LFM3-VL-2B กับ MiniCPM-V 4.7 35B-A3B: คอลัมน์ที่ไม่ใช่ตัวโมเดล

เปิดตารางเบนช์มาร์กของ LFM3-VL-2B แล้วคุณจะพบคอลัมน์ MiniCPM ซึ่งมีป้ายกำกับว่า MiniCPM-V 4.7 1B นั่นคือรุ่นน้องตัวเล็ก โมเดลที่คนส่วนใหญ่หมายถึงเมื่อพูดถึง MiniCPM-V 4.7 ของ OpenBMB — MiniCPM-V 4.7 35B-A3B ซึ่งเป็นเช็กพอยต์แบบ mixture-of-experts ตัวแรกในสาย MiniCPM-V — ไม่ได้อยู่ในตารางของ Liquid AI เลย และบนเบนช์มาร์กที่ทั้งสองแล็บเผยแพร่ มันไม่ได้ใกล้เคียงกับรุ่น 1B เลย ดังนั้นการจับคู่ที่ผู้คนกำลังชั่งน้ำหนักกันจริง ๆ คือ LFM3-VL-2B กับ MiniCPM-V 4.7 35B-A3B จึงต้องประกอบขึ้นเองจากตารางของผู้ขายสองรายที่ใช้ชื่อเบนช์มาร์กร่วมกันแต่ไม่ได้ใช้ฮาร์เนสการประเมินร่วมกัน สิ่งที่ตามมาคือการประกอบนั้น โดยปล่อยให้รอยต่อยังมองเห็นได้

ความไม่ตรงกันของขนาดคือความประหลาดใจประการที่สอง โมเดลหนึ่งมีพารามิเตอร์แบบ dense จำนวน 1.92 พันล้านตัว และใช้พื้นที่เพียงไม่กี่กิกะไบต์ อีกโมเดลหนึ่งเก็บพารามิเตอร์ 35.21 พันล้านตัว และแตะเพียงประมาณ 3 พันล้านตัวต่อโทเคน หากอ่านเป็นเอกสารสเปก นี่ไม่ใช่การจับคู่กันเลย แต่หากอ่านเป็นสองคำตอบต่อคำถามเดียวกัน — คุณจะรันอะไรได้บนอุปกรณ์ที่คุณไม่ได้ควบคุม — นี่คือความเห็นที่แตกต่างกันอย่างน่าสนใจจริง ๆ เกี่ยวกับวิธีไปให้ถึงจุดนั้น

สองโมเดล ชื่อเดียว

การที่ชื่อชนกันกำลังสร้างความเสียหายจริงต่อวิธีที่การเปรียบเทียบนี้ถูกตีความ การ์ดของ Liquid AI ระบุอย่างรอบคอบในเรื่องนี้: คอลัมน์นั้นเขียนว่า 1B และ 1B ก็เป็นคู่เทียบที่สมเหตุสมผลสำหรับโมเดล 1.92B แต่ผลการค้นหา ตัวรวบรวมข้อมูล และการอ้างอิงแบบสบ ๆ ทั้งหมดยุบ "MiniCPM-V 4.7" ให้เป็นสิ่งเดียวกัน และ 35B-A3B คือรุ่นที่มีผู้สนใจ — มียอดดาวน์โหลด 289,535 ครั้งและไลก์ 1,095 ครั้งบน Hugging Face เทียบกับ 155,428 ครั้งและไม่กี่ร้อยไลก์สำหรับรุ่นพี่น้อง 1B ณ วันที่ 28 ตุลาคม 2026

วันที่ช่วยอธิบายช่องว่างนั้นได้บางส่วน ไม่ใช่ทั้งหมด รีโพซิทอรี 35B-A3B ของ OpenBMB ถูกสร้างเมื่อ 7 ตุลาคม 2026 โดยเอกสารของโครงการเองระบุวันเผยแพร่เป็น 12 ตุลาคม รีโพซิทอรี LFM3-VL-2B ของ Liquid AI เปิดขึ้นเมื่อ 19 ตุลาคม และตระกูล LFM3 ถูกประกาศเมื่อ 27 ตุลาคม LFM3-VL-2B เปิดให้สาธารณะมาได้เก้าวันแล้ว ดังนั้นยอดดาวน์โหลด 255 ครั้งจึงเป็นข้อเท็จจริงตามปฏิทิน ไม่ใช่คำตัดสิน อัตราส่วนการกดถูกใจเป็นตัวเลขที่น่าสนใจกว่า: 45 สำหรับ LFM3-VL-2B, 1,095 สำหรับ MiniCPM คนที่ดาวน์โหลดตัวหลังชอบมันมากพอที่จะบอกออกมา

แต่ละอย่างจริงๆ แล้วคืออะไร

• พารามิเตอร์ — LFM3-VL-2B เป็นโมเดลแบบ dense ขนาด 1.92B ประกอบด้วยแบ็กโบนภาษาขนาด 1.73B ตัวเข้ารหัสภาพที่พัฒนาภายในขนาด 164M และ projector ขนาด 25M ส่วน MiniCPM-V 4.7 35B-A3B เก็บพารามิเตอร์ 35.21B กระจายอยู่ทั่ว 256 experts และเลือกเส้นทาง 8 experts ต่อ token โดยมีพารามิเตอร์ที่ใช้งานจริงประมาณ 3B

แบ็กโบน — เลเยอร์ LFM3 จำนวน 24 เลเยอร์ แบ่งเป็นคอนโวลูชันสั้นแบบมีเกต 13 ชั้น เลเยอร์แอตเทนชันแบบหน้าต่างเลื่อน 5 ชั้น และเลเยอร์แอตเทนชันแบบโกลบอล 6 ชั้น เทียบกับเลเยอร์ Transformer 40 ชั้นที่ขนาดไฮเดน 2,048

• เส้นทางภาพ — เอนโคเดอร์ 14 ชั้น ประกอบด้วยคอนโวลูชัน 2D แบบ depthwise ที่มีเกต 8 ชั้น และเลเยอร์แอตเทนชันแบบสองทิศทาง 6 ชั้นบนแพตช์ 16×16 พร้อมการฝังแบบโรตารี 2D เทียบกับทาวเวอร์ 27 ชั้นที่ขนาดซ่อน 1,152 ซึ่งแทรกที่เลเยอร์ 6 ของสแต็กข้อความ พร้อมการบีบอัดโทเค็นตั้งแต่ช่วงต้นภายในเอนโคเดอร์ และการดาวน์แซมปลิงภาพแบบสลับได้ 4× หรือ 16×

• บริบท — 128K โทเค็นบน LFM3-VL-2B, 256K บน MiniCPM ทั้งอินพุตและเอาต์พุต

• อินพุต — ข้อความ รูปภาพ และวิดีโอที่ 2 เฟรมต่อวินาทีสำหรับโมเดล Liquid; ข้อความ รูปภาพ และวิดีโอสำหรับโมเดล OpenBMB ทั้งสองไม่รับหรือส่งเสียงในทิศทางใดเลย

• น้ำหนักบนดิสก์ — ประมาณ 3.8 GB ที่ BF16 เทียบกับประมาณ 65.6 GiB ที่ BF16

• สัญญาอนุญาต — LFM Open License v1.0 ซึ่ง Liquid อธิบายว่าใช้เชิงพาณิชย์ได้ฟรีเมื่อมีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ เทียบกับ Apache 2.0 ที่ไม่มีเงื่อนไขเรื่องรายได้

ความขัดแย้งด้านสถาปัตยกรรมคือหัวใจทั้งหมดของเรื่องนี้ Liquid เดิมพันว่าโมเดลขนาดเล็กแบบ dense บวกกับ vision encoder ที่สร้างขึ้นมาเพื่อวัตถุประสงค์เฉพาะจะเอาชนะทาวเวอร์สไตล์ SigLIP ในแง่การใช้พลังประมวลผลต่อภาพ และได้เผยแพร่ตารางหมวดหมู่เพื่อพิสูจน์สิ่งนี้ OpenBMB เดิมพันว่าคุณสามารถรักษาความสามารถของโมเดล 35B ไว้ได้และยังรันมันบนโทรศัพท์ได้ โดยทำให้ส่วนที่แพงที่สุดสตรีมแทนที่จะพักอยู่ถาวร ทั้งสองเป็นการเดิมพันเกี่ยวกับหน่วยความจำที่ทำไปในทิศทางตรงกันข้าม

ช่องว่างนี้มีอยู่จริง และมันแคบกว่ากรอบการนำเสนอ

นี่คือสิ่งที่ตารางของผู้จำหน่ายทั้งสองระบุเมื่อวางแถวที่ตรงกันไว้เคียงข้างกัน ข้อมูลทั้งหมดนี้ถูกรายงานโดยห้องแล็บด้วยตนเอง และข้อควรระวังเกี่ยวกับฮาร์เนสจะตามมาหลังจากนี้

• MMMU — LFM3-VL-2B 55.7 เมื่อเปิดโหมดคิด, 48.6 เมื่อปิด; MiniCPM-V 4.7 35B-A3B 80.22 ที่การบีบอัดภาพ 4×, 80.00 ที่ 16×

• MMStar — 74.4 เทียบกับ 80.67 ที่ 4×, 80.13 ที่ 16×

• OCRBench v1 — 86.3 เทียบกับ 91.20 ที่ 4×, 90.40 ที่ 16×

• MathVista — 84.2 เมื่อใช้การคิด, 68.5 เมื่อไม่ใช้ เทียบกับ 88.00 ที่ 4× และ 87.30 ที่ 16×

• การให้เหตุผลของ CharXiv — 70.2 เทียบกับ 75.60 ที่ 4×, 69.20 ที่ 16×

MMMU คือจุดที่ 35B คุ้มค่ากับขนาดของมัน: ช่องว่าง 24.5 จุดเหนือการตั้งค่าแบบ thinking และ 31.6 จุดเหนือแบบ no-thinking นั่นคือเบนช์มาร์กการให้เหตุผลแบบมัลติโมดัลระดับวิทยาลัย และช่องว่างนั้นมากพอที่จะต้านทานข้อโต้แย้งใด ๆ ที่สมเหตุสมผลเกี่ยวกับความแตกต่างของฮาร์เนส

ทุกอย่างที่เหลือใกล้กันกว่าที่กรอบการนำเสนอชี้ให้เห็น OCRBench ห่างกัน 4.9 คะแนน MathVista ห่างกัน 3.8 คะแนนเมื่อ LFM3-VL-2B อยู่ในโหมดคิด ในด้านการให้เหตุผลของ CharXiv โมเดล Liquid แพ้ไป 5.4 คะแนนในโหมดคิด — และเอาชนะตัวเลข 16× ของรุ่น 35B ได้หนึ่งคะแนน การที่โมเดล 2B มีคะแนนห่างจากรุ่น 35B ไม่เกินห้าคะแนนในงาน OCR เอกสารและแผนภูมิ คือสิ่งที่ควรได้รับความสนใจมากกว่าพาดหัวข่าว MMMU

ตอนนี้มาดูข้อควรระวัง เพราะสิ่งเหล่านี้สำคัญ ตัวเลขของ Liquid มาจากการรันครั้งเดียวบน 62 เบนช์มาร์กบน vLLM 0.27.1 โดยปรับมาตรฐานเป็น 0–100 และเปิดโหมดการให้เหตุผลสำหรับทุกโมเดล ยกเว้นการกำหนดค่าที่ระบุว่าเป็นอย่างอื่น ตัวเลขห้าค่าของ OpenBMB เผยแพร่เป็นภาพแผนภูมิมากกว่าตารางตัวเลข และถูกถอดความมาที่นี่จากการอ่านแผนภูมิเหล่านั้นโดยผู้รวบรวมข้อมูลบุคคลที่สาม ดังนั้นโปรดถือว่าทศนิยมเป็นค่าโดยประมาณ ทั้งสองแล็บไม่เห็นพ้องกันเรื่องงบโทเค็นเชิงภาพ การตั้งค่าพรอมป์ต์ หรือการตั้งค่าการถอดรหัส และการแบ่ง 4× เทียบกับ 16× ฝั่ง OpenBMB ทำให้คะแนนเปลี่ยนได้ถึงหกคะแนนด้วยตัวมันเอง นี่คือชุดข้อกล่าวอ้างสองชุดที่วางอยู่ข้างกัน ไม่ใช่การทดลองแบบควบคุม

ในส่วนที่โมเดลเล็กมีตัวเลข โมเดลใหญ่กลับไม่เปิดเผย

Liquid เผยแพร่ 62 แถว OpenBMB เผยแพร่ห้าแถว ความไม่สมดุลนี้คือข้อเท็จจริงที่ถูกรายงานน้อยที่สุดในการเปรียบเทียบนี้ และมันเอียงไปในทิศทางที่ทำให้โมเดลที่เล็กกว่าดูดีขึ้น

• การยึดโยงเชิงภาพ — RefCOCO-avg 90.5, RefCOCO-M 95.2, Point-Bench 73.8, RefSpatial-Bench 49.8 สำหรับ LFM3-VL-2B ไม่ปรากฏแถวข้อมูลที่เทียบเท่าในการประเมินที่เผยแพร่ของ MiniCPM-V 4.7 35B-A3B

• ความเข้าใจ GUI — ScreenSpot-Pro 55.5, ScreenSpot-v2 ที่ 94.6 เดสก์ท็อป, 92.2 มือถือ, 89.9 เว็บ อีกครั้ง ยังไม่มีข้อมูลใดเผยแพร่ในฝั่ง OpenBMB

• การให้เหตุผลแบบ embodied — EmbSpatial-Bench 82.9, RoboSpatial-Home 63.4, Where2Place 44.9 การขาดหายเช่นเดียวกัน

• วิดีโอ — Video-MME 62.8 โดยไม่มีคำบรรยาย, MVBench 69.4, MLVU 71.3, ActivityNet-QA 71.2 MiniCPM-V 4.7 รองรับวิดีโอและการ์ดข้อมูลกล่าวถึงเรื่องนี้อย่างละเอียด แต่ตารางตัวเลขไม่มีแถววิดีโอที่เราจะตรวจสอบได้

นี่คือการไม่มีหลักฐาน ไม่ใช่ชัยชนะโดยปริยาย หากคุณกำลังสร้างไปป์ไลน์หุ่นยนต์หรือเอเจนต์หน้าจอ จุดยืนที่ซื่อสัตย์คือความสามารถของ 35B ในงานเหล่านั้นยังไม่เป็นที่ทราบ ไม่ใช่ด้อย แต่ "ไม่ทราบ" ก็เป็นปัญหาการจัดซื้อในตัวมันเอง: คุณไม่สามารถวางแผนการติดตั้งใช้งานโดยอิงตัวเลขที่ไม่มีใครเผยแพร่ได้ และ LFM3-VL-2B เป็นเพียงตัวเดียวในสองตัวที่มีประสิทธิภาพด้าน grounding และ GUI ให้คุณอ่านได้ก่อนดาวน์โหลด

ข้อโต้แย้งเรื่องความจำนั้นใช้ได้ทั้งสองทาง

เหตุผลปกติที่เลือกใช้ 2B แทน 35B ก็คือ 2B นั้นพอดี LFM3-VL-2B พอดีจริง ทั้งหมดและคาดเดาได้: ประมาณ 3.8 GB ใน BF16, อยู่ในหน่วยความจำตลอดเวลา, ไม่มีการสลับหน่วยความจำ, ไม่มีเรื่องเซอร์ไพรส์เมื่ออุปกรณ์อยู่ภายใต้ภาระหนัก นั่นเป็นคุณสมบัติที่แข็งแกร่งอย่างแท้จริงสำหรับผลิตภัณฑ์ที่คุณส่งมอบไปยังฮาร์ดแวร์ที่คุณไม่ได้ควบคุม

MiniCPM-V 4.7 35B-A3B ไม่สามารถใส่ลงในโทรศัพท์ได้เลยด้วยขนาด 65.6 GiB และการออกแบบทั้งหมดของ OpenBMB ก็มีอยู่เพราะเหตุนั้น Lookahead Expert Scheduling ทำนาย routing ของเลเยอร์ถัดไปและ prefetch ผู้เชี่ยวชาญที่คาดว่าจะใช้ การควอนไทซ์แบบละเอียดระดับเลเยอร์ช่วยลดขนาดผู้เชี่ยวชาญเหล่านั้นให้เล็กลงเพื่อให้เคลื่อนย้ายได้เร็วขึ้น DSpark speculative sampling ชดเชยการหยุดชะงักระหว่างการถอดรหัส ผู้ขายอ้างว่าได้ 13+ โทเคนต่อวินาทีบน iPhone 17 Pro Max โดยใช้หน่วยความจำประมาณ 3 GB และ 17+ โทเคนต่อวินาทีบน iPad Pro M4 ที่มี 16 GB

ดังนั้นคำกล่าวอ้างเรื่องบนอุปกรณ์จึงไม่ใช่ “35B นั้นเล็ก” แต่เป็น “35B สตรีมได้ และการสตรีมนั้นลื่นพอที่จะใช้งานได้” สองสิ่งนี้เป็นการเดิมพันคนละแบบที่มีโหมดความล้มเหลวต่างกัน โมเดลขนาด 3.8 GB ที่โหลดค้างไว้จะลดประสิทธิภาพลงอย่างนุ่มนวล — มันโหลดอยู่หรือไม่โหลดเท่านั้น ส่วนโมเดล 65.6 GiB แบบสตรีมจะลดประสิทธิภาพลงตามแบนด์วิดท์ของหน่วยความจำแฟลช การจำกัดความเร็วจากความร้อน และความหน่วงตอนเริ่มแบบเย็น ซึ่งทั้งหมดนี้แปรผันตามอุปกรณ์ในแบบที่การ benchmark บน iPhone เครื่องเดียวไม่สามารถจับได้

ทางแยกในทางปฏิบัติ: หากคุณควบคุมได้ทั้งความเร็วของที่จัดเก็บและขอบเขตด้านความร้อนไม่ได้ การใช้แบบ resident คือเส้นทางที่มีความเสี่ยงต่ำกว่า หากคุณกำลังนำไปใช้กับฮาร์ดแวร์เรือธงรุ่นใหม่ ๆ และต้องการความแม่นยำ แนวทางของ OpenBMB ก็ไม่ใช่เพียงทฤษฎีอีกต่อไป — มันคือโมเดลที่เผยแพร่แล้วพร้อมฟอร์กที่ใช้งานได้จริงรองรับอยู่

เครื่องมือสำหรับวันแรกไม่ใช่เนกไท

LFM3-VL-2B มาพร้อมน้ำหนัก BF16 ที่ต้องใช้ transformers 5.21 ขึ้นไป รวมถึง GGUF ซึ่งมีเช็กพอยต์ Q4_0 ที่ผ่านการกลั่นเชิงปริมาณ (quantization-aware distillation) บิลด์ MLX 4-bit และไฟล์ส่งออก ONNX การรองรับบนเซิร์ฟเวอร์ยังไม่เสร็จสมบูรณ์: vLLM ถูกระบุว่าอยู่ระหว่างดำเนินการ SGLang อยู่ระหว่างการรีวิวในพูลรีเควสต์ 46858 และ llama.cpp อยู่ระหว่างการรีวิวในพูลรีเควสต์ 31252 พร้อมหมายเหตุชัดเจนว่ายังไม่รองรับอินพุตวิดีโอ การ์ดยังแนะนำตัวแยกวิเคราะห์เหตุผล qwen3 และตัวแยกวิเคราะห์การเรียกเครื่องมือ qwen3_coder สำหรับ vLLM และ SGLang ซึ่งเป็นรายละเอียดที่บอกคุณว่าสิ่งนี้ถูกเชื่อมต่อเข้ามาเมื่อไม่นานมานี้

MiniCPM-V 4.7 35B-A3B รองรับ SGLang, vLLM, llama.cpp และ Ollama พร้อมด้วย SWIFT และ LLaMA-Factory สำหรับการ fine-tuning, บิลด์ GGUF, BitsAndBytes, AWQ, GPTQ, FP8 และ int4 และรองรับตั้งแต่ Day Zero สำหรับแพลตฟอร์มชิปจาก Rockchip, Houmo, Intel, AMD และ Arm บน iOS, Android และ HarmonyOS เส้นทางการทำงานบนอุปกรณ์จะวิ่งผ่าน fork llama.cpp-omni ของ OpenBMB เอง แทนที่จะเป็น llama.cpp upstream

สำหรับการดีพลอยสู่โปรดักชันภายในเดือนนี้ นั่นไม่ใช่การตัดสินใจที่สูสีกันเลย สำหรับการทำ research spike, เดโมบนแล็ปท็อป หรือการ fine-tune ที่คุณตั้งใจจะดูแลเอง LFM3-VL-2B ใช้งานได้ตั้งแต่วันนี้ผ่าน transformers และคุณจะไม่ต้องเสียเวลาหนึ่งสัปดาห์ไปกับ build flags

บรรทัดใบอนุญาตที่ทีมจำนวนมากขึ้นจะสะดุด

Apache 2.0 เมื่อเทียบกับ LFM Open License v1.0 ถือเป็นความแตกต่างในทางปฏิบัติที่ใหญ่กว่าช่องว่างของ MMMU เพราะมันใช้กับการนำไปใช้งานทุกครั้ง ไม่ใช่เฉพาะกรณีที่ยากเท่านั้น Apache 2.0 ไม่มีเงื่อนไขด้านรายได้ ไม่มีข้อจำกัดด้านขอบเขตการใช้งาน และไม่มีความกำกวมว่าอนุพันธ์ที่ถูกควอนไทซ์หรือผ่านการกลั่นจะสืบทอดข้อกำหนดหรือไม่ LFM Open License v1.0 ฟรีสำหรับการใช้งานเชิงพาณิชย์เมื่อมีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ ตามคำอธิบายของ Liquid เอง ซึ่งหมายความว่าบริษัทที่อยู่เหนือเส้นนั้นต้องมีการหารือเรื่องสิทธิ์การใช้งานก่อนที่จะเปิดตัวผลิตภัณฑ์ ไม่ใช่หลังจากนั้น

ข้อกำหนดเพียงข้อเดียวนั้นจัดเรียงการเปรียบเทียบใหม่สำหรับผู้ซื้อจำนวนมาก สตาร์ทอัพที่อยู่ต่ำกว่าเกณฑ์จะได้โมเดลที่เล็กกว่า เร็วกว่า และมีเอกสารเรื่อง grounding ที่ดีกว่า โดยไม่ต้องจ่ายอะไรเลย ส่วนบริษัทที่อยู่เหนือเกณฑ์จะได้โมเดลที่ต้องมีลายเซ็น — ซึ่ง ณ จุดนั้น Apache 2.0 ของ 35B ก็กลายเป็นคุณสมบัติที่คุณหันมาให้ความสนใจ

สิ่งที่ผู้จำหน่ายทั้งสองรายจะไม่บอกคุณ

ไม่มีการเปรียบเทียบแบบตัวต่อตัวที่เป็นอิสระ ไม่มีห้องแล็บบุคคลที่สามใดรันทั้งสองโมเดลบนฮาร์เนสเดียวกัน และสิ่งที่ใกล้เคียงที่สุดกับกระดานคะแนนที่เป็นกลาง — ตารางของ Liquid เอง — เปรียบเทียบ LFM3-VL-2B กับ 1B ไม่ใช่ 35B ตัวเลขทุกตัวในบทความนี้มาจากแล็บที่สร้างโมเดลที่บทความอธิบายไว้

ยังมีช่องว่างอีกสองจุดที่ควรกล่าวถึง โมเดลทั้งสองไม่มีราคาต่อโทเค็นที่เราตรวจสอบได้ ดังนั้นการเปรียบเทียบต้นทุนตรงนี้จึงเป็นการกุขึ้นมา และทั้งสองยังไม่อยู่ใน แคตตาล็อก OrcaRouter ณ วันที่ 28 ตุลาคม 2026 — การค้นหา minicpm ไม่คืนโมเดลที่ตรงกัน และ LFM3-VL-2B ก็ไม่ได้อยู่ในรายการเช่นกัน สิ่งนี้ทำให้ปัจจุบันเป็นเรื่องของการโฮสต์เองหรือการตัดสินใจใช้ API จากผู้จำหน่าย ไม่ใช่การตัดสินใจด้านการกำหนดเส้นทาง

เลือกอันไหนดี

• เอกสาร แผนภูมิ ข้อความหนาแน่น และการให้เหตุผลแบบมัลติโมดัลที่ยาก ด้วยสแตกการให้บริการที่คุณควบคุมได้ — MiniCPM-V 4.7 35B-A3B ส่วนต่างของ MMMU เป็นผลลัพธ์เดียวที่ใหญ่พอจะอยู่รอดจากข้อควรระวังของฮาร์เนส และ Apache 2.0 ขจัดคำถามเรื่องใบอนุญาตออกไปโดยสิ้นเชิง

• อุปกรณ์ที่คุณไม่ได้ควบคุม ซึ่งมีงบหน่วยความจำคงที่และไม่ยอมรับความหน่วงจากการสตรีมมิ่ง — LFM3-VL-2B คงอยู่ในหน่วยความจำที่ 3.8 GB และเป็นเพียงตัวเดียวในสองตัวที่มีตัวเลขด้าน grounding, GUI และ embodied ที่เผยแพร่ไว้ให้ใช้วางแผนได้

• คัดกรองเอเจนต์ หุ่นยนต์ และงานเชิงพื้นที่ — ใช้ LFM3-VL-2B เป็นค่าเริ่มต้น เพราะเป็นฝั่งเดียวที่มีหลักฐานเผยแพร่ ให้ถือว่า 35B ยังไม่ได้รับการพิสูจน์ในส่วนนั้น มากกว่าที่จะถือว่าอ่อนแอ

• ขึ้นโปรดักชันได้ภายในเดือนนี้โดยต้องทำงานผสานรวมเพียงเล็กน้อย — MiniCPM-V 4.7 35B-A3B รองรับ SGLang, vLLM, llama.cpp และ Ollama เมื่อเทียบกับบันทึกสถานะ “อยู่ระหว่างการตรวจสอบ” หรือ “อยู่ระหว่างดำเนินการ” จำนวนสามรายการ

• บริษัทที่มีรายได้ต่อปีมากกว่า 10 ล้านดอลลาร์ — MiniCPM-V 4.7 35B-A3B เว้นแต่ข้อจำกัดในการทำงานบนอุปกรณ์จะเข้มงวดพอจนทำให้การหารือเรื่องสิทธิ์การใช้งานเป็นเรื่องที่สมเหตุสมผล

OrcaRouter เข้ากันได้อย่างไร พูดตามตรง

มันยังไม่ลงตัวในตอนนี้ และหากพูดเป็นอย่างอื่นก็คงเป็นแบบที่ทำให้บล็อกโพสต์ถูกมองข้ามไปเฉย ๆ ทั้งสองโมเดลยังไม่มีอยู่ในแคตตาล็อกของ OrcaRouter ในวันนี้ จึงยังไม่มีคีย์ที่จะมอบให้คุณ และไม่มีราคาที่จะแจ้งได้

สิ่งที่เป็นจริงคือสิ่งที่เกิดขึ้นเมื่อโมเดลวิชันไปถึงที่นั่นจริง: endpoint เดียวที่เข้ากันได้กับ OpenAI ครอบคลุมโมเดลกว่า 200 โมเดล ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยไม่บวกกำไร 0% ดังนั้นการเปลี่ยนแปลงราคาของผู้ขายจึงมีผลในวันเดียวกัน และมีการสลับสำรองอัตโนมัติ เพื่อให้การล่มของผู้ให้บริการรายเดียวไม่ทำให้เส้นทางของคุณล่ม สำหรับการเปรียบเทียบแบบนี้ — สองโมเดลที่เห็นต่างกันเรื่องหน่วยความจำ โดยไม่มี benchmark อิสระมาตัดสิน — รูปแบบที่มีประโยชน์คือรันทั้งคู่หลัง endpoint เดียวและวัดบนภาพของคุณเอง แทนที่จะเถียงกันว่าชาร์ตของใครถูก

ดูอะไรดี

{{1}}มีสี่สิ่งที่จะเปลี่ยนบทความนี้{{/1}} {{2}}พูลรีเควส 31252 ที่จะถูก merge พร้อมการรองรับวิดีโอ ซึ่งจะทำให้เส้นทางวิดีโอของ LFM3-VL-2B ทำงานบน llama.cpp มาตรฐาน{{/2}} {{3}}การรองรับ vLLM ที่ออกจากสถานะ "อยู่ระหว่างดำเนินการ" ซึ่งจะทำให้มันเป็นตัวเลือกสำหรับการ serving อย่างจริงจัง แทนที่จะเป็นเพียงเดโม{{/3}} {{4}}การประเมินอิสระที่รันทั้งสองโมเดลบนฮาร์เนสเดียว — สิ่งที่ขาดหายไปและมีค่าที่สุดในบทความเปรียบเทียบนี้{{/4}} {{5}}และการที่ Liquid AI เพิ่ม 35B ลงในตารางเปรียบเทียบของตัวเอง ซึ่งจะบอกคุณว่าห้องแล็บถือว่ามันเป็นคู่เทียบที่แท้จริง{{/5}}

จนกว่าอย่างใดอย่างหนึ่งในนั้นจะเกิดขึ้นจริง สรุปที่พอจะยืนได้นั้นแคบกว่าการวางกรอบของผู้ขายทั้งสองราย: 35B ชนะ benchmark ด้านการให้เหตุผลที่สำคัญและไม่เสียเปรียบเรื่อง OCR ขณะที่ 2B ชนะด้านหลักฐานเชิงประจักษ์ (grounding) และความคาดเดาได้ ส่วน licence ตัดสินการนำไปใช้งานจริงได้มากกว่า benchmark