Molmo2-4B กับ LFM2.5-VL-3B: น้ำหนัก 19 GB เทียบกับ 3 GB บนโทรศัพท์

วางเช็กพอยต์ทั้งสองไว้เคียงกันบนดิสก์ แล้วการเปรียบเทียบก็แทบจะจบลงตั้งแต่ยังไม่เริ่ม Molmo2-4B มาพร้อมไฟล์ float32 safetensors ขนาด 19.42 GB แบ่งเป็นสี่แชร์ด รีโพซิทอรีเนทีฟของ LFM2.5-VL-3B มีขนาดรวม 6.27 GB และการ์ดของ Liquid เองก็สัญญาว่ามันทำงานได้ใน "หน่วยความจำต่ำกว่า 3.3 GB" เมื่อคุณควอนไทซ์โมเดลที่เล็กกว่า นั่นก็เป็นช่องว่างขนาดประมาณหกต่อหนึ่งในเรื่องพื้นที่จัดเก็บ สำหรับสองโมเดลที่ถูกพูดถึงราวกับว่าเป็นโมเดลวิชัน-ภาษาขนาดเล็กที่ใช้แทนกันได้ พวกมันใช้แทนกันไม่ได้ และเหตุผลไม่ใช่คุณภาพ ตัวหนึ่งถูกสร้างมาเพื่อตอบคำถามเกี่ยวกับวิดีโอ 384 เฟรม อีกตัวถูกสร้างมาเพื่อตอบคำถามเกี่ยวกับภาพถ่ายบนโทรศัพท์ที่ปิดวิทยุไว้ ไม่มีโมเดลใดถูกโฮสต์ที่นี่ ดังนั้นบทบาทของแพลตฟอร์มคือสแตกโดยรอบ การตั้งราคาแบบบวกกำไร 0% ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยไม่เปลี่ยนแปลง

ทั้งสองโมเดลไม่ใช่ของใหม่ ซึ่งสำคัญหากคุณมาถึงจากหน้าผลลัพธ์ที่บ่งชี้เป็นอย่างอื่น Molmo2-4B ถูกประกาศโดย Allen Institute for AI เมื่อวันที่ 11 ธันวาคม 2025 และน้ำหนักโมเดลถูกเผยแพร่เมื่อวันที่ 14 ธันวาคม LFM2.5-VL-3B เปิดตัวจาก Liquid AI เมื่อวันที่ 12 สิงหาคม 2026 สิ่งที่เปลี่ยนไปเมื่อเร็ว ๆ นี้แคบกว่าและมีประโยชน์กว่าการเปิดตัว: Molmo2 กลายเป็นสถาปัตยกรรมระดับแรกใน Transformers ต้นน้ำ โดย PR #43451 ถูก merge เมื่อวันที่ 9 ตุลาคม 2026 และโมเดลเริ่มจัดส่งใน v5.20.0 เมื่อวันที่ 15 ตุลาคม ซึ่งยุติช่วงที่คุณต้องส่ง trust_remote_code=True และติดตั้งแพ็กเกจ molmo_utils แยกต่างหาก เมื่อวันที่ 5 พฤศจิกายน Ai2 ยังเผยแพร่ Molmo2-4B-tb ซึ่งเป็น fine-tune สำหรับหุ่นยนต์ที่สร้างบน checkpoint นี้โดยตรง ทั้งสองเหตุการณ์ไม่ได้ทำให้ Molmo2-4B เป็นของใหม่ แต่ทั้งคู่ทำให้มันใช้งานได้จริงในแบบใหม่

คำถามเรื่องความจำ ในเชิงตัวเลขแทนที่จะเป็นคำคุณศัพท์

ขนาดมาก่อน เพราะสิ่งเหล่านี้เป็นตัวกำหนดการนำไปใช้ส่วนใหญ่ก่อนที่จะมีการพิจารณาแม้แต่เบนช์มาร์กเพียงตัวเดียว

พารามิเตอร์ — Molmo2-4B มี 4,850,869,200 พารามิเตอร์ กระจายอยู่ใน vision tower SigLIP 2 และ language core Qwen3-4B-Instruct-2507; LFM2.5-VL-3B มี 3,123,483,888 พารามิเตอร์ กระจายอยู่ใน encoder SigLIP2 NaFlex 400M และ backbone LFM2.5 ขนาด 2.6B

รูปแบบน้ำหนักที่จัดส่ง — Molmo2-4B เผยแพร่ในรูปแบบ float32 ขนาด 19.42 GB บนดิสก์ แบ่งออกเป็นสี่แชร์ด; LFM2.5-VL-3B เผยแพร่ในรูปแบบ bfloat16 ขนาด 6.27 GB พร้อมทั้งมีไฟล์ส่งออก GGUF, ONNX และ MLX อย่างเป็นทางการเผยแพร่ควบคู่กันไป

• ขนาดหน่วยความจำขณะรันที่ระบุไว้ — Liquid อ้างว่า LFM2.5-VL-3B ใช้หน่วยความจำต่ำกว่า 3.3 GB เมื่อทำการอนุมาน; AI2 ไม่ได้เผยแพร่ตัวเลขหน่วยความจำขณะรันสำหรับ Molmo2-4B และการเผยแพร่ในรูปแบบ float32 หมายความว่าคุณจะต้องแปลงชนิดข้อมูลก่อนนำไปให้บริการ

• ปริมาณงานที่ประมวลผลได้ (Throughput) — Liquid รายงานว่าได้ 228 โทเคน/วินาที บน Apple M5 Max, 116 โทเคน/วินาที บน AMD Ryzen AI Max+ 395 และ 20 โทเคน/วินาที บน Galaxy S26 Ultra ไม่มีตัวเลขสาธารณะที่เทียบเท่ากันสำหรับ Molmo2-4B ในขนาดใด ๆ

• บริบท — 32,768 โทเค็นสำหรับ LFM2.5-VL-3B; 36,864 ตำแหน่งในคอนฟิกข้อความของ Molmo2-4B ซึ่งเข้าถึงได้ผ่านขั้นตอนการไฟน์ทูนบริบทยาวโดยเฉพาะที่ 384 เฟรม

คู่สุดท้ายนั้นสมควรได้ข้อควรระวังมากกว่าการเปรียบเทียบ 36,864 ของ Molmo2-4B เป็นงบประมาณความยาวลำดับที่ไปป์ไลน์วิดีโอกินไปอย่างรวดเร็ว ตัวประมวลผลล่วงหน้าวิดีโอที่เผยแพร่ตั้งค่าเริ่มต้นที่ 384 เฟรมที่ 2 fps ปรับขนาดเป็น 378×378 ด้วยการพูล 3×3 คลิปยาวสามารถใช้หน้าต่างทั้งหมดไปกับเฟรมเพียงอย่างเดียว เหลือที่ว่างให้คำถามน้อยมาก ส่วน 32,768 ของ LFM2.5-VL-3B ถูกใช้ไปกับข้อความและแพตช์ภาพ เพราะมันไม่มีเส้นทางวิดีโอเลย

วิดีโอคือเส้นแบ่ง ไม่ใช่ตารางเกณฑ์มาตรฐาน

LFM2.5-VL-3B ประมวลผลข้อความและภาพ นั่นคือขอบเขตอินพุตทั้งหมด มันเก่งมากในสิ่งที่ถูกสร้างมาเพื่อ — OCR ทั้งหน้าโดยมีคำอธิบายเค้าโครง การตรวจจับวัตถุจากคำถามภาษาธรรมชาติ การอ่านหน้าจอ และงานแบบเกือบเรียลไทม์บนอุปกรณ์ — แต่วิดีโอไม่ใช่หนึ่งในอินพุตของมัน และไม่ว่าวิศวกรรมพรอมต์จะทำมากแค่ไหนก็เปลี่ยนข้อเท็จจริงนี้ไม่ได้

Molmo2-4B ถูกสร้างในทางกลับกัน การ์ดโมเดลของ Ai2 ระบุชุดข้อมูลฝึกเก้าชุด และห้าชุดเป็นวิดีโอหรือหลายภาพ: QA คำบรรยายวิดีโอ, QA คำบรรยายใต้ภาพวิดีโอ, การชี้ตำแหน่งในวิดีโอ, การติดตามในวิดีโอ, QA หลายภาพ, การชี้ตำแหน่งหลายภาพ ส่วนที่แปลกคือเอาต์พุตการชี้ตำแหน่ง พิกัดจะถูกส่งกลับมาโดยปรับสเกลเป็น 0–1000 ของความกว้างและความสูงของภาพ ในรูปแบบที่มีแท็กซึ่งการ์ดมาพร้อม regex สำหรับรูปแบบนั้น ดังนั้นคำตอบสำหรับ "เรืออยู่ที่ไหน" จึงเป็นจุดเชิงตัวเลขแทนที่จะเป็นประโยค รูปแบบเดียวกันนี้บรรจุการประทับเวลาในโหมดวิดีโอ ซึ่งเป็นสิ่งที่ทำให้การติดตามระดับเฟรมเป็นไปได้เลย

หากงานของคุณคือภาพหน้าจอ หน้าที่สแกน หรือภาพถ่ายชั้นวางของหรือเมนู สิ่งเหล่านั้นไม่สำคัญเลย และโมเดลขนาด 3 GB ก็เป็นตัวเลือกทางวิศวกรรมที่ดีกว่าอย่างชัดเจน หากงานของคุณคือ "หาช่วงเวลาที่ลังตกจากพาเลต" LFM2.5-VL-3B ก็ไม่สามารถเข้าสู่การเปรียบเทียบได้

ค่าเฉลี่ยของผู้ขายสองรายที่ต้องไม่นำมาลบออกจากกัน

นี่คือจุดที่หน้าสรุปเปรียบเทียบส่วนใหญ่พลาด Liquid รายงานค่าเฉลี่ย 69.4 สำหรับ LFM2.5-VL-3B จากตารางเบนช์มาร์กด้านวิสัยทัศน์ 28 รายการ AI2 รายงานค่าเฉลี่ย 62.8 สำหรับ Molmo2-4B จากเบนช์มาร์กเชิงวิชาการ 15 รายการ เมื่อนำตัวเลขสองตัวนั้นมาแสดงเคียงกัน LFM2.5-VL-3B ดูดีกว่า 6.6 คะแนน นี่ไม่ใช่การเปรียบเทียบที่สมเหตุสมผล: ชุดเบนช์มาร์กต่างกัน รูปแบบพรอมต์ต่างกัน การตั้งค่าการถอดรหัสต่างกัน และในกรณีของ Liquid เป็นชุดทดสอบที่ผู้เขียนของพวกเขาเองเลือกมา

สิ่งที่ผู้จำหน่ายแต่ละรายรายงานจริง โดยแนบแหล่งที่มาของข้อมูลมาด้วย:

• LFM2.5-VL-3B ตามที่ผู้จำหน่ายรายงาน — DocVQA 91.1, RefCOCO-avg 87.9, CountBenchQA 87.3, OCRBench v1 84.2, TextVQA 84.3, MMBench 81.0, SEED-Bench image 77.7, ScreenSpot-v2 Web 82.2, MMStar 63.3, MMMU 48.4, MMMU-Pro 30.5, MathVista mini 68.5

• Molmo2-4B ตามข้อมูลที่ผู้จำหน่ายรายงาน — ค่าเฉลี่ย 62.8 จากเกณฑ์มาตรฐานทางวิชาการ 15 รายการ เทียบกับ 63.1 สำหรับรุ่น 8B ในตระกูลเดียวกัน, 58.1 สำหรับ Qwen3-VL-4B, 53.4 สำหรับ InternVL3.5-4B, 59.6 สำหรับ Claude Sonnet 4.5, 70.0 สำหรับ Gemini 3 Pro และ 70.6 สำหรับ GPT-5 ในตารางเดียวกัน

• ไม่มีผู้จำหน่ายรายใดรายงานผลไว้ที่ไหนเลย — เป็นชุดทดสอบร่วมกัน ทั้งสองบริษัทไม่ได้เผยแพร่ผลของ Molmo2-4B บนชุดทดสอบ 28 รายการของ Liquid หรือผลของ LFM2.5-VL-3B บนตารางทดสอบ 15 รายการของ AI2

แกนเดียวที่เทียบกันได้จริงคือขนาดโมเดล และในจุดนั้นโมเดล 4.85B เอาชนะโมเดล 3.12B ในค่าเฉลี่ยของ AI2 เอง แต่แพ้อย่างหนักในเรื่องพื้นที่การติดตั้งใช้งาน นั่นคือการแลกเปลี่ยนที่กล่าวไว้อย่างตรงไปตรงมา

สัญญาอนุญาต: ไม่มีตัวไหนเป็น Apache-2.0 อย่างที่ดูเหมือน

การ์ดทั้งสองใบมีป้ายที่ฟังดูผ่อนปรน และทั้งคู่มีข้อแม้ที่ผู้ตรวจสอบฝ่ายจัดซื้อจะพบ

• Molmo2-4B — น้ำหนักโมเดลอยู่ภายใต้ Apache 2.0 แต่การ์ดโมเดลระบุเพิ่มเติมว่าโมเดลนี้ "ได้รับการฝึกบนชุดข้อมูลของบุคคลที่สามซึ่งจำกัดให้ใช้เพื่อการวิจัยเชิงวิชาการและไม่ใช่เชิงพาณิชย์เท่านั้น" และแนะนำให้คุณตรวจสอบแหล่งที่มาก่อนตัดสินใจว่าโมเดลนี้เหมาะหรือไม่ น้ำหนักโมเดลนั้นเปิด แต่ที่มาของข้อมูลยังไม่สะอาดสำหรับการใช้เชิงพาณิชย์ และ Ai2 ระบุเช่นนั้นบนการ์ดโมเดลแทนที่จะเป็นเชิงอรรถ

• LFM2.5-VL-3B — LFM Open License v1.0 ซึ่งไม่ใช่สัญญาอนุญาตแบบ OSI การใช้งานเชิงพาณิชย์ได้รับอนุญาตแบบมีเงื่อนไข: ข้อ 5 กำหนดให้สิทธิ์เชิงพาณิชย์ขึ้นอยู่กับว่านิติบุคคลตามกฎหมายของคุณมีรายได้ต่ำกว่าเกณฑ์ที่กำหนดไว้ และสัญญาอนุญาตกำหนดเกณฑ์นั้นว่าหมายถึงรายได้ต่อปี 10 ล้านดอลลาร์สหรัฐขึ้นไป

ไม่มีข้อจำกัดใดที่ผิดปกติสำหรับการเปิดตัวที่เกี่ยวข้องกับงานวิจัย ทั้งสองข้อหมายความว่าคำถามที่ว่า "เราเปิดตัวสิ่งนี้ได้ไหม" มีคำตอบที่แตกต่างกันสำหรับต้นแบบที่ทำโดยคนสองคนกับบริษัทที่ได้รับเงินทุน และคำตอบทั้งสองชี้ไปในทิศทางตรงกันข้าม ขึ้นอยู่กับว่าคุณเลือกโมเดลใด

รันตัวใดตัวหนึ่งวันนี้

โมเดลการ์ดของ Molmo2-4B เองตอนนี้ตามหลังไลบรารีอยู่ ยังคงแนะนำให้คุณติดตั้ง transformers==4.57.1 ส่ง trust_remote_code=True และติดตั้ง molmo_utils กับ decord2 สูตรนี้ใช้ได้ผล และ它也ไม่ใช่สูตรเดียวอีกต่อไปแล้ว: ตั้งแต่ v5.20.0 เป็นต้นมา Transformers เวอร์ชันมาตรฐานมีคลาส Molmo2ForConditionalGeneration พร้อมการกำหนดค่า ตัวประมวลผลภาพ ตัวประมวลผลวิดีโอ และตัวประมวลผลของตัวเอง ดังนั้นเส้นทาง remote-code จึงเป็นทางเลือกมากกว่าภาคบังคับ vLLM มีการรองรับ Molmo2 ผ่านคลาสโมเดลของตัวเองตั้งแต่ไม่นานหลังเปิดตัว เอกสารแพลตฟอร์มของ AI2 ยังชี้ไปที่ nightly wheels แทนที่จะเป็นรีลีสเสถียร ซึ่งควรรู้ไว้ก่อนคุณปักหมุดเวอร์ชันในโปรดักชัน

LFM2.5-VL-3B มีเรื่องราวการนำไปใช้งานที่成熟กว่าของทั้งสองอย่าง และไม่ใช่แค่ใกล้เคียงกันเท่านั้น: เวตแบบเนทีฟพร้อมการส่งออก GGUF, ONNX และ MLX โดยมี llama.cpp, vLLM และ SGLang ระบุว่าสนับสนุนทั้งหมด และมีข้อมูลอัตราการประมวลผลที่เผยแพร่บนฮาร์ดแวร์สำหรับผู้บริโภคสามแบบที่แตกต่างกัน หากเป้าหมายของคุณคือแล็ปท็อป โทรศัพท์ หรือคอมพิวเตอร์บอร์ดเดียว ระบบนิเวศนั้นคือผลิตภัณฑ์

ข้อควรทราบในทางปฏิบัติสำหรับใครก็ตามที่วางแผนจะกำหนดเส้นทางระหว่างสองตัวนี้: ไม่มีโมเดลใดอยู่ในแคตตาล็อกของ OrcaRouter และการตีความการเปรียบเทียบแบบนี้ว่าเป็นการยืนยันความพร้อมใช้งานก็ไม่ถูกต้อง สิ่งที่แพลตฟอร์มมีให้คือ API เดียวสำหรับโมเดลมากกว่า 200 โมเดล ควบคู่กับการติดตั้งใช้งานแบบโฮสต์เองเช่นเดียวกับสองตัวนี้ พร้อมการสลับไปใช้ระบบสำรองอัตโนมัติ และราคาตามรายการของผู้ให้บริการเองที่ส่งต่อโดยไม่บวกเพิ่ม รูปแบบปกติคือเก็บโมเดลวิชันขนาดเล็กไว้ในเครื่องสำหรับเส้นทางที่ความหน่วงเป็นปัจจัยสำคัญ และส่งคำขอที่ยากกว่าและเกิดขึ้นไม่บ่อยออกไป — และพิสูจน์การแบ่งงานนี้ด้วยทราฟฟิกจริงก่อนตัดสินใจเลือกตัวใดตัวหนึ่ง

เลือกอันไหนดี

เลือก LFM2.5-VL-3B หากเป้าหมายการติดตั้งใช้งานคือโทรศัพท์ แล็ปท็อป หรือ edge box หากอินพุตของคุณเป็นภาพหน้าจอ เอกสาร หรือภาพถ่ายเดี่ยว หากคุณต้องการความหน่วงของโทเคนแรกต่ำกว่าหนึ่งวินาที หรือหากคุณต้องการหนึ่งในรูปแบบควอนไทซ์ที่มีอยู่แล้วสำหรับโมเดลนี้ การรองรับ 16 ภาษาและตัวเลขจาก ScreenSpot-v2 ทำให้มันเป็นตัวเลือกที่สมเหตุสมผลสำหรับการทำความเข้าใจหน้าจอบนอุปกรณ์โดยเฉพาะ

เลือก Molmo2-4B หากวิดีโออยู่ในขอบเขตงานของคุณ หากคุณต้องการพิกัดแทนข้อความบรรยาย หากคุณต้องการการให้เหตุผลจากหลายภาพในชุดเฟรม หรือหากงานคือการนับวัตถุในฉาก — การเปรียบเทียบของ AI2 เองจัดให้ตระกูล Molmo2 อยู่บนสุดของกลุ่มโมเดลน้ำหนักเปิดในด้านการนับวัตถุในวิดีโอ พร้อมยอมรับว่าไม่มีโมเดลใดในการประเมินของตนไปถึงความแม่นยำ 40% เตรียมงบสำหรับทรัพยากรที่ต้องใช้: น้ำหนัก float32 ขนาด 19.42 GB การแปลงเป็น bfloat16 ก่อนให้บริการ และต้องใช้ GPU ไม่ใช่โทรศัพท์

สิ่งที่ทำให้เรื่องนี้ได้ข้อสรุปอย่างถูกต้องคือการประเมินร่วมกันบนฮาร์เนสเดียว ที่ระดับควอนไทเซชันที่เท่ากัน โดยวัดความหน่วงบนอุปกรณ์เดียวกัน ไม่มีผู้จำหน่ายรายใดเผยแพร่การประเมินเช่นนี้ และจนกว่าจะมีใครทำ คำตอบที่ซื่อสัตย์ก็คือโมเดลสองตัวนี้ออกแบบมาสำหรับงานที่ต่างกัน และเกณฑ์วัดประสิทธิภาพเหล่านี้ไม่เคยถูกตั้งใจให้มาเปรียบเทียบกันโดยตรง