LFM3-VL-2B vs North Micro Vision Instruct: เครื่องอ่านเอกสารสองตัว กำแพงสัญญาอนุญาตเดียว
- Orcaใหม่OrcaCyber: GLM 5.3 Flash Abliterated2026-10-2779 tok/s
- Orcaใหม่OrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 283 tok/s
- Orcaใหม่OrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 82 tok/s
- Moonshotใหม่MoonshotAI: Kimi K3.1 Pro2026-10-2455ความฉลาด
- Orcaใหม่OrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 119 tok/s
- minimaxใหม่MiniMax: M3.1 Flash2026-10-1943ความฉลาด
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 44 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 113 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 701 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2138ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2146ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 160 tok/s
ช่องว่างความแม่นยำระหว่าง LFM3-VL-2B และ North Micro Vision Instructมีอยู่จริงแต่เล็ก: ประมาณ 4.6 คะแนนบน DocVQA และ 7.1 บน OCRBench โดยทั้งคู่ไปในทิศทางเดียวกัน ช่องว่างที่ตัดสินการนำไปใช้งานจริงไม่ใช่เกณฑ์มาตรฐานเลย North Micro Vision Instruct เผยแพร่ภายใต้ Apache 2.0 ส่วน LFM3-VL-2B เผยแพร่ภายใต้ LFM Open License v1.0 ซึ่งอนุญาตให้ใช้เชิงพาณิชย์ได้เฉพาะเมื่อองค์กรของคุณมีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ
ทั้งสองโมเดลมีขนาดเล็ก ทั้งคู่เป็นแบบ open-weight และทั้งคู่ถูกสร้างขึ้นมาเพื่ออ่านหน้าเอกสารมากกว่าจะใช้พูดคุยเกี่ยวกับภาพถ่าย ตัวหนึ่งเผยแพร่ในเดือนสิงหาคม 2026 และผ่านมาแล้วสองเดือนที่มีการดาวน์โหลดและการพอร์ตไปยังแพลตฟอร์มต่าง ๆ อีกตัวปรากฏบน Hugging Face เมื่อวันที่ 19 ตุลาคม ถูกประกาศอย่างเป็นทางการเมื่อวันที่ 27 ตุลาคม และมียอดดาวน์โหลด 255 ครั้ง ดังนั้น การเปรียบเทียบนี้จึงเป็นทั้งคำถามด้าน benchmark ส่วนหนึ่ง และเป็นคำถามว่าคุณยอมรับความเสี่ยงแบบใดได้ในอีกส่วนหนึ่ง: โมเดลที่ยังไม่ผ่านการพิสูจน์ หรือโมเดลที่ไม่มีใบอนุญาต
แต่ละโมเดลจริงๆ แล้วคืออะไร
LFM3-VL-2B คือโมเดลแบบ dense ขนาด 1.92B ของ Liquid AI ประกอบด้วยแกนหลักทางภาษาขนาด 1.73B ตัวเข้ารหัสภาพที่พัฒนาขึ้นเองขนาด 164M ซึ่งออกแบบมาให้ใช้พลังประมวลผลน้อยกว่า SigLIP2 ราวสามเท่า และโปรเจกเตอร์ขนาด 25M โดยรับข้อความ รูปภาพ และวิดีโอที่ 2 fps ส่งออกเป็นข้อความ รองรับโหมดคิดวิเคราะห์ มีหน้าต่างบริบท 128K และครอบคลุม 16 ภาษา ในที่เก็บโค้ดมีบิลด์ BF16, GGUF, MLX 4-bit และ ONNX รวมอยู่ด้วย แม้ว่าการรองรับ llama.cpp จะยังอยู่ระหว่างการตรวจสอบและยังไม่มีเส้นทางการรองรับวิดีโอ
North Micro Vision Instruct เป็นโมเดลขนาด 2.4B ของ Cohere Labs: แกนหลักภาษาขนาด 2B จากตระกูล North Micro บวกกับเอนโคเดอร์ขนาดประมาณ 400M ที่ต่อยอดจาก SigLIP2 SO400M พร้อมโปรเจกเตอร์สไตล์ DeepStack โดยรับข้อความและภาพแบบสลับกันที่ความละเอียดดั้งเดิม สูงสุด 1654×2339 ซึ่งเท่ากับหน้า A4 เต็มหน้าที่ 200 dpi และส่งออกเป็นข้อความ โมเดลภาษามีบริบท 128K แต่ Cohere ระบุว่าการฝึกแบบมัลติโมดัลได้รับการตรวจสอบความถูกต้องถึงเพียง 8K เท่านั้น Apache 2.0 ขนาดคำศัพท์ 262K จำนวน 11 ถึง 12 ภาษา
สเปกเหล่านั้นดูคล้ายกันแต่ไม่เหมือนกัน บริบท 128K เป็นเพดานของจำนวนโทเค็นที่โมเดลสามารถให้ความสนใจได้ อินพุตที่ความละเอียดดั้งเดิมเป็นการตัดสินใจที่จะไม่ปรับขนาดหน้าเอกสารตั้งแต่แรก สำหรับใบแจ้งหนี้ที่สแกนซึ่งมีตารางอยู่ที่มุมหนึ่ง ข้อที่สองสำคัญกว่าข้อแรก
ตัวเลขในเอกสาร เมื่ออ่านโดยคำนึงถึงข้อจำกัดที่เหมาะสม
จากผลทดสอบที่การ์ดทั้งสองรุ่นเผยแพร่ LFM3-VL-2B นำอยู่:
• DocVQA — LFM3-VL-2B 96.7 เทียบกับ North Micro Vision Instruct 92.1
• OCRBench — 86.3 เทียบกับ 79.2
• ChartQA — 92.7 เทียบกับ 80.8
• AI2D — North รายงาน 77.5; Liquid ไม่ได้เผยแพร่แถว AI2D ที่เทียบเคียงได้โดยตรง
• RefCOCO-avg — 90.5 เทียบกับ 73.2 แม้ว่าการ์ดทั้งสองจะอธิบายค่าเฉลี่ยเหล่านี้แตกต่างกันมากพอ จนการลบนี้เป็นเพียงตัวบ่งชี้มากกว่าจะเป็นค่าที่แน่นอน
ทั้งหมดนี้เป็นการรายงานโดยผู้ขาย บนฮาร์เนสที่ผู้ขายเลือกเอง โดยไม่มีการทำซ้ำอย่างอิสระของโมเดลทั้งสอง ช่องว่างของ DocVQA แคบพอที่ความแตกต่างของรูปแบบพรอมต์จะปิดช่องว่างนี้ได้ ช่องว่างของ ChartQA ที่เกือบ 12 คะแนน มีโอกาสน้อยที่จะเป็นเพียงสัญญาณรบกวน และช่องว่างของ OCRBench ที่ 7.1 คะแนน สอดคล้องกับโมเดลที่ถูกฝึกอย่างชัดเจนบนข้อมูลเอกสารและแผนภูมิ พร้อมโหมดการให้เหตุผลที่แนบมาด้วย
ตัวเลขที่น่าสนใจไม่ได้อยู่บนแถวข้อมูลในเอกสาร แต่คือ MMMU ซึ่ง LFM3-VL-2B รายงานไว้ที่ 55.7 และ North Micro Vision Instruct รายงานไว้ที่ 32.9 นั่นไม่ใช่ความแตกต่างจากการปรับแต่ง แต่เป็นผลิตภัณฑ์คนละตัว การ์ดของ Cohere เองระบุว่าโมเดลนี้จงใจไม่ใช่โมเดลสำหรับการให้เหตุผล ไม่รองรับการเรียกใช้เครื่องมือ และไม่สนับสนุนให้ใช้พร้อมต์ระบบ มันอ่านหน้าเอกสารได้ ส่วนการ์ดของ Liquid อ้างว่ามีความสามารถด้านการให้เหตุผลระดับบัณฑิตศึกษาเป็นหนึ่งใน 62 หมวดหมู่ที่วัดผล หากงานของคุณคือ "ดึงยอดรวมจากใบแจ้งหนี้ 400 ใบนี้" ทั้งสองตัวก็ใช้งานได้ แต่ถ้างานของคุณคือ "ตัดสินว่าใบแจ้งหนี้นี้ละเมิดนโยบายหรือไม่" มีเพียงตัวเดียวที่ถูกสร้างมาเพื่องานนั้น
จุดที่คำกล่าวอ้างเรื่อง 128K เริ่มคลุมเครือ
บริบท 128K ของ LFM3-VL-2B เป็นตัวเลขที่เผยแพร่ไว้ซึ่งให้ไว้อย่างกว้างขวางกว่า แต่ความยาวบริบทไม่เหมือนกับบริบทมัลติโมดัลที่ใช้งานได้จริง บัตรข้อมูลไม่ระบุว่าแต่ละหน้าใช้โทเค็นรูปภาพจำนวนเท่าใดที่ความละเอียดดั้งเดิม และไม่มีการเผยแพร่จำนวนเฟรมสูงสุดสำหรับวิดีโอ North Micro Vision Instruct เผยแพร่ตัวเลขในลักษณะตรงกันข้าม: บริบทภาษาขนาด 128K โดยมีการฝึกมัลติโมดัลที่ผ่านการตรวจสอบถึง 8K นั่นคือการเปิดเผยแบบอนุรักษ์นิยม และมีประโยชน์มากกว่าตัวเลขที่ใหญ่กว่าซึ่งไม่ได้ระบุงบประมาณด้านVisionไว้
การทดสอบเชิงปฏิบัติสำหรับทั้งสองโมเดลนั้นเหมือนกัน: วัดจำนวนโทเคนต่อหน้าในเอกสารของคุณเองก่อนที่คุณจะออกแบบโดยอิงกับหน้าต่างบริบท หน้าต่าง 128K ที่เก็บได้เพียงสี่หน้าตามความละเอียดของคุณไม่ใช่เวิร์กโฟลว์เอกสารขนาด 128K
ใบอนุญาตคือการตัดสินใจ
Apache 2.0 ก็คือ Apache 2.0 คุณสามารถใช้ North Micro Vision Instruct ในเชิงพาณิชย์ได้ไม่ว่าจะมีรายได้เท่าใด แก้ไข กระจายต่อ และโฮสต์ได้ โดยต้องเก็บข้อความแจ้งสิทธิ์ไว้ นั่นคือข้อตกลงทั้งหมด และสำหรับสตาร์ทอัพที่สร้างผลิตภัณฑ์ด้านเอกสาร มันตัดขั้นตอนการตรวจสอบทางกฎหมายออกไปทั้งหมวดหมู่
LFM Open License v1.0 ไม่ใช่เช่นนั้น โดยนิยามการใช้เชิงพาณิชย์อย่างกว้าง ๆ ว่า “การใช้ผลงานใด ๆ เพื่อผลประโยชน์เชิงพาณิชย์ไม่ว่าโดยตรงหรือโดยอ้อม หรือเพื่อค่าตอบแทนเป็นเงิน” และกำหนดเงื่อนไขของสัญญาอนุญาตโดยให้ผู้รับอนุญาตมีรายได้ต่อปีต่ำกว่าเกณฑ์ 10 ล้านดอลลาร์สหรัฐ เมื่อสูงกว่าเกณฑ์ดังกล่าว การใช้เชิงพาณิชย์ “ไม่ได้รับอนุญาตภายใต้ข้อตกลงนี้” องค์กรไม่แสวงหากำไรที่เข้าเกณฑ์ได้รับการยกเว้นสำหรับวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์และการวิจัย อนุญาตให้เผยแพร่ต่อได้ โดยต้องระบุแหล่งที่มาและแจ้งการเปลี่ยนแปลง ข้อความสัญญาอนุญาตที่เราอ่านไม่มีข้อจำกัดแยกต่างหากเกี่ยวกับการโฮสต์ ดังนั้นข้อจำกัดคือเพดานรายได้ ไม่ใช่ข้อห้ามในการให้บริการ
เพดานนั้นนำไปสู่บทสนทนาที่กระอักกระอ่วน บริษัทที่มีรายได้ 9 ล้านดอลลาร์สามารถส่ง LFM3-VL-2B ได้ในวันนี้ และสูญเสียใบอนุญาตเพราะการเติบโต โมเดลไม่ได้หยุดทำงาน แต่สิทธิ์การใช้งานต่างหากที่หยุด สำหรับผลิตภัณฑ์ที่มีแผนงานสองปี นั่นคือรายการที่ต้องตรวจสอบอย่างรอบคอบ ไม่ใช่เชิงอรรถ
ช่องว่างในการนำไปใช้คือสัญญาณในตัวเอง
North Micro Vision Instruct มียอดดาวน์โหลดประมาณ 35,000 ครั้ง นับตั้งแต่รีโพซิทอรีของมันปรากฏเมื่อวันที่ 10 สิงหาคม 2026 ส่วน LFM3-VL-2B มียอดดาวน์โหลด 255 ครั้งและได้รับถูกใจ 34 ครั้งนับตั้งแต่วันที่ 19 ตุลาคม สองเดือนเทียบกับเก้าวันอธิบายได้เพียงบางส่วนเท่านั้น แต่ไม่ใช่ทั้งหมด: การประกาศเปิดตัวตระกูล LFM3 เมื่อวันที่ 27 ตุลาคมเป็นเพียงโพสต์บล็อกเดียวที่ครอบคลุมหกรุ่น และเช็กพอยต์ด้านวิสัยทัศน์ได้เพียงหนึ่งย่อหน้าในนั้น
การเปิดตัวแบบเงียบ ๆ ไม่ได้หมายความว่าเป็นการเปิดตัวที่แย่โดยอัตโนมัติ โมเดลที่ไม่มีราคาเปิดตัว ไม่มีผู้ให้บริการโฮสต์ และการรองรับเฟรมเวิร์กยังอยู่ระหว่างการตรวจสอบ คือโมเดลที่คุณต้องประเมินบนฮาร์ดแวร์ของคุณเอง และยอดดาวน์โหลดที่ต่ำส่วนใหญ่หมายความว่ายังไม่มีใครทำเช่นนั้น นอกจากนี้ยังหมายความว่าไม่มีการควอนไทซ์จากชุมชน ไม่มี issue tracker ที่เต็มไปด้วยการแก้ไข และไม่มีเบนช์มาร์กจากบุคคลที่สามให้พึ่งพา North Micro Vision มีครบทั้งสามอย่าง
แต่ละอย่างมีค่าใช้จ่ายเท่าไร เท่าที่ใครจะบอกได้
ทั้งสองโมเดลไม่ได้ประกาศราคา API บนการ์ดโมเดลของตน North Micro Vision Instruct มีให้ใช้งานผ่านแพลตฟอร์มของ Cohere และได้รับการนำไปใช้โดยโฮสต์บุคคลที่สามหลายราย; LFM3-VL-2B มีให้ใช้งานบน Playground และ API ของ Liquid โดยไม่มีตารางอัตราค่าใช้จ่าย และ Hugging Face ไม่ได้ระบุผู้ให้บริการ inference สำหรับโมเดลนี้ บนฮาร์ดแวร์ที่ครอบครองเอง การเปรียบเทียบคือ 2.4B พารามิเตอร์เทียบกับ 1.92B หรือประมาณ 4.8 GB เทียบกับ 3.84 GB ใน BF16 — ใกล้เคียงกันพอที่ต้นทุน GPU จะไม่ใช่ตัวชี้ขาด
ตัวตัดสินอยู่ที่เรื่องการดำเนินงาน หากคุณเช่าโมเดลวิชันแบบโฮสต์แทนที่จะเป็นเจ้าของ checkpoint ใด checkpoint หนึ่ง OrcaRouter จะส่งผ่านราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นการเปลี่ยนแปลงราคาจากผู้ขายจะมีผลฝั่งเราในวันเดียวกัน แทนที่จะรอถึงการต่อสัญญาครั้งถัดไป เราไม่ให้บริการ LFM3-VL-2B หรือ North Micro Vision Instruct ในปัจจุบัน และบทความนี้ไม่ได้อ้างเป็นอย่างอื่น ประเด็นคือทางเลือกแบบโฮสต์มีราคาที่โปร่งใสพอที่จะนำไปเปรียบเทียบกับการคำนวณต้นทุนการโฮสต์เองข้างต้น
ใครควรเลือกอันไหน
เลือก North Micro Vision Instruct หากคุณต้องการ Apache 2.0 หากคุณต้องการโมเดลที่ผ่านการใช้งานโดยชุมชนมาแล้วสองเดือน หรือหากเอกสารของคุณเป็นหน้าเต็มที่ความละเอียดดั้งเดิมและงานของคุณสิ้นสุดเพียงการสกัดข้อมูล โปรดยอมรับว่าโมเดลจะไม่ใช้เหตุผลเชื่อมโยงระหว่างฟิลด์ที่สกัดออกมา
เลือก LFM3-VL-2B หากคุณต้องการอินพุตวิดีโอ โหมดคิด หรือผู้ช่วยด้านภาพที่ครอบคลุมกว่าซึ่งบังเอิญอ่านเอกสารได้ดี และหากคุณอยู่ต่ำกว่าเกณฑ์รายได้อย่างสบาย ๆ หรือสามารถเจรจาใบอนุญาตแยกต่างหากได้ ยอมรับว่าคุณเป็นผู้ใช้กลุ่มแรก ๆ ของ checkpoint ที่ยังไม่มีการประเมินโดยอิสระและการรองรับเฟรมเวิร์กยังไม่สมบูรณ์
อย่าเลือกทั้งคู่ แต่ถ้าเวิร์กโฟลว์ของคุณต้องการปลายทางโฮสต์ที่มีราคาและมีสัญญาการสนับสนุน ระดับ open-weight ขนาดเล็กกำลังพัฒนาอย่างรวดเร็ว แต่ที่ยอดดาวน์โหลด 255 ครั้ง ผู้มาใหม่ล่าสุดยังไม่ได้รับการทดสอบภาวะกดดันจากใครก็ตามนอกแล็บของตน
