LFM3-VL-2B vs MiniCPM-V 4.7 1B: ช่องว่าง 14 จุดที่ลดเหลือ 4 เมื่อคุณปิดโหมดคิด

ความแตกต่างที่มีผลมากที่สุดระหว่าง LFM3-VL-2Bกับ MiniCPM-V 4.7 1Bไม่ได้อยู่ในตาราง benchmark ใดเลย แต่อยู่ที่บรรทัดสัญญาอนุญาต โมเดลของ OpenBMB เป็น Apache 2.0 ส่วนของ Liquid AI คือ LFM Open License v1.0 ซึ่งมีเงื่อนไขเชิงพาณิชย์แทนข้อกำหนดแบบ permissive ทั่วไป นอกเหนือจากนั้น ทั้งสองโมเดลมีขนาดใกล้เคียงกันมากพอที่จะใช้แทนกันได้โดยตรง — 1.92B เทียบกับ 1.55B — และเปิดตัวห่างกันภายในสามสัปดาห์: MiniCPM-V 4.7 1B ถูกเผยแพร่บน Hugging Face เมื่อวันที่ 6 ตุลาคม และระบุวันที่ 12 ตุลาคมในบันทึกการเปิดตัวของผู้จำหน่าย ขณะที่ LFM3-VL-2B อยู่ในที่เก็บสาธารณะตั้งแต่วันที่ 19 ตุลาคม และได้รับการประกาศเมื่อวันที่ 27 ตุลาคม ในชุดทดสอบ benchmark 62 รายการของ Liquid เอง โมเดลใหม่ได้ค่าเฉลี่ย 71.4 เทียบกับ 57.5 ซึ่งเป็นช่องว่าง 13.9 จุดที่ลดลงเหลือ 4.6 จุดทันทีที่คุณปิดโหมด reasoning บนโมเดลของ Liquid

สองโมเดลในรุ่นน้ำหนักเดียวกัน ภายใต้กฎที่แตกต่างกัน

MiniCPM-V 4.7 1B เป็นรุ่นที่เล็กกว่าในสองรุ่นนี้ โดยมีพารามิเตอร์น้อยกว่าอยู่ประมาณ 370 ล้านพารามิเตอร์ รวม vision tower สไตล์ SigLIP เข้ากับแกนภาษาที่ต่อยอดจาก Qwen3.5 รองรับการบีบอัด visual token ที่ 4× หรือ 16× ซึ่งเลือกได้ในแต่ละคำขอ และระบุในเอกสารของผู้ผลิตว่ามีหน้าต่างบริบท 256K มีให้ใช้งานในบิลด์ BF16, int4, AWQ, GPTQ และ GGUF พร้อมโมเดลฉบับร่าง DSpark เฉพาะสำหรับ speculative decoding

LFM3-VL-2B จับคู่โมเดลภาษา LFM3-1.7B กับตัวเข้ารหัสภาพภายในองค์กรตัวใหม่ขนาด 164M และโปรเจกเตอร์ขนาด 25M โดยมีบริบท 128K ตามที่ระบุในเอกสาร รองรับอินพุตวิดีโอที่ 2 เฟรมต่อวินาที และมีโหมด no-thinking ตามที่ระบุในเอกสาร

• พารามิเตอร์ — 1.92B สำหรับ LFM3-VL-2B เทียบกับ 1.55B สำหรับ MiniCPM-V 4.7 1B ตามเอกสารของ OpenBMB; ป้ายขนาดโมเดลของ Hugging Face ปัดเศษตัวหลังเป็น 2B

• สัญญาอนุญาต — LFM Open License v1.0 เทียบกับ Apache 2.0

• บริบท — 128K โทเค็น เทียบกับ 256K ที่อ้างไว้ แม้ว่าการกำหนดค่าการอนุมานมักกำหนดเพดานไว้ต่ำกว่านั้นมาก

• เส้นทางวิชัน — เอนโคเดอร์ที่พัฒนาภายในขนาด 164M ซึ่งใช้หนึ่งโทเคนต่อบล็อกแพตช์ขนาด 2×2 เทียบกับทาวเวอร์สไตล์ SigLIP ที่มีการบีบอัด 4×/16×

• วิดีโอ — 2 เฟรมต่อวินาที เป็นโมเดลวิชัน LFM รุ่นแรกที่รองรับวิดีโอ พร้อมตัวเลข LongVideoBench และ MotionBench ที่ผู้ขายเผยแพร่

• โหมดการให้เหตุผล — มีให้ใช้งานและวัดผลทั้งสองทาง เทียบกับมีให้ใช้งานและถูกใช้ในการรันเบนช์มาร์ก

• ค่าเฉลี่ยของผู้จำหน่ายบนชุดการทดสอบ 62 รายการของ Liquid — 71.4 แบบ thinking, 62.1 แบบ no-thinking เทียบกับ 57.5

ช่องว่างโดยรวมคือ 13.9 คะแนน อ่านเชิงอรรถก่อน

ตารางของ Liquid เป็นอาร์ติแฟกต์เดียวที่ให้คะแนนทั้งสองโมเดลบนเบนช์มาร์ก 62 รายการเดียวกันด้วยการนอร์มัลไลเซชันแบบเดียวกัน และเป็นเหตุผลที่ทำให้การเปรียบเทียบนี้เกิดขึ้นได้เลย การ์ดของ OpenBMB เองไม่ได้ทำเบนช์มาร์กเทียบกับ LFM3-VL-2B ซึ่งยังไม่มีอยู่ในตอนที่ MiniCPM-V 4.7 1B เปิดตัว

หมายเหตุท้ายตารางที่สำคัญ: โหมดการให้เหตุผลถูกใช้กับทุกโมเดลในตาราง ยกเว้น LFM2.5-VL-3B ซึ่งไม่รองรับโหมดนี้ และการกำหนดค่าแบบไม่คิด (no-thinking) ของ LFM3-VL-2B ดังนั้น 71.4 และ 57.5 จึงเป็นคะแนนที่เปิดใช้การให้เหตุผลทั้งคู่ ซึ่งทำให้การเปรียบเทียบยุติธรรมกว่าการจับคู่กับ LFM2.5 ทั้งสองโมเดลถูกวัดที่การตั้งค่าที่ดีที่สุดของแต่ละตัว ด้วยเครื่องมือเดียวกัน โดยห้องแล็บเดียวกัน

ความเป็นธรรมไม่เหมือนกับความเป็นอิสระ Liquid เป็นผู้เลือกเบนช์มาร์กและเป็นผู้รันเอง ตารางนี้ครบถ้วนอย่างผิดปกติ — มีทั้งแถวระดับหมวดหมู่และระดับรายเบนช์มาร์ก และระบุชื่อคู่แข่งทุกราย — แต่ยังไม่มีบุคคลที่สามรายใดทำซ้ำผลใด ๆ เหล่านั้นได้

ปิดโหมดคิดแล้ว 1B ชนะ 24 จาก 62

LFM3-VL-2B เผยแพร่คะแนนชุดที่สองสำหรับน้ำหนักเดียวกันโดยปิดการใช้งานการให้เหตุผล คอลัมน์นั้นเป็นคอลัมน์ที่น่าสนใจ เพราะแสดงให้เห็นว่าคะแนนรวม 13.9 จุดนั้นมาจากไหนจริง ๆ เมื่อไม่มีการคิด LFM3-VL-2B ชนะใน 35 เกณฑ์มาตรฐาน MiniCPM-V 4.7 1B ชนะใน 24 เกณฑ์มาตรฐาน และเสมอกัน 3 รายการ ช่องว่างเฉลี่ยลดลงเหลือ 4.6 จุด

ที่น่าทึ่งกว่านั้นคือสิ่งที่ 1B ชนะในการกำหนดค่านั้น โดยคว้าคะแนนส่วนใหญ่ในกลุ่มการให้เหตุผลทางคณิตศาสตร์และแผนภูมิไปได้ และมักจะทิ้งห่างอย่างมาก

• We-Math (testmini, strict) — 47.8 สำหรับ MiniCPM-V 4.7 1B เทียบกับ 20.1 สำหรับ LFM3-VL-2B ในโหมดไม่คิด และ 68.6 ในโหมดคิด

• LogicVista — 46.1 เทียบกับ 30.2 ในโหมดไม่คิด, 60.4 ในโหมดคิด

• MathVista (mini) — 71.2 เทียบกับ 68.5 ในโหมดไม่คิด, 84.2 ในโหมดคิด

• ChartQA (ทดสอบ) — 88.8 เทียบกับ 81.4 เมื่อไม่เปิดโหมดคิด และ 92.7 เมื่อเปิดโหมดคิด

• CharXiv (คำอธิบาย) — 73.4 เทียบกับ 65.5 ในโหมดไม่คิด และ 87.5 ในโหมดคิด

• DynaMath — 63.8 เทียบกับ 57.7 ในโหมดไม่คิด

• MMMU (val) — 51.0 เทียบกับ 48.6 แบบไม่คิด, 55.7 แบบคิด

ผลลัพธ์ของ We-Math คือสิ่งที่ควรหยุดพิจารณา: ความได้เปรียบ 27.7 คะแนนสำหรับ 1B เมื่อทั้งสองโมเดลไม่ได้รับอนุญาตให้ใช้เหตุผล — และความได้เปรียบ 20.8 คะแนนสำหรับ LFM3-VL-2B ทันทีที่ได้รับอนุญาต We-Math เป็นเบนช์มาร์กที่วัดความแม่นยำแบบเข้มงวดสำหรับคณิตศาสตร์เชิงภาพหลายขั้นตอน และคะแนนไม่ได้ขยับแบบค่อยเป็นค่อยไประหว่างสองโมเดลนี้ มันพลิกกลับ นั่นคือภาพประกอบเดี่ยวที่ชัดเจนที่สุดในตารางว่าการเปิดโหมดการใช้เหตุผลให้อะไร

คำแปลที่ใช้ได้จริง: หากคุณปิดการทำ reasoning เพื่อลด latency และงานของคุณเกี่ยวข้องกับตัวเลขในแผนภูมิหรือไดอะแกรม ข้อได้เปรียบโดยรวมของโมเดลที่ใหญ่กว่าก็ไม่ได้ช่วยปกป้องคุณ โมเดล 1B คือเครื่องมือที่ดีกว่า

จุดที่ LFM3-VL-2B ชนะไม่ว่าจะอยู่ในโหมดใด

กลับกันก็เป็นจริงเช่นกัน และหมวดหมู่เหล่านี้ก็เป็นรูปธรรมไม่แพ้กัน ห้าหมวดในนั้นเกือบจะเอนเอียงไปทางเดียวแม้แต่ในคอลัมน์ไม่ต้องคิด

• ความเข้าใจ GUI — 83.1 เมื่อคิด 81.5 เมื่อไม่คิด เทียบกับ 45.3 สำหรับ MiniCPM-V 4.7 1B ScreenSpot-Pro อยู่ที่ 55.5 เทียบกับ 4.9; ScreenSpot-v2 Desktop อยู่ที่ 94.6 เทียบกับ 51.5

• การเชื่อมโยงเชิงภาพ — 77.3 เมื่อใช้ thinking, 72.6 เมื่อไม่ใช้ thinking เทียบกับ 51.1 ค่าเฉลี่ย RefCOCO อยู่ที่ 90.5 เทียบกับ 86.3

• การให้เหตุผลแบบ Embodied — 64.4 โหมดคิด, 57.9 โหมดไม่คิด เทียบกับ 45.3

• Agentic — 42.5 โหมดคิด, 32.9 โหมดไม่คิด เทียบกับ 16.9 เป็นหมวดหมู่ที่อ่อนที่สุดในบรรดาทั้งสี่โมเดลในตาราง และเป็นช่องว่างเชิงสัมพัทธ์ที่กว้างที่สุดระหว่างสองค่านี้

• หลายภาษา — 84.4 แบบคิด, 76.2 แบบไม่คิด, เทียบกับ 77.4 เป็นหมวดเดียวที่โมเดล Liquid แบบไม่คิดแพ้ให้กับ 1B

ScreenSpot-Pro ที่ 55.5 เทียบกับ 4.9 คือช่องว่างที่ใหญ่ที่สุดระหว่างสองโมเดลในทุกจุดของทั้ง 62 เบนช์มาร์ก หากคุณกำลังสร้างระบบอัตโนมัติสำหรับ UI ก็ไม่ต้องตัดสินใจอะไรอีกแล้ว แต่ถ้าคุณกำลังสร้างติวเตอร์คณิตศาสตร์ อันดับกลับตาลปัตร ค่าเฉลี่ย 13.9 จุดเป็นเพียงผลพลอยได้จากการเฉลี่ยประชากรสองกลุ่มที่มีพฤติกรรมแตกต่างกันอย่างมาก

ฮาร์เนสสองตัว ตัวเลขสองค่าสำหรับเบนช์มาร์กเดียวกัน

นี่คือส่วนที่ทำให้การเปรียบเทียบข้ามผู้จำหน่ายเต็มไปด้วยกับดัก และสมควรมีหัวข้อแยกของตัวเอง เพราะผู้จำหน่ายทั้งสองรายเผยแพร่ตัวเลขของเบนช์มาร์กที่มีชื่อเดียวกัน

OpenBMB รายงาน MathVista 74.3 สำหรับ MiniCPM-V 4.7 1B บนหน้าของตนเอง Liquid รันซ้ำโมเดลเดียวกันบนเบนช์มาร์กชื่อเดียวกัน แล้วรายงาน 71.2 OpenBMB รายงาน OCRBench 86.1 ขณะที่ฮาร์เนสของ Liquid รายงาน OCRBench v1 ที่ 82.1 ไม่มีแล็บใดโกหก พวกเขาใช้รูปแบบพรอมป์ที่ต่างกัน กฎการสกัดคำตอบที่ต่างกัน หรือซับเซ็ตที่ต่างกัน และความต่าง 3.1 และ 4.0 คะแนนที่เกิดขึ้นเป็นความแปรปรวนตามปกติของฮาร์เนส

ผลที่ตามมาคือคุณไม่สามารถนำ 74.3 ของ OpenBMB มาลบตัวเลข MathVista แบบ no-thinking ที่ 68.5 ของ Liquid สำหรับ LFM3-VL-2B เพื่อให้ได้ชัยชนะ 5.8 คะแนน นั่นเป็นการตีความที่ปกป้องได้ก่อนวันที่ 27 ตุลาคม เมื่อเบนช์มาร์กที่ใช้ร่วมกันเพียงรายการเดียวระหว่าง MiniCPM-V 4.7 1B และ LFM2.5-VL-3B ถูกวัดด้วยฮาร์เนสที่แตกต่างกันสองตัว ตอนนี้มันปกป้องไม่ได้แล้ว เมื่อ Liquid เผยแพร่ทั้งสองโมเดลไว้ในตารางเดียว จงใช้ตารางนั้น และถือว่าตัวเลขทุกตัวบนหน้าของผู้ขายเป็นของเครื่องมือวัดของตัวเอง

เนคไทที่ยุติข้อโต้แย้งเก่าแก่ได้อย่างเงียบ ๆ

ในตารางเดียวกันนั้นมีผลลัพธ์ที่ไม่มีใครจากทั้งสองบริษัทได้โฆษณาไว้ MiniCPM-V 4.7 1B มีค่าเฉลี่ย 57.5 จาก 62 benchmark ส่วน LFM2.5-VL-3B มีค่าเฉลี่ย 57.6

หน้าเพจผลิตภัณฑ์ของ OpenBMB อ้างว่าโมเดล 1B เหนือกว่า LFM2.5-VL-3B ในด้าน OCR การให้เหตุผลจากแผนภูมิ และการทำความเข้าใจวิดีโอ บนชุดทดสอบของ Liquid ข้อกล่าวอ้างนั้นถูกครึ่งหนึ่งและผิดครึ่งหนึ่ง และคะแนนรวมเสมอกันสนิท:

• เอกสาร OCR และแผนภูมิ — 73.0 สำหรับ MiniCPM-V 4.7 1B เทียบกับ 71.2 สำหรับ LFM2.5-VL-3B ข้อกล่าวอ้างได้รับการสนับสนุนอย่างหวุดหวิด

• วิดีโอ — 53.7 ต่อ 41.3 ข้อกล่าวอ้างได้รับการสนับสนุนอย่างเด็ดขาด

• คณิตศาสตร์ — 51.8 เทียบกับ 40.6 ข้อกล่าวอ้างได้รับการสนับสนุน และไม่มีการกล่าวถึงในข้อกล่าวอ้างเดิม

• การอ้างอิงเชิงภาพ — 51.1 เทียบกับ 68.3 ข้อกล่าวอ้างล้มเหลวอย่างชัดเจน

• การทำความเข้าใจ GUI — 45.3 เทียบกับ 66.0 ข้อกล่าวอ้างนี้ล้มเหลวอย่างชัดเจน

• Agentic — 16.9 เทียบกับ 21.1 ข้อกล่าวอ้างไม่เป็นจริง

ดังนั้นโมเดลขนาด 1.55B ภายใต้ Apache 2.0 จึงเทียบได้กับโมเดลขนาด 3.1B จากห้องแล็บที่มีทุนหนาแน่น บนชุดเบนช์มาร์ก 62 รายการที่ใช้ร่วมกัน และทำได้โดยชนะบางหมวดหมู่อย่างชัดเจนและแพ้หมวดอื่นอย่างชัดเจน นั่นเป็นผลลัพธ์จริงเกี่ยวกับความหนาแน่นของความสามารถ และยังเป็นคำเตือนเกี่ยวกับสิ่งที่ค่าเฉลี่ยปิดบังไว้ ซึ่งนำการเปรียบเทียบกลับมาที่ LFM3-VL-2B: โมเดลที่เอาชนะทั้งสองได้คือโมเดลที่โหมดการให้เหตุผลยกระดับหมวดหมู่ที่อ่อนที่สุดของมันขึ้นมา ไม่ใช่โมเดลที่ดีกว่าอย่างสม่ำเสมอในทุกด้าน

ใบอนุญาต การดาวน์โหลด และสิ่งที่คุณสามารถส่งมอบได้จริง

ความแตกต่างด้านไลเซนส์จะตัดสินการนำไปใช้งานได้มากกว่าทุกแถวข้างต้น Apache 2.0 ไม่ต้องปรึกษาทีมกฎหมาย ส่วน LFM Open License v1.0 มีเงื่อนไขเชิงพาณิชย์ และแม้จะเปิดกว้างพอที่ Liquid จะปล่อยทุกโมเดลในตระกูลภายใต้ไลเซนส์นี้ แต่ก็ไม่ใช่การอนุญาตแบบเดียวกัน

การนำไปใช้บอกเรื่องราวที่คล้ายกัน บน Hugging Face MiniCPM-V 4.7 1B มีการดาวน์โหลดสะสมราว 155,000 ครั้ง และมีไลก์มากกว่า 400 เล็กน้อยตั้งแต่ 6 ตุลาคม ส่วน LFM3-VL-2B ณ เวลาที่เขียนนี้อยู่ที่การดาวน์โหลดไม่กี่ร้อยครั้งและ 16 ไลก์ โดยเปิดให้สาธารณะมาเก้าวันและประกาศมาได้หนึ่งวัน จำนวนดาวน์โหลดเป็นสัญญาณที่มีนอยซ์ — ไปป์ไลน์ CI และมิเรอร์การควอนไทซ์ทำให้ตัวเลขสูงเกินจริง — แต่ช่องว่างถึงสามอันดับขนาดไม่ใช่นอยซ์ สิ่งนี้สะท้อนว่าโมเดลหนึ่งมีเครื่องมือ บทเรียน และการควอนไทซ์จากชุมชนหนุนหลังมาหนึ่งเดือน ขณะที่อีกโมเดลมีเพียงหนึ่งวัน

เครื่องมือสนับสนุนเป็นไปตามรูปแบบเดียวกัน MiniCPM-V 4.7 1B ระบุ Transformers, SGLang, vLLM, llama.cpp, Ollama และ OpenVINO พร้อมแอปพลิเคชันเนทีฟสำหรับ iOS, Android และ HarmonyOS ส่วน LFM3-VL-2B มี SGLang ตั้งแต่เปิดตัว มีน้ำหนัก GGUF พร้อมใช้งาน และการรองรับ llama.cpp ยังอยู่ระหว่างการตรวจสอบ — โดยไม่มีการรับอินพุตวิดีโอในการใช้งานที่อยู่ระหว่างดำเนินการ ตามการ์ดของโมเดลเอง

โมเดลไหนสำหรับงานไหน

• ระบบอัตโนมัติของ UI, การอ่านหน้าจอ, การรับรู้ทางหุ่นยนต์ — LFM3-VL-2B อย่างไม่ต้องลังเล และโหมดไม่คิดก็ใช้ได้ ScreenSpot-Pro ที่ 55.5 เทียบกับ 4.9 ไม่ใช่ส่วนต่างที่คุณจะใช้วิศวกรรมเลี่ยงได้

• การให้เหตุผลจากแผนภูมิ คณิตศาสตร์เชิงภาพ คำถามจากแผนภาพ — MiniCPM-V 4.7 1B หากคุณรันโดยไม่ใช้การให้เหตุผล และเป็นการแข่งขันที่แท้จริงหากคุณไม่ได้เป็นเช่นนั้น ตรวจสอบ We-Math กับข้อมูลของคุณเอง ช่องว่าง 27.7 จุดเมื่อไม่ใช้การคิดเป็นสิ่งที่ปรากฏให้เห็นทันทีในการใช้งานจริง

• วิดีโอยาว — ใกล้เคียงกว่าที่ค่าเฉลี่ยของหมวดหมู่บ่งชี้ LFM3-VL-2B นำในหมวด Video ด้วยคะแนน 61.2 ต่อ 53.7 แต่ MiniCPM-V 4.7 1B ชนะ Video-MMMU จริง ๆ ด้วยคะแนน 50.1 ต่อ 49.6 แม้เทียบกับการตั้งค่า thinking

• สิ่งที่ต้องผ่านการอนุมัติทางกฎหมายได้โดยไม่ต้องมีการตรวจทาน — MiniCPM-V 4.7 1B บน Apache 2.0 เพียงอย่างเดียว

• อะไรก็ตามที่ต้องการสแตกการอนุมานที่พร้อมใช้งานในปัจจุบัน — MiniCPM-V 4.7 1B อย่างน้อยอีกสองสามสัปดาห์ข้างหน้า จนกว่า llama.cpp จะผสานการรองรับ LFM3-VL

ตำแหน่งที่เราเตอร์พอดีเมื่อไม่มีโมเดลใดอยู่บนนั้น

ทั้งสองเช็กพอยต์นี้ไม่มีอยู่ในแคตตาล็อกของ OrcaRouter ทั้งคู่เป็นเวตที่คุณดาวน์โหลดมา ควอนไทซ์ และรันเอง การใช้ชั้นจัดเส้นทางให้เกิดประโยชน์ในกรณีนี้ไม่ใช่การเสิร์ฟโมเดลเหล่านี้ แต่เป็นการประกอบการทำงานรอบ ๆ โมเดลเหล่านี้ต่างหาก การหลอมรวมโมเดลเปิดให้กลุ่มโมเดลช่วยกันตอบคำถามเดียวกัน และโมเดลเฉพาะทางขนาด 1.55B ที่รันในเครื่องซึ่งเก่งด้านคณิตศาสตร์เชิงภาพ เมื่อจับคู่กับโมเดลที่โฮสต์ไว้ซึ่งแข็งกว่าในหมวดที่โมเดลแรกอ่อน เช่น การยึดโยงกับข้อมูลจริง (grounding) และงานแบบเอเจนต์ ถือเป็นการตั้งค่าที่เอาชนะได้ทั้งสองโมเดลเมื่อแยกกัน DSL สำหรับการจัดเส้นทางคือเครื่องมือที่คุณใช้ระบุว่าโมเดลใดรับผิดชอบคำถามแบบไหน โดยไม่ต้องเขียนแอปพลิเคชันใหม่ทุกครั้งที่มีเช็กพอยต์ออกมา

สรุปตามจริงก็คือ ตัวเลข 13.9 จุดที่พาดหัวนั้นเป็นความจริง โดยวัดบนชุดทดสอบของห้องแล็บเดียว และทำให้เข้าใจผิดหากใช้เป็นเกณฑ์ตัดสินใจซื้อ LFM3-VL-2B เป็นโมเดลที่ดีกว่าสำหรับหน้าจอและการระบุตำแหน่งอ้างอิง ด้วยช่องว่างที่ไม่มีรุ่นอื่นในระดับขนาดเดียวกันเข้าใกล้ได้ MiniCPM-V 4.7 1B เป็นโมเดลที่ดีกว่าสำหรับคณิตศาสตร์เชิงภาพแบบไม่ต้องใช้การให้เหตุผล เปิดตัวภายใต้สัญญาอนุญาตที่ไม่ต้องเจรจา และทำคะแนนเทียบเท่าโมเดลที่ใหญ่กว่าสองเท่าในชุดทดสอบเดียวกัน คำตอบที่ถูกต้องขึ้นอยู่กับว่าประโยคใดในนั้นอธิบายภาระงานของคุณ — และค่าเฉลี่ยของผู้ขายไม่ว่าจะรายใดก็จะไม่บอกคุณเรื่องนั้น