51,5.

• Visuell grundning — 77,3 med tänkande, 72,6 utan tänkande, jämfört med 51,1. RefCOCO-snittet ligger på 90,5 jämfört med 86,3.

• Förkroppsligat resonemang — 64,4 med tänkande, 57,9 utan tänkande, jämfört med 45,3.

• Agentic — 42,5 med tänkande, 32,9 utan tänkande, jämfört med 16,9. Den svagaste kategorin för alla fyra modellerna i tabellen, och den största relativa skillnaden mellan dessa två.

• Flerspråkig — 84,4 tänkande, 76,2 icke-tänkande, mot 77,4. Den enda kategorin där Liquid-modellen i icke-tänkande läge förlorar mot 1B.

ScreenSpot-Pro på 55,5 mot 4,9 är den enskilt största skillnaden mellan de två modellerna någonstans i de 62 benchmarkarna. Om du bygger UI-automatisering finns det inget beslut att fatta här; om du bygger en matematikhandledare vänds rangordningen. Ett genomsnitt på 13,9 punkter är en artefakt av att medelvärdesbilda två populationer som beter sig mycket olika.

Två testriggar, två siffror för samma benchmark

Detta är delen som gör jämförelser mellan leverantörer förrädisk, och den förtjänar ett eget avsnitt eftersom båda leverantörerna publicerar siffror för benchmarkar med samma namn.

OpenBMB rapporterar MathVista 74,3 för MiniCPM-V 4.7 1B på sin egen sida. Liquids omkörning av samma modell på samma namngivna benchmark rapporterar 71,2. OpenBMB rapporterar OCRBench 86,1; Liquids testramverk rapporterar OCRBench v1 på 82,1. Inget av labben ljuger. De kör olika promptformat, olika regler för att extrahera svar eller olika delmängder, och de resulterande skillnaderna på 3,1 respektive 4,0 punkter är normal varians mellan testramverk.

Konsekvensen är att du inte kan ta OpenBMB:s 74,3 och subtrahera Liquids MathVista-siffra på 68,5 för LFM3-VL-2B i no-thinking-läget för att få en vinst på 5,8 punkter. Det var en försvarbar tolkning före den 27 oktober, när det enda gemensamma benchmarket mellan MiniCPM-V 4.7 1B och LFM2.5-VL-3B mättes på två olika testramverk. Det är inte försvarbart nu när Liquid har publicerat båda modellerna i en och samma tabell. Använd tabellen och behandla varje siffra på leverantörssidorna som att den hör till sitt eget mätinstrument.

Det oavgjorda resultatet som stilla avgör en äldre tvist

I samma tabell finns ett resultat som ingen på något av företagen har gjort reklam för. MiniCPM-V 4.7 1B har ett genomsnitt på 57,5 över de 62 benchmarkarna. LFM2.5-VL-3B har ett genomsnitt på 57,6.

OpenBMB:s produktsida hävdar att 1B-modellen överträffar LFM2.5-VL-3B när det gäller OCR, diagramresonemang och videoförståelse. I Liquids testsvit är det påståendet till hälften rätt och till hälften fel, och sammanlagt är det helt jämnt:

• Dokument, OCR och diagram — 73,0 för MiniCPM-V 4.7 1B mot 71,2 för LFM2.5-VL-3B. Påståendet stöds, med knapp marginal.

• Video — 53,7 vs 41,3. Påståendet stöds, avgörande.

• Matematik — 51,8 vs 40,6. Påståendet stöds, och nämns inte i det ursprungliga påståendet.

• Visuell grundning — 51,1 mot 68,3. Påståendet fallerar grovt.

• GUI-förståelse — 45,3 vs 66,0. Påståendet misslyckas grovt.

• Agentic — 16,9 mot 21,1. Påståendet håller inte.

Så en Apache 2.0-modell på 1,55 B matchar en 3,1 B-modell från ett välfinansierat labb i en gemensam svit på 62 benchmarks, och gör det genom att vinna vissa kategorier med klar marginal och förlora andra med klar marginal. Det är ett verkligt resultat om kapacitetstäthet, och det är också en varning om vad ett genomsnitt döljer. Vilket för tillbaka jämförelsen till LFM3-VL-2B: modellen som slår båda är den vars resonemangsläge lyfter dess svagaste kategorier, inte den som är genomgående bättre.

Licens, nedladdningar och vad du faktiskt kan leverera

Licensskillnaden kommer att avgöra fler driftsättningar än någon rad ovan. Apache 2.0 kräver ingen dialog med ett juridiskt team. LFM Open License v1.0 har kommersiella villkor, och även om den är tillräckligt öppen för att Liquid levererar samtliga modeller i familjen under den, är det inte samma tillstånd.

Användningen berättar en liknande historia. På Hugging Face har MiniCPM-V 4.7 1B samlat på sig ungefär 155 000 nedladdningar och drygt 400 gillamarkeringar sedan den 6 oktober. LFM3-VL-2B har vid tidpunkten för skrivandet några hundra nedladdningar och 16 gillamarkeringar, efter att ha varit offentlig i nio dagar och tillkännagiven i en dag. Nedladdningssiffror är en brusig signal – CI-pipelines och kvantiseringsspeglar blåser upp dem – men en skillnad på tre storleksordningar är inte brus. Det återspeglar att den ena modellen har en månad av verktyg, självstudier och community-kvantiseringar bakom sig, medan den andra har en dag.

Verktygsstödet följer samma mönster. MiniCPM-V 4.7 1B listar Transformers, SGLang, vLLM, llama.cpp, Ollama och OpenVINO, samt inbyggda iOS-, Android- och HarmonyOS-appar. LFM3-VL-2B har SGLang vid lansering, GGUF-vikter tillgängliga och llama.cpp-stöd fortfarande under granskning – utan videoinmatning i den väntande implementeringen, enligt dess eget kort.

Vilken modell för vilket jobb

• UI-automatisering, skärmläsning, robotperception — LFM3-VL-2B, utan tvekan, och läget utan tänkande fungerar bra. ScreenSpot-Pro på 55,5 mot 4,9 är inte en marginal man kan konstruera sig runt.

• Diagramresonemang, visuell matematik, diagramfrågor — MiniCPM-V 4.7 1B om du kör utan resonemang, och en riktig utmaning om du inte gör det. Testa We-Math på dina egna data; en lucka på 27,7 punkter utan tänkande är sådant som syns direkt i produktion.

• Lång video — närmare än kategorigenomsnitten antyder. LFM3-VL-2B leder Videokategorin med 61,2 mot 53,7, men MiniCPM-V 4.7 1B vinner faktiskt Video-MMMU med 50,1 mot 49,6 till och med mot den tänkande konfigurationen.

• Allt som måste godkännas juridiskt utan granskning — MiniCPM-V 4.7 1B, enbart på Apache 2.0.

• Allt som behöver en mogen inferensstack i dag – MiniCPM-V 4.7 1B, åtminstone de närmaste veckorna, tills llama.cpp har mergat in LFM3-VL-stödet.

Var en router passar in när ingen av modellerna är på den

Ingen av dessa checkpoints finns i OrcaRouters katalog; båda är vikter som du laddar ner, kvantiserar och kör. Det intressanta med ett routningslager här är inte att servera dem utan att komponera runt dem. Modellfusionlåter en panel av modeller svara på samma fråga tillsammans, och en lokal 1,55B-specialist inom visuell matematik parad med en hostad modell som är starkare inom de kategorier där den förlorar – grounding, agentiskt arbete – är en konfiguration som slår båda modellerna var för sig. Routnings-DSL:en är sättet att uttrycka vilken delväg som hanterar vilken fråga utan att skriva om applikationen varje gång en checkpoint släpps.

Den ärliga sammanfattningen är att rubriksiffran på 13,9 punkter är verklig, uppmätt i ett enda labs testramverk, och missvisande som köpbeslut. LFM3-VL-2B är den bättre modellen för skärmar och grounding, med en marginal som inget annat i dess storleksklass är i närheten av. MiniCPM-V 4.7 1B är den bättre modellen för visuell matematik utan resonemang, levereras under en licens som inte kräver någon förhandling och matchar en modell som är dubbelt så stor på samma testsvit. Det rätta svaret beror på vilken av de meningarna som beskriver din arbetsbelastning – och ingen av leverantörernas genomsnittssiffror kommer att berätta det för dig.