MiniCPM-V 4.7 vs LFM2.5-VL 3B: Ett 70 GB-mysterium mot en 3B-modell du kan köra på en bärbar dator

MiniCPM-V 4.7 och LFM2.5-VL 3B säljs som samma typ av sak — kompakta visuella språkmodeller som du själv kör — och i praktiken kunde de knappast vara längre ifrån varandra. LFM2.5-VL 3B är en färdig produkt: en dokumenterad checkpoint på 3,1 miljarder parametrar från Liquid AI med licens, ett modellkort, GGUF-kvantiseringar i omlopp och ett minskande antal goda skäl att inte bara ladda ner den och testa. MiniCPM-V 4.7 är en gles mixture-of-experts-checkpoint med 35,2 miljarder parametrar som OpenBMB laddade upp till Hugging Face den 6 oktober 2026 utan modellkort, utan licens och utan några som helst benchmarks. Att jämföra dem är inte att jämföra två modeller. Det är att jämföra en modell mot en artefakt som troligen kommer att bli en.

Matchupen, ärligt sagt redan från början

Den här sidan kan ge dig en helhetsbild av LFM2.5-VL 3B, eftersom Liquid AI publicerade en sådan. Den kan ge dig en helhetsbild av MiniCPM-V 4.7:s utformning och ingenting alls om dess beteende, eftersom OpenBMB publicerade en config.json och slutade där. Allt nedan om MiniCPM-sidan är hämtat från den konfigurationsfilen och viktindexet; allt om Liquid-sidan kommer från modellkortet, och modellkortets egna prestandapåståenden är leverantörsrapporterade och märkta som sådana. Där ett tal finns för den ena modellen men inte den andra är det ärliga att låta gapet vara synligt i stället för att släta över det.

Vad var och en är

LFM2.5-VL-3B släpptes den 11 augusti 2026. Det är en multimodal variant av LFM2.5-familjen, byggd för körning på enheten, och den börjar inte från noll: den tar språkryggraden i LFM2.5-2.6B och parar den med en SigLIP2 NaFlex-visionencoder. NaFlex är delen som spelar roll för dokumentarbete – den bevarar ursprungligt bildförhållande och upplösning i stället för att tvinga varje bild till en fast kvadrat, vilket är varför modellkortets främsta förbättringar är grounding med frågor i naturligt språk och helsides-OCR med layoutannotering. Den levereras under LFM Open License v1.0 och täcker sexton språk, inklusive engelska, kinesiska, japanska, koreanska, arabiska, hindi, franska, tyska, spanska, portugisiska, italienska, polska, ryska, thailändska, vietnamesiska och indonesiska. Eftersom den är 3B dök GGUF-byggen upp inom en dag efter lanseringen, och en DSpark-variant följde i september, så ekosystemet kring den är verkligt: du kan hämta en kvantiserad modell och köra den på en bärbar dator idag.

MiniCPM-V 4.7 är en BF16-checkpoint med 35 212 875 824 parametrar, 70,4 GB fördelat över sexton shards, klass MiniCPMV4_7ForConditionalGeneration, uppladdad till openbmb/MiniCPM-V-4.7-35B-A3B den 6 oktober 2026.

Dess språkliga ryggrad är taggad qwen3_5_moe_text — en gles MoE härledd från Qwen3.5 med 256 experter och 8 valda per token — och dess 40 lager följer ett fast mönster där tre linjära lager följs av ett fullt attentionlager, så 30 av de 40 lagren använder en Mamba-liknande linjär väg i stället för konventionell attention. Kontexten är 256K. Visionstornet är MiniCPM-V-linjens eget, med ungefär samma form som MiniCPM-V 4.6 använde. Det finns ingen README i repot, vilket på Hugging Face innebär att det inte finns någon licens.

Jämförelsen som faktiskt är möjlig

Sex dimensioner, båda sidorna, och en notering för var och en om hur stor vikt siffran har.

• Totala parametrar — LFM2.5-VL 3B: 3,12B, alla aktiva per token. MiniCPM-V 4.7: 35,2B totalt, gles, 8 av 256 experter aktiva per token. MiniCPM-siffran är inte jämförbar med ett tätt parameterantal och den faktiska aktiva parameterbudgeten är inte publicerad; behandla "A3B" som ett namn, inte en mätning.

• Effektiv storlek på disk — LFM2.5-VL 3B: en enda safetensors-fil på ~6 GB i BF16, eller en bråkdel av det som GGUF. MiniCPM-V 4.7: 70,4 GB över sexton shards, endast BF16.

• Licens — LFM2.5-VL 3B: LFM Open License v1.0, publicerad och länkad från modellkortet. MiniCPM-V 4.7: ingen angiven. I avsaknad av en licens:-tagg är utgångsläget alla rättigheter förbehållna, så detta är en blockerare, inte en fotnot.

• Vision-metod — LFM2.5-VL 3B: SigLIP2 NaFlex, inbyggd upplösning med bevarat bildförhållande, kortet uppges klara OCR av hela sidor med layoutannotering. MiniCPM-V 4.7: anpassat minicpmv4_7_vision-torn med downsample_mode: "16x" och max_slice_nums: 9.

• Kontext — LFM2.5-VL 3B: kortets serving-exempel är blygsamma jämfört med en design för lång kontext, och familjen riktar sig mot minnesbudgetar på enheten. MiniCPM-V 4.7: max_position_embeddings: 262144, med tokenizer model_max_length som stämmer överens vid 256K.

• Bevis på kvalitet — LFM2.5-VL 3B: ett publicerat kort med tillverkarens rapporterade förbättringar jämfört med LFM2-VL-3B, kvantiseringar från tredje part och en Hugging Face-historik med omkring 25 900 nedladdningar. MiniCPM-V 4.7: noll nedladdningar, tre gilla-markeringar, inget kort, inga benchmarks, ingen oberoende utvärdering. Inget att citera.

• Verktygsstöd — LFM2.5-VL 3B: GGUF- och MLX-byggen från tredje part, plus en DSpark-variant. MiniCPM-V 4.7: inga. Det finns ännu ingen kvantisering av något slag.

De två tredjedelarna av den här sidan som saknas

Varje jämförelseartikel inom det här området levereras med ett benchmarkstycke. Den här kan inte. Det finns ingen MMMU, ingen OCRBench, ingen DocVQA, ingen grounding-siffra, ingen latensmätning och ingen VRAM-siffra för MiniCPM-V 4.7 — inte för att de var besvärliga att slå upp, utan för att inget i repositoryt innehåller dem och ingen tredje part har tagit fram dem. En modell som laddats upp utan modellkort är, ur utvärderingssynpunkt, inte uppmätt. Den som påstår något annat drar slutsatser från familjenamnet eller från parameterantalet, vilka båda är dåliga prediktorer för multimodal kvalitet.

Detsamma gäller en subtilare fråga: huruvida den glesa MoE:n faktiskt hjälper. En 35B-A3B-design byter totalt minne mot beräkning per token, och instruktionsföljningskvaliteten hos en gles modell beror helt och hållet på hur väl routern tränades. Konfigurationen visar en koefficient för routningshjälpförlust på 0,001 och en delad expert vid sidan av de 256 routade, vilket är en konventionell uppsättning – men en konventionell uppsättning är inte bevis på bra routning.

På Liquid-sidan är den saknade pusselbiten en annan: kortets kvalitetsanspråk är leverantörens egna.

OCR- och grounding-förbättringarna beskrivs av personerna som tränade modellen, och även om kvantiseringar från tredje part och nedladdningsvolym visar att communityn ansåg det vara tillräckligt användbart för att konvertera, är det bevis på användning snarare än kvalitetsbevis. Ingen har publicerat en oberoende direkt jämförelse.

Vilken skulle du faktiskt ta

Beslutsträdet här är ovanligt rent, eftersom de två modellerna inte konkurrerar om samma jobb.

Om du behöver en bild- och språkmodell som körs på en bärbar dator, en telefon, en Jetson eller en enda anspråkslös GPU, är LFM2.5-VL 3B den enda av de två som svarar på frågan. Den är tillräckligt liten för att kvantiseras, den har en licens som tillåter arbetet, och någon har redan gjort konverteringsarbetet åt dig. För dokumentlayout, skärmbildsparsning och grundad objektbeskrivning med ett storleks- och språkfotavtryck som ryms inom en edge-budget, stämmer kortets angivna styrkor överens med driftsättningsmålet.

MiniCPM-V 4.7 är inte en kandidat för det jobbet vid 70 GB i BF16. Det är en kandidat för det motsatta jobbet: en multimodell modell med lång kontext och hög genomströmning på serverhårdvara, i arbetsbelastningar där 256K-fönstret och KV-cachens besparingar med linjär uppmärksamhet är själva poängen. Huruvida den gör det jobbet bra är okänt, och licensfrågan måste besvaras innan den alls gör det jobbet i något kommersiellt sammanhang.

Det finns ett tredje alternativ som är värt att nämna, nämligen att du kanske inte behöver välja. Om arkitekturen är "en liten lokal modell hanterar merparten av trafiken och skickar de svåra fallen till något hostat", så är den lokala halvan av det ett beslut du kan fatta idag och den hostade halvan är ett routingbeslut. OrcaRouter täcker ett par hundra hostade modeller bakom en enda nyckel till varje leverantörs listpris utan något påslag, med failover när en leverantör försämras — men var tydlig med vad det inte är: varken LFM2.5-VL 3B eller MiniCPM-V 4.7 är en hostad modell på den routern. Båda är vikter som du serverar själv. Routern är det som ligger bakom dem.

Var detta står, och vad som bör uppdateras

Liquid AI har släppt en färdig liten modell. OpenBMB har släppt en ofärdig stor. Jämförelsen som läsarna vill ha – träffsäkerhet mot latens, OCR mot OCR – kan ännu inte skrivas för MiniCPM-sidan, och det stycke som skulle vara ohederligt är det som fyller utrymmet med aritmetik kring parameterantal. Håll ett öga på repots README. Den dag den dyker upp kommer den att innehålla licensen och de första riktiga siffrorna, och den dagen blir detta en riktig duell i stället för ett specifikationsblad bredvid en produkt.

Den hostade halvan av det mönstret är ett routingbeslut snarare än ett andra avtal. varje leverantörs listpris utan påslag från oss Varken LFM2.5-VL 3B eller MiniCPM-V 4.7 är en hostad modell på OrcaRouter – båda är vikter som du serverar själv.