LFM3-VL-2B so với North Micro Vision Instruct: Hai trình đọc tài liệu, một bức tường giấy phép

Khoảng cách độ chính xác giữa LFM3-VL-2B và North Micro Vision Instruct là có thật nhưng nhỏ: khoảng 4,6 điểm trên DocVQA và 7,1 trên OCRBench, cả hai đều cùng hướng. Khoảng cách quyết định việc triển khai hoàn toàn không phải là một bài kiểm chuẩn. North Micro Vision Instruct được phát hành theo Apache 2.0. LFM3-VL-2B được phát hành theo LFM Open License v1.0, giấy phép này chỉ cấp phép sử dụng thương mại khi tổ chức của bạn vẫn có doanh thu hằng năm dưới 10 triệu USD.

Cả hai mô hình đều nhỏ, đều có trọng số mở và đều được xây dựng để đọc các trang thay vì trò chuyện về ảnh chụp. Một mô hình được phát hành vào tháng 8 năm 2026 và đã có hai tháng được tải xuống và chuyển cổng. Mô hình còn lại xuất hiện trên Hugging Face vào ngày 19 tháng 10, được công bố chính thức vào ngày 27 tháng 10 và có 255 lượt tải xuống. Do đó, so sánh này một phần là câu hỏi về benchmark và một phần là câu hỏi về việc bạn có thể chấp nhận rủi ro nào: một mô hình chưa được chứng minh hay một mô hình không có giấy phép.

Mỗi mô hình thực sự là gì

LFM3-VL-2B là mô hình dense 1,92B của Liquid AI: một xương sống ngôn ngữ 1,73B, một bộ mã hóa thị giác nội bộ 164M được xây dựng để dùng ít hơn khoảng ba lần tính toán so với SigLIP2, và một projector 25M. Nó nhận văn bản, hình ảnh và video ở 2 fps, xuất ra văn bản, hỗ trợ chế độ suy nghĩ, có ngữ cảnh 128K và bao phủ 16 ngôn ngữ. Kho lưu trữ bao gồm các bản dựng BF16, GGUF, MLX 4-bit và ONNX, mặc dù hỗ trợ llama.cpp vẫn đang được xem xét và chưa có luồng xử lý video.

{{1}}North Micro Vision Instruct{{/1}} là mô hình 2,4B của Cohere Labs: một backbone ngôn ngữ 2B thuộc dòng North Micro cùng một encoder khoảng 400M được tiếp tục từ SigLIP2 SO400M, với bộ chiếu kiểu DeepStack. Mô hình nhận văn bản và hình ảnh xen kẽ ở độ phân giải gốc, lên tới 1654×2339 — một trang A4 đầy đủ ở 200 dpi — và xuất ra văn bản. Mô hình ngôn ngữ có ngữ cảnh 128K, nhưng Cohere nêu rằng quá trình huấn luyện đa phương thức chỉ được xác thực đến 8K. Apache 2.0, từ vựng 262K, 11 đến 12 ngôn ngữ.

Những thông số kỹ thuật đó trông có vẻ giống nhau nhưng thực ra không phải vậy. Ngữ cảnh 128K là giới hạn trần về số token mà mô hình có thể chú ý tới. Đầu vào ở độ phân giải gốc là quyết định không thay đổi kích thước trang ngay từ đầu. Đối với một hóa đơn quét có bảng ở góc, điều thứ hai quan trọng hơn điều thứ nhất.

Các con số trong tài liệu, cần được đọc với những dè dặt thích đáng.

Trên các bài đánh giá hiệu năng mà cả hai card công bố, LFM3-VL-2B dẫn đầu:

• DocVQA — LFM3-VL-2B 96,7 so với North Micro Vision Instruct 92,1.

• OCRBench — 86.3 so với 79.2.

• ChartQA — 92,7 so với 80,8.

• AI2D — North báo cáo 77,5; Liquid không công bố một hàng AI2D có thể so sánh trực tiếp.

• RefCOCO-avg — 90,5 so với 73,2, mặc dù hai thẻ mô tả các mức trung bình này khác nhau đủ nhiều đến mức phép trừ chỉ mang tính gợi ý chứ không chính xác.

Tất cả những con số này đều do nhà cung cấp báo cáo, trên các khung kiểm thử do chính nhà cung cấp lựa chọn, và không có bất kỳ tái lập độc lập nào đối với cả hai mô hình. Khoảng cách DocVQA đủ hẹp để một khác biệt về định dạng prompt có thể thu hẹp nó. Khoảng cách ChartQA, ở mức gần 12 điểm, ít có khả năng chỉ là nhiễu hơn, và khoảng cách 7,1 điểm trên OCRBench phù hợp với một mô hình được huấn luyện rõ ràng trên dữ liệu tài liệu và biểu đồ cùng một chế độ suy luận đi kèm.

Con số thú vị không nằm trên các dòng tài liệu. Đó là MMMU, nơi LFM3-VL-2B báo cáo 55.7 và North Micro Vision Instruct báo cáo 32.9. Đó không phải là khác biệt về tinh chỉnh; đó là một sản phẩm khác. Card của chính Cohere nói rằng mô hình cố ý không phải là mô hình suy luận, không thực hiện gọi công cụ và không khuyến khích system prompt. Nó đọc các trang. Card của Liquid tuyên bố suy luận trình độ sau đại học là một trong 62 hạng mục được đo lường. Nếu nhiệm vụ của bạn là “trích xuất tổng số từ 400 hóa đơn này”, cả hai đều làm được. Nếu nhiệm vụ của bạn là “quyết định xem hóa đơn này có vi phạm chính sách hay không”, chỉ một cái được xây dựng cho việc đó.

Nơi tuyên bố 128K trở nên mơ hồ

Ngữ cảnh 128K của LFM3-VL-2B là con số được công bố hào phóng hơn, nhưng độ dài ngữ cảnh không đồng nghĩa với ngữ cảnh đa phương thức dùng được. Thẻ mô hình không nêu rõ một trang tiêu tốn bao nhiêu token hình ảnh ở độ phân giải gốc, và cũng không công bố số khung hình tối đa cho video. North Micro Vision Instruct lại công bố một kiểu con số ngược lại: ngữ cảnh ngôn ngữ 128K với huấn luyện đa phương thức được kiểm chứng đến 8K. Đó là một cách công bố thận trọng, và nó hữu ích hơn một con số lớn hơn mà không nêu ngân sách thị giác.

Bài kiểm tra thực tế cho cả hai mô hình là như nhau: hãy đo số token trên mỗi trang với tài liệu của chính bạn trước khi thiết kế xoay quanh một cửa sổ ngữ cảnh. Một cửa sổ 128K chỉ chứa được bốn trang ở độ phân giải của bạn không phải là một quy trình tài liệu 128K.

Giấy phép chính là quyết định

Apache 2.0 vẫn là Apache 2.0. Bạn có thể sử dụng North Micro Vision Instruct cho mục đích thương mại ở bất kỳ mức doanh thu nào, chỉnh sửa, phân phối lại và lưu trữ nó, miễn là bạn giữ nguyên các thông báo. Đó là toàn bộ thỏa thuận, và đối với một startup đang xây dựng sản phẩm tài liệu, nó loại bỏ toàn bộ một nhóm công việc rà soát pháp lý.

LFM Open License v1.0 không phải là như vậy. Giấy phép này định nghĩa việc sử dụng thương mại một cách rộng — “mọi việc sử dụng Tác phẩm để có lợi thế thương mại trực tiếp hoặc gián tiếp hoặc để được bồi thường bằng tiền” — và đặt điều kiện cho giấy phép rằng người được cấp phép phải duy trì dưới ngưỡng doanh thu 10 triệu đô la Mỹ mỗi năm. Trên ngưỡng đó, việc sử dụng thương mại “không được cấp phép theo Thỏa thuận này.” Các tổ chức phi lợi nhuận đủ điều kiện được miễn trừ cho các mục đích phi thương mại và nghiên cứu. Được phép phân phối lại với ghi công và thông báo thay đổi. Văn bản giấy phép mà chúng tôi đã đọc không chứa hạn chế riêng biệt nào về lưu trữ, vì vậy trần doanh thu, chứ không phải lệnh cấm phục vụ, mới là ràng buộc.

Ngưỡng trần đó tạo ra một cuộc trò chuyện khó xử. Một công ty có doanh thu 9 triệu đô la có thể phát hành LFM3-VL-2B ngay hôm nay và mất giấy phép khi phát triển. Mô hình không ngừng hoạt động; quyền thì có. Đối với một sản phẩm có lộ trình hai năm, đó là một mục cần thẩm định, không phải một chú thích nhỏ.

Khoảng cách tiếp nhận tự nó là một tín hiệu.

North Micro Vision Instruct đã được tải xuống khoảng 35.000 lần kể từ khi kho lưu trữ của nó xuất hiện vào ngày 10 tháng 8 năm 2026. LFM3-VL-2B có 255 lượt tải xuống và 34 lượt thích kể từ ngày 19 tháng 10. Hai tháng so với chín ngày giải thích được một phần điều đó, nhưng không phải tất cả: thông báo về dòng LFM3 vào ngày 27 tháng 10 là một bài đăng blog duy nhất bao gồm sáu mô hình, và checkpoint thị giác chỉ nhận được một đoạn trong đó.

Các bản phát hành âm thầm không tự động là những bản phát hành tệ. Một mô hình không có giá ra mắt, không có nhà cung cấp dịch vụ lưu trữ và hỗ trợ framework vẫn đang được xem xét là một mô hình mà bạn phải đánh giá trên phần cứng của riêng mình, và lượt tải xuống thấp chủ yếu có nghĩa là chưa ai làm việc đó. Điều đó cũng có nghĩa là không có lượng tử hóa cộng đồng, không có trình theo dõi vấn đề đầy các bản sửa lỗi và không có điểm chuẩn của bên thứ ba để dựa vào. North Micro Vision có cả ba.

Mỗi thứ tốn bao nhiêu, theo những gì người ta chịu nói ra

Cả hai mô hình đều không công bố giá API trên thẻ mô hình của mình. North Micro Vision Instruct có sẵn qua nền tảng của Cohere và đã được một số nhà cung cấp lưu trữ bên thứ ba tiếp nhận; LFM3-VL-2B có mặt trên Playground và API của Liquid mà không có bảng giá, và Hugging Face không liệt kê nhà cung cấp suy luận nào cho mô hình này. Trên phần cứng sở hữu, so sánh là 2,4B tham số với 1,92B, hay khoảng 4,8 GB so với 3,84 GB ở BF16 — đủ gần để chi phí GPU không phải là yếu tố phân định.

Tiêu chí phân định đã đi vào vận hành. Nếu bạn thuê một mô hình thị giác dạng lưu trữ thay vì sở hữu một trong hai checkpoint, OrcaRouter chuyển tiếp nguyên giá niêm yết của nhà cung cấp với mức chênh lệch 0%, nên khi nhà cung cấp đổi giá thì phía chúng tôi có giá mới ngay trong cùng ngày, thay vì phải đợi đến kỳ gia hạn hợp đồng tiếp theo. Hiện chúng tôi chưa cung cấp LFM3-VL-2B hay North Micro Vision Instruct, và bài viết này không hề ngụ ý điều ngược lại; điểm mấu chốt là phương án thay thế dạng lưu trữ có mức giá đủ minh bạch để so sánh với bài tính tự vận hành ở trên.

Ai nên chọn cái nào

Chọn North Micro Vision Instruct nếu bạn cần Apache 2.0, nếu bạn muốn một mô hình đã được cộng đồng sử dụng trong hai tháng, hoặc nếu tài liệu của bạn là toàn bộ trang ở độ phân giải gốc và tác vụ của bạn chỉ dừng ở việc trích xuất. Hãy chấp nhận rằng nó sẽ không suy luận xuyên suốt các trường đã trích xuất.

Chọn LFM3-VL-2B nếu bạn cần đầu vào video, chế độ suy nghĩ hoặc một trợ lý thị giác rộng hơn mà tình cờ đọc tài liệu tốt, và nếu bạn đang thoải mái ở dưới ngưỡng doanh thu hoặc có thể thương lượng một giấy phép riêng. Hãy chấp nhận rằng bạn là người dùng sớm của một checkpoint chưa có đánh giá độc lập và hỗ trợ framework chưa đầy đủ.

Hãy chọn cả hai đều không, tuy nhiên, nếu quy trình làm việc của bạn cần một điểm cuối được lưu trữ có tính phí kèm hợp đồng hỗ trợ. Phân khúc trọng số mở nhỏ đang cải thiện nhanh chóng, nhưng với 255 lượt tải xuống, ứng viên mới nhất chưa được bất kỳ ai bên ngoài phòng thí nghiệm của nó kiểm thử căng thẳng.