Molmo2-4B vs LFM2.5-VL-3B: 19 GB vikter mot 3 GB på telefon

Lägg de två checkpoints sida vid sida på disken och jämförelsen är nästan över innan den har börjat. Molmo2-4B levereras som 19,42 GB float32-safetensors fördelade på fyra shards. LFM2.5-VL-3B:s ursprungliga repository uppgår till 6,27 GB, och Liquids eget modellkort lovar att den körs i "under 3,3 GB minne". När man kvantiserar den mindre modellen är det ungefär en sex-till-ett-skillnad i fotavtryck för två modeller som diskuteras som om de vore utbytbara små vision-language-modeller. De är inte utbytbara, och anledningen är inte kvalitet. En av dem är byggd för att svara på frågor om en video med 384 bildrutor. Den andra är byggd för att svara på frågor om ett fotografi på en telefon med radion avstängd. Ingen av modellerna hostas här, så plattformens roll är den omgivande stacken. Prissättning med 0 % påslag Leverantörens listpris förs vidare oförändrat.

Ingen av modellerna är ny, vilket spelar roll om du kom hit från en resultatsida som antyder motsatsen. Molmo2-4B tillkännagavs av Allen Institute for AI den 11 december 2025 och dess vikter publicerades den 14 december. LFM2.5-VL-3B släpptes av Liquid AI den 12 augusti 2026. Det som förändrats nyligen är snävare och mer användbart än en lansering: Molmo2 blev en förstklassig arkitektur i upstream Transformers, med PR #43451 sammanslagen den 9 oktober 2026 och modellen släpptes först i v5.20.0 den 15 oktober, vilket avslutade perioden då man var tvungen att skicka trust_remote_code=True och installera ett separat molmo_utils-paket. Den 5 november publicerade Ai2 också Molmo2-4B-tb, en robotikfinjustering byggd på exakt denna checkpoint. Ingen av händelserna gör Molmo2-4B ny. Båda gör att den först nu är praktisk att köra.

Minnesfrågan, i siffror snarare än adjektiv

Storlekarna först, eftersom de avgör de flesta driftsättningar innan ett enda benchmark ens har konsulterats.

• Parametrar — Molmo2-4B har 4,850,869,200 parametrar fördelade över ett SigLIP 2-visionstorn och en Qwen3-4B-Instruct-2507-språkkärna; LFM2.5-VL-3B har 3,123,483,888 parametrar fördelade över en SigLIP2 NaFlex 400M-kodare och en 2,6B LFM2.5-stomme.

• Levererat viktformat — Molmo2-4B distribueras i float32, 19,42 GB på disk, fyra shards; LFM2.5-VL-3B distribueras i bfloat16 på 6,27 GB, med officiella GGUF-, ONNX- och MLX-exporter publicerade tillsammans med den.

• Angivet minnesavtryck vid körning – Liquid uppger att LFM2.5-VL-3B använder under 3,3 GB vid inferens; AI2 publicerar ingen siffra för minnesanvändning vid körning för Molmo2-4B, och float32-distributionen innebär att du kommer att behöva casta innan du serverar.

• Genomströmning — Liquid rapporterar 228 tokens/s på en Apple M5 Max, 116 tokens/s på en AMD Ryzen AI Max+ 395 och 20 tokens/s på en Galaxy S26 Ultra. Det finns ingen motsvarande offentlig siffra för Molmo2-4B oavsett storlek.

• Kontext — 32 768 tokens för LFM2.5-VL-3B; 36 864 positioner i Molmo2-4B:s textkonfiguration, uppnådda genom ett dedikerat finjusteringssteg för lång kontext vid 384 bildrutor.

Den sista jämförelsen förtjänar en reservation snarare än en jämförelse. Molmo2-4B:s 36,864 är en sekvenslängdsbudget som dess videopipeline snabbt förbrukar: den släppta videoförbehandlaren har som standard 384 bildrutor vid 2 fps, storleksändrade till 378×378 med 3×3-poolning. Ett långt klipp kan förbruka hela fönstret enbart på bildrutor, vilket lämnar lite utrymme för frågan. LFM2.5-VL-3B:s 32,768 läggs på text och bildpatchar, eftersom den inte har någon videoväg alls.

Video är skiljelinjen, inte benchmark-tabellen

LFM2.5-VL-3B bearbetar text och bilder. Det är hela indatan. Den är mycket bra på det den byggdes för – fullsidig OCR med layoutannotering, objektdetektering från frågor i naturligt språk, skärmläsning och nästan realtidsarbete på enheten – men video är inte en av dess indata, och ingen mängd prompt engineering ändrar på det.

Molmo2-4B byggdes på det omvända sättet. Ai2:s modellkort listar nio träningsset, och fem av dem är video eller flera bilder: video-captioning-QA, video-undertext-QA, video-pekning, video-spårning, multi-image-QA, multi-image-pekning. Pekningsutdata är den ovanliga delen. Koordinater returneras skalade till 0–1000 av bildens bredd och höjd, i ett taggat format som kortet tillhandahåller ett regex för, så ett svar på "var är båten" är en numerisk punkt i stället för en mening. Samma format bär en tidsstämpel i videoläge, vilket är det som gör spårning på bildrutenivå möjlig överhuvudtaget.

Om din uppgift är en skärmbild, en skannad sida, ett foto av en hylla eller en meny spelar inget av det någon roll, och 3 GB-modellen är helt enkelt det bättre ingenjörsvalet. Om din uppgift är "hitta ögonblicket då lådan faller av pallen" kan LFM2.5-VL-3B inte ingå i jämförelsen.

Två leverantörsmedelvärden som inte får subtraheras från varandra

Här går de flesta jämförelsesidor fel. Liquid rapporterar ett genomsnitt på 69,4 för LFM2.5-VL-3B över en visionstabell med 28 benchmarkar. AI2 rapporterar ett genomsnitt på 62,8 för Molmo2-4B över 15 akademiska benchmarkar. Skriv ut de två siffrorna bredvid varandra och LFM2.5-VL-3B ser 6,6 punkter bättre ut. Det är inte en giltig jämförelse: olika uppsättningar benchmarkar, olika promptformat, olika avkodningsinställningar och, i Liquids fall, en svit som dess egna författare valt.

Vad varje leverantör faktiskt rapporterar, med härkomsten bifogad:

• LFM2.5-VL-3B, enligt leverantörens uppgifter — DocVQA 91,1, RefCOCO-avg 87,9, CountBenchQA 87,3, OCRBench v1 84,2, TextVQA 84,3, MMBench 81,0, SEED-Bench bild 77,7, ScreenSpot-v2 Web 82,2, MMStar 63,3, MMMU 48,4, MMMU-Pro 30,5, MathVista mini 68,5.

• Molmo2-4B, enligt leverantören — 62,8 i genomsnitt över 15 akademiska benchmarktester, jämfört med 63,1 för 8B-syskonet, 58,1 för Qwen3-VL-4B, 53,4 för InternVL3.5-4B, 59,6 för Claude Sonnet 4.5, 70,0 för Gemini 3 Pro och 70,6 för GPT-5 i samma tabell.

• Inte rapporterat någonstans av någon av leverantörerna – en gemensam utvärderingsrigg. Inget av företagen har publicerat resultat för Molmo2-4B på Liquids svit med 28 benchmarks eller resultat för LFM2.5-VL-3B i AI2:s tabell med 15 benchmarks.

Den enda genuint jämförbara axeln är modellstorlek, och där slår 4,85B-modellen 3,12B-modellen på AI2:s eget genomsnitt men förlorar stort på utplaceringsavtryck. Det är avvägningen, klart uttalad.

Licenser: ingen av dem är Apache-2.0 som det ser ut.

Båda korten har en etikett som låter tillåtande, och båda har en hake som en inköpsgranskare kommer att hitta.

• Molmo2-4B — vikterna ligger under Apache 2.0, men modellkortet tillägger att modellen "är tränad på tredjepartsdatamängder som endast får användas för akademisk och icke-kommersiell forskning" och uppmanar dig att granska källorna innan du avgör om modellen passar. Vikterna är öppna; datans härkomst är inte ren för kommersiellt bruk, och Ai2 säger det på kortet i stället för i en fotnot.

• LFM2.5-VL-3B — LFM Open License v1.0, som inte är en OSI-licens. Kommersiell användning beviljas med villkor: avsnitt 5 gör kommersiella rättigheter beroende av att din juridiska person håller sig under en definierad tröskel, och licensen definierar den tröskeln som en årlig omsättning på 10 miljoner amerikanska dollar eller mer.

Ingen av begränsningarna är ovanlig för en forskningsnära lansering. Båda innebär att frågan "kan vi släppa det här" har olika svar för en tvåpersonersprototyp och ett finansierat företag, och de två svaren pekar i motsatta riktningar beroende på vilken modell du valde.

Kör någon av dem idag

Molmo2-4B:s eget modellkort ligger nu efter biblioteket. Det anger fortfarande att du ska installera transformers==4.57.1, skicka trust_remote_code=True och installera molmo_utils och decord2. Det receptet fungerar. Det är inte heller längre det enda: sedan v5.20.0 innehåller vanliga Transformers en klass, Molmo2ForConditionalGeneration, med egen konfiguration, bildprocessor, videoprocessor och processor, så remote-code-vägen är valfri snarare än obligatorisk. vLLM har haft stöd för Molmo2 via sin egen modellklass sedan strax efter lanseringen; AI2:s plattformsdokumentation pekar fortfarande på nightly-wheels i stället för en stabil utgåva, vilket är värt att veta innan du låser en version i produktion.

LFM2.5-VL-3B har den mer mogna utrullningshistorien av de två, och det är inte ens nära: inbyggda vikter plus GGUF-, ONNX- och MLX-exporter, med llama.cpp, vLLM och SGLang alla listade som stödda, och publicerad genomströmning på tre olika enheter konsumenthårdvara. Om målet är en bärbar dator, en telefon eller en enkortsdator är det ekosystemet produkten.

En praktisk notering för den som planerar att routa mellan dem: ingen av modellerna finns i OrcaRouter-katalogen, och det vore fel att läsa en jämförelse som denna som ett påstående om tillgänglighet. Vad plattformen erbjuder är ett API för fler än 200 modeller tillsammans med en självhostad driftsättning som dessa två, med automatisk failover och leverantörens eget listpris vidarebefordrat utan påslag. Det vanliga mönstret är att behålla den lilla visionmodellen lokalt för den latenskritiska vägen och skicka ut de svårare, mer sällsynta förfrågningarna – och att bevisa den uppdelningen med verklig trafik innan man binder sig till någon av dem.

Vilken ska man välja?

Välj LFM2.5-VL-3B om målet för distributionen är en telefon, en bärbar dator eller en edge-box, om dina indata är skärmbilder, dokument eller enskilda fotografier, om du behöver latens för första token under en sekund, eller om du behöver ett av de kvantiserade format som redan finns för den. Täckningen för 16 språk och siffrorna för ScreenSpot-v2 gör den till ett försvarbart val specifikt för skärmsförståelse på enheten.

Välj Molmo2-4B om video ingår, om du behöver koordinater i stället för löpande text, om du behöver resonemang över flera bilder utifrån en uppsättning bildrutor, eller om uppgiften är att räkna objekt i en scen – AI2:s egen jämförelse placerar Molmo2-familjen i toppen av de öppna viktmodellerna för videoräkning, samtidigt som man medger att ingen modell i deras utvärdering når 40 % noggrannhet. Ta höjd för resursbehovet: 19,42 GB float32-vikter, en omvandling till bfloat16 före servering och en GPU i stället för en telefon.

Det som skulle avgöra saken ordentligt är en gemensam utvärdering i en och samma testrigg, vid matchad kvantisering, med latens mätt på samma enhet. Ingen av leverantörerna har publicerat någon sådan, och tills någon gör det är det ärliga svaret att dessa två modeller konstruerades för olika uppgifter och att benchmarkarna aldrig var avsedda att ställas mot varandra.