LFM3-VL-2B vs North Micro Vision Instruct: Två dokumentläsare, en licensmur

Noggrannhetsgapet mellan LFM3-VL-2B och North Micro Vision Instruct är verkligt men litet: cirka 4,6 poäng på DocVQA och 7,1 på OCRBench, båda i samma riktning. Gapet som avgör driftsättningar är inte en benchmark alls. North Micro Vision Instruct tillhandahålls under Apache 2.0. LFM3-VL-2B tillhandahålls under LFM Open License v1.0, som tillåter kommersiell användning endast så länge din organisation ligger under 10 miljoner USD i årlig omsättning.

Båda modellerna är små, båda har öppna vikter och båda byggdes för att läsa sidor snarare än att chatta om fotografier. En publicerades i augusti 2026 och har haft två månaders nedladdningar och portningar. Den andra dök upp på Hugging Face den 19 oktober, tillkännagavs formellt den 27 oktober och har 255 nedladdningar. Den här jämförelsen är därför delvis en benchmarkfråga och delvis en fråga om vilken risk du kan leva med: en oprövad modell eller en olicensierad sådan.

Vad varje modell faktiskt är

LFM3-VL-2B är Liquid AIs täta modell på 1,92B: en språkryggrad på 1,73B, en egenutvecklad visionsencoder på 164M byggd för att använda ungefär tre gånger mindre beräkningskraft än SigLIP2, och en projektor på 25M. Den tar emot text, bilder och video i 2 fps, ger text som utdata, stöder ett tankeläge, har ett kontextfönster på 128K och täcker 16 språk. Repositoriet innehåller byggen för BF16, GGUF, MLX 4-bit och ONNX, även om stödet för llama.cpp fortfarande granskas och saknar videoväg.

North Micro Vision Instruct är Cohere Labs 2,4B-modell: en 2B språkryggrad från North Micro-familjen plus en ungefär 400M encoder som vidareutbildats från SigLIP2 SO400M, med en projektor i DeepStack-stil. Den tar sammanflätad text och bilder i ursprunglig upplösning, upp till 1654×2339 – en hel A4-sida vid 200 dpi – och ger text som utdata. Språkmodellen har en kontext på 128K, men Cohere uppger att den multimodala träningen endast validerades upp till 8K. Apache 2.0, 262K vokabulär, 11 till 12 språk.

Dessa specifikationer ser liknande ut och är det inte. En kontext på 128K är ett tak för hur många token modellen kan ta hänsyn till. Inmatning i ursprunglig upplösning är ett beslut att inte ändra storleken på sidan från första början. För en skannad faktura med en tabell i hörnet är den senare viktigare än den förra.

Dokumentnumren, lästa med rätt förbehåll

På de benchmarks som båda korten publicerar leder LFM3-VL-2B:

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

• OCRBench — 86,3 mot 79,2.

• ChartQA — 92,7 mot 80,8.

• AI2D — North rapporterar 77,5; Liquid publicerar ingen direkt jämförbar AI2D-rad.

• RefCOCO-avg — 90,5 mot 73,2, även om de två korten beskriver dessa medelvärden tillräckligt olika för att subtraktionen är vägledande snarare än exakt.

Alla dessa är leverantörsrapporterade, på testramverk som leverantörerna själva valt, utan oberoende reproduktion av någon av modellerna. DocVQA-gapet är tillräckligt litet för att en skillnad i promptformat skulle kunna stänga det. ChartQA-gapet, på nästan 12 punkter, är mindre sannolikt brus, och OCRBench-gapet på 7,1 punkter stämmer med en modell som uttryckligen tränats på dokument- och diagramdata med ett kopplat resonemangsläge.

Det intressanta talet finns inte på dokumentraderna. Det är MMMU, där LFM3-VL-2B rapporterar 55,7 och North Micro Vision Instruct rapporterar 32,9. Det är inte en skillnad i finjustering; det är en annan produkt. Coheres eget kort säger att modellen medvetet inte är en resonemangsmodell, inte gör verktygsanrop och avråder från systemprompter. Den läser sidor. Liquids kort hävdar resonemang på avancerad nivå som en av 62 uppmätta kategorier. Om din uppgift är "extrahera summorna från dessa 400 fakturor" fungerar båda. Om din uppgift är "avgöra om den här fakturan bryter mot policyn" byggdes bara en för det.

Där 128K-påståendet blir haltande

LFM3-VL-2B:s 128K-kontext är den mer generösa publicerade siffran, men kontextlängd är inte samma sak som användbar multimodal kontext. Modellkortet anger inte hur många bildtoken en sida förbrukar vid inbyggd upplösning, och det publicerar inget maximalt antal bildrutor för video. North Micro Vision Instruct publicerar den motsatta typen av siffra: en 128K språkkontext med multimodal träning validerad till 8K. Det är ett försiktigt offentliggörande, och det är mer användbart än en större siffra utan angiven synbudget.

Det praktiska testet för båda modellerna är detsamma: mät tokens per sida på dina egna dokument innan du designar runt ett kontextfönster. Ett 128K-fönster som rymmer fyra sidor vid din upplösning är inte ett 128K-dokumentarbetsflöde.

Licensen är beslutet

Apache 2.0 är Apache 2.0. Du kan använda North Micro Vision Instruct kommersiellt oavsett intäkter, ändra det, redistribuera det och hosta det, förutsatt att du behåller meddelandena. Det är hela avtalet, och för en startup som bygger en dokumentprodukt eliminerar det en hel kategori av juridisk granskning.

LFM Open License v1.0 är inte det. Den definierar kommersiell användning brett – "varje användning av Verket för direkt eller indirekt kommersiell fördel eller monetär ersättning" – och gör licensen villkorad av att licenstagaren ligger under en årlig intäktsgräns på 10 miljoner USD. Över den gränsen "licensieras inte kommersiell användning enligt detta Avtal". Kvalificerade ideella organisationer är undantagna för icke-kommersiella ändamål och forskningsändamål. Vidaredistribution är tillåten med angivande av upphovsman och meddelanden om ändringar. Licenstexten som vi läste innehåller ingen separat begränsning för värdbasering, så det är intäktstaket, inte ett förbud mot att tillhandahålla tjänsten, som är begränsningen.

Det taket skapar ett besvärligt samtal. Ett företag med 9 miljoner dollar i intäkter kan leverera LFM3-VL-2B i dag och förlora licensen genom att växa. Modellen slutar inte fungera; tillåtelsen gör det. För en produkt med en tvåårig färdplan är det en due diligence-punkt, inte en fotnot.

Adoptionsgapet är en signal i sig

North Micro Vision Instruct har laddats ner cirka 35 000 gånger sedan dess repository dök upp den 10 augusti 2026. LFM3-VL-2B har 255 nedladdningar och 34 gilla-markeringar sedan den 19 oktober. Två månader kontra nio dagar förklarar en del av det, men inte allt: LFM3-familjens tillkännagivande den 27 oktober var ett enda blogginlägg som omfattade sex modeller, och vision-checkpointen ägnades bara ett stycke av det.

Tysta lanseringar är inte automatiskt dåliga lanseringar. En modell utan lanseringspris, utan hostad leverantör och med ramverksstöd som fortfarande granskas är en modell som du utvärderar på din egen hårdvara, och det låga nedladdningsantalet betyder mest att ingen har gjort det ännu. Det innebär också att det inte finns någon community-kvantisering, ingen issue tracker full av rättelser och inget tredjepartsbenchmark att luta sig mot. North Micro Vision har alla tre.

Vad var och en kostar, så vitt någon vill säga

Ingen av modellerna publicerar ett API-pris på sitt produktblad. North Micro Vision Instruct finns via Coheres plattform och har tagits upp av flera tredjepartsvärdar; LFM3-VL-2B finns på Liquid's Playground och API utan prislista, och Hugging Face listar ingen inferensleverantör för den. På egen hårdvara är jämförelsen 2,4B parametrar mot 1,92B, eller ungefär 4,8 GB mot 3,84 GB i BF16 – tillräckligt nära för att GPU-kostnaden inte ska vara det avgörande.

Utslagsgivaren är operationell. Om du hyr en hostad visionsmodell i stället för att äga någon av checkpointarna för OrcaRouter vidare leverantörens listpris med 0 % påslag, så att en leverantörsprisändring slår igenom hos oss samma dag i stället för vid nästa avtalsförnyelse. Vi tillhandahåller inte LFM3-VL-2B eller North Micro Vision Instruct i dag, och den här artikeln hävdar inte något annat; poängen är att det hostade alternativet är prissatt tillräckligt transparent för att kunna jämföras med självhostningskalkylen ovan.

Vem ska välja vilken

Välj North Micro Vision Instruct om du behöver Apache 2.0, om du vill ha en modell med två månaders communityanvändning bakom dig, eller om dina dokument är helsidor i ursprunglig upplösning och din uppgift stannar vid extrahering. Acceptera att den inte resonerar över de extraherade fälten.

Välj LFM3-VL-2Bom du behöver videoinmatning, ett tankeläge eller en bredare visuell assistent som råkar vara bra på att läsa dokument, och om du med marginal ligger under intäktsgränsen eller kan förhandla fram en separat licens. Acceptera att du är en tidig användare av en checkpoint utan oberoende utvärdering och med ofullständigt stöd i ramverk.

Välj inget av dem ännu, om ditt arbetsflöde behöver en prissatt hostad slutpunkt med supportavtal. Den lilla nivån med öppna vikter förbättras snabbt, men med 255 nedladdningar har den nyaste utmanaren inte stresstestats av någon utanför dess labb.