MiniCPM-V 4.7 vs LFM3-VL-2B: Điểm benchmark tốt hơn là cảm biến sai

Liquid AI đưa MiniCPM-V 4.7 1B vào bảng so sánh của riêng mình rồi đánh bại nó. Trên bộ 62 bài kiểm chuẩn do Liquid chạy, LFM3-VL-2B đạt trung bình 71,4 khi bật suy luận và 62,1 khi tắt; MiniCPM-V 4.7 1B đạt trung bình 57,5. Đó là khoảng cách 13,9 điểm ở phân khúc mô hình nhỏ, và là con số mà hầu hết các bài so sánh dừng lại. Đây cũng là con số ít hữu ích nhất cho việc ra quyết định, vì hai mô hình không cạnh tranh cho cùng một vị trí. Một bên là mô hình dense 1,92 tỷ tham số được xây để trở thành toàn bộ câu trả lời. Bên còn lại là nửa rẻ của một hệ hai mô hình, mà nửa đắt là một mixture of experts 35 tỷ tham số.

The version of this matchup that matters depends on which MiniCPM-V 4.7 you mean. The 1B is a 1.55-billion-parameter dense model that fits in a 672 MB Q4_K_M file — 641 MiB, which is where the 641 MB on the cards comes from. The 35B-A3B is 35.2 billion stored parameters with roughly 3 billion active per token, and it is not in Liquid's table at all. LFM3-VL-2B sits between them and is, on Liquid's own numbers, a better general vision model than the small MiniCPM and a much weaker one than the large MiniCPM. Everything below is about which of those facts should decide your architecture.

Ba bậc giả vờ là hai mô hình

LFM3-VL-2B là một artefact. Đây là 1,92 tỷ tham số được tạo thành từ phần xương sống ngôn ngữ 1,73 tỷ, bộ mã hóa thị giác nội bộ 164 triệu và bộ chiếu 25 triệu, với ngữ cảnh 128K token, video được lấy mẫu ở hai khung hình mỗi giây và một bộ trọng số duy nhất thực hiện phát hiện, OCR, biểu đồ và mô tả. Liquid đã công bố dòng LFM3 vào ngày 27 tháng 10 năm 2026; kho lưu trữ LFM3-VL-2B được đăng lên vào ngày 19 tháng 10.

MiniCPM-V 4.7 gồm hai artefact với chung một vision tower. Bản 1B là backbone văn bản qwen3_5_text dạng dense với 24 lớp, ngữ cảnh 262.144 token và cứ mỗi lớp full-attention thì có ba lớp linear-attention. Bản 35B-A3B là mô hình thưa 256 expert, định tuyến tám expert cho mỗi token, giữ nguyên ngữ cảnh 262.144 token, và ra đời vì OpenBMB muốn có một mô hình lớn có thể stream expert từ bộ nhớ lưu trữ thay vì giữ chúng trong bộ nhớ. Cả hai đều theo Apache-2.0. Trọng số xuất hiện vào ngày 6 và 7 tháng 10 năm 2026, model card theo sau vào ngày 12 tháng 10, và ModelBest phát hành thông cáo báo chí tiếng Anh vào ngày 15 tháng 10.

Vậy cách diễn đạt trung thực không phải là “2B so với 1B”. Mà là “một mô hình phải làm mọi thứ” đối lại “một họ mô hình nơi bạn chọn mỗi câu hỏi xứng đáng với lượng mô hình bao nhiêu”. Nếu pipeline của bạn hỏi một câu cho mỗi ảnh, kiểu LFM3-VL-2B đơn giản hơn và ở mức nhỏ thì mạnh hơn. Nếu pipeline của bạn hỏi mười nghìn câu rẻ và một câu đắt, kiểu MiniCPM rẻ hơn ngay từ cấu trúc.

Bảng của chính Liquid nói gì và đọc nó tốn bao nhiêu

Bộ 62 benchmark là của Liquid, chạy trên vLLM 0.27.1, được chuẩn hóa về thang 0–100, với chế độ suy luận được bật cho mọi mô hình trừ những hàng được đánh dấu khác. Việc một nhà cung cấp đánh giá đối thủ là bình thường và đáng đọc, nhưng khung đánh giá là của nhà cung cấp, bộ prompt là của nhà cung cấp, và số tổng hợp là của nhà cung cấp. Hãy coi các hàng đó là những tuyên bố.

• MMMU — LFM3-VL-2B 55.7 with thinking and 48.6 without, against 51.0 for MiniCPM-V 4.7 1B in the same column set. OpenBMB's own page reports no MMMU for the 1B, so this row exists only in Liquid's run.

• OCRBench v1 — LFM3-VL-2B 86.3 against 82.1 for MiniCPM-V 4.7 1B inside Liquid's table. OpenBMB reports 86.1 for its own 1B, which is a 4-point spread on the same named benchmark and a fair illustration of what a different harness does to a number.

• MathVista (mini) — 84.2 with thinking and 68.5 without for LFM3-VL-2B, against 71.2 for MiniCPM-V 4.7 1B in the same table. OpenBMB's page says 74.3 for that model.

• CharXiv reasoning — 70.2 for LFM3-VL-2B against 44.5 for MiniCPM-V 4.7 1B. OpenBMB's page claims 48.8 for the same model, so even the direction of the gap is harness-dependent.

• LongVideoBench — 53.4 for MiniCPM-V 4.7 1B on OpenBMB's page. Liquid's table carries no LongVideoBench row at all, so there is nothing to compare it with.

Mô thức này nhất quán: khi bật suy luận, mô hình dense 2B làm tốt hơn ở suy luận thị giác nhiều bước và diễn giải biểu đồ, còn ở OCR thông thường thì gần như ngang bằng. Khi tắt suy luận, khoảng cách thu hẹp xuống còn khoảng 4,6 điểm, cho thấy phần lớn lợi thế có được nhờ token ở thời điểm kiểm thử chứ không phải nhờ tham số. Điều đó ảnh hưởng đến độ trễ nhiều hơn là chất lượng, và độ trễ chính là trục mà phép so sánh này thường bỏ qua.

Bài kiểm tra độc lập đảo ngược thứ hạng

Vào cuối tháng 10, WebBrain đã công bố một benchmark {{1}}100 trường hợp{{/1}} ảnh chụp màn hình trình duyệt được chạy hoàn toàn ngoại tuyến trong {{2}}Q4_K_M GGUF{{/2}} trên hai card RTX 5060 Ti, với một bộ ảnh chụp màn hình cố định, một prompt production và một rubric xác định. {{3}}MiniCPM-V 4.7 1B{{/3}} đạt {{4}}37 lượt đạt nghiêm ngặt{{/4}} trên 100 và điểm rubric trung bình {{5}}68,2 phần trăm{{/5}} ở mức {{6}}1,30 giây{{/6}} mỗi ảnh chụp màn hình. {{7}}LFM3-VLD-2B{{/7}} — một biến thể anh em của mô hình Liquid, không phải checkpoint {{8}}LFM3-VL-2B{{/8}} chính xác — đạt {{9}}4 lượt đạt nghiêm ngặt{{/9}} và {{10}}44,7 phần trăm{{/10}} ở mức {{11}}2,20 giây{{/11}}.

Lưu ý này quan trọng và có ý nghĩa theo cả hai hướng. Theo regex tiêu đề đánh số nghiêm ngặt, MiniCPM không đạt lần nào vì nó viết tiêu đề phần dưới dạng nhãn văn bản thay vì chữ số. Con số 37 lượt đạt đến từ việc chấm lại chính các đầu ra đó theo tên phần. Đó là một lỗi định dạng thực sự, và nếu bộ phân tích hạ nguồn của bạn mong đợi tiêu đề được đánh số thì đó là lỗi loại trừ. Nhưng điểm nội dung thì không hề sát nhau: 68.2 so với 44.7, với độ trễ bằng 60 phần trăm, trên một tác vụ — đọc một khung nhìn trình duyệt dày đặc — gần với sản xuất hơn nhiều so với một bài chuẩn biểu đồ.

Đây là đánh giá độc lập duy nhất mà một trong hai mô hình có ở phân khúc này; đây là một harness trên một cặp GPU, và mô hình Liquid được kiểm thử là biến thể VLD. Nó vẫn mang nhiều thông tin hơn chỉ số tổng hợp 62 benchmark, vì nó đo đúng việc bạn thực sự làm với một mô hình thị giác nhỏ: nhìn vào màn hình và trả lời nhanh một câu hỏi cố định.

Giấy phép là yếu tố quyết định thầm lặng

MiniCPM-V 4.7 được phát hành theo Apache-2.0 mà không có điều kiện doanh thu. LFM3-VL-2B được phát hành theo LFM Open License v1.0, mà Liquid mô tả là miễn phí cho mục đích thương mại khi doanh thu hằng năm dưới 10 triệu đô la. Vượt trên ngưỡng đó, các điều khoản thay đổi và bạn cần đọc chúng.

Đối với một dự án sở thích, sự khác biệt chỉ mang tính lý thuyết. Đối với một sản phẩm, đó là điều đầu tiên một luật sư sẽ hỏi đến, và là dòng duy nhất trong bất kỳ bảng so sánh nào mà không benchmark nào có thể phủ định. Một mô hình tốt hơn bốn điểm về suy luận biểu đồ và mang theo một điều kiện kích hoạt doanh thu không tự động là lựa chọn phụ thuộc tốt hơn. Đây cũng là chỗ lựa chọn Apache-2.0 trên cả hai kích cỡ MiniCPM-V 4.7 có tác dụng nhiều hơn các con số benchmark: nó loại bỏ một cuộc trao đổi.

Cadence: con số mà cả hai bảng đều không báo cáo

esp32-eye cat monitor là ví dụ công khai rõ ràng nhất về cách MiniCPM 1B thực sự được sử dụng. Nó chạy dưới dạng Q4_K_M GGUF phía sau llama-server trên một chiếc MacBook và được gọi tối đa một lần mỗi 1,5 giây, được kiểm soát bởi một bước kiểm tra khác biệt nền để hầu hết các khung hình không bao giờ đến được nó. Cùng bản dựng đó nhận thấy 1B không đáng tin cậy trong việc phân biệt bốn con mèo giống nhau và đã chuyển việc nhận diện danh tính sang 35B thay vì đưa ra một phỏng đoán.

Đó là cấu hình triển khai mà các bảng benchmark không phản ánh. Một mô hình mà bạn gọi mỗi 1,5 giây cần đủ nhỏ để thường trú, đủ nhanh để câu trả lời đến trước khung hình tiếp theo và đủ thoáng về giấy phép để bạn có thể đưa nó vào sản phẩm. Mô hình 1B đáp ứng cả ba. LFM3-VL-2B có dung lượng 1,25 GB ở Q4 và mất 2,2 giây mỗi ảnh chụp màn hình trong bài kiểm tra độc lập, mức này ổn cho một pipeline xử lý từng ảnh nhưng quá chậm đối với cổng 1,5 giây trên cùng phần cứng.

Nếu bạn muốn một endpoint được lưu trữ thay vì một tệp cục bộ, thì hiện nay cả hai mô hình đều không có trong danh mục của OrcaRouter, nên câu trả lời trung thực là mô hình 1B chạy ở nơi bạn đặt nó và mô hình 35B chạy trên API riêng của OpenBMB. Điều mà một router thực sự cung cấp là kiến trúc xung quanh: một khóa duy nhất cho hơn 200 mô hình, 0% phụ phí trên giá niêm yết của nhà cung cấp, và chuyển đổi dự phòng tự động, đây là cách bạn giữ cho một pipeline hai mô hình hoạt động khi chặng tốn kém chỉ là một endpoint bên ngoài duy nhất. Nó không biến một mô hình chưa được lưu trữ thành mô hình được lưu trữ, và điều đó đáng được nói thẳng.

Chọn cái nào?

Nếu bạn đang xây dựng một pipeline hình ảnh chỉ dùng một mô hình và muốn có mô hình tổng quát mạnh nhất thuộc lớp 2B trên các bộ chuẩn mà cả hai phòng thí nghiệm công bố, thì LFM3-VL-2B là lựa chọn có thể bảo vệ được, với lưu ý về giấy phép được ghi rõ. Nếu bạn đang xây dựng một tác nhân xem màn hình theo vòng lặp, bài kiểm tra trình duyệt độc lập đặt MiniCPM 1B lên trước về cả điểm số và độ trễ, và kỷ luật định dạng của nó là thứ cần sửa trong bộ phân tích cú pháp của bạn thay vì trong mô hình.

Nếu bạn cần một mô hình có thể đọc tài liệu 262.144 token, xem video và vẫn giữ được phong độ trên MMMU, thì không mô hình nhỏ nào là câu trả lời: đó là phân khúc 35B-A3B, nơi OpenBMB báo cáo 80,2 trên MMMU, 91,2 trên OCRBench và 68,9 trên LongVideoBench, tất cả đều do nhà cung cấp báo cáo và chưa có kết quả nào được tái lập độc lập. Quyết định thực sự không phải là mô hình 2B nào thắng. Mà là liệu pipeline của bạn có đủ khả năng để hỏi một câu dễ với chi phí thấp và hiếm khi hỏi một câu khó hay không — và nếu có, thiết kế hai mô hình sẽ rẻ hơn bất kỳ mô hình đơn lẻ nào cố gắng làm tốt cả hai.

Một lần hiệu chuẩn cuối cùng. Khoảng cách 13,9 điểm mà Liquid công bố là có thật trên bộ tiêu chí của Liquid, và khoảng cách 23,5 điểm mà WebBrain công bố là có thật trên bộ tiêu chí của WebBrain, và chúng chỉ về hai hướng ngược nhau vì đo lường những công việc khác nhau. Bất kỳ ai trích dẫn bên này mà không kèm bên kia đều đang bán cho bạn một kết luận. Câu hỏi hữu ích không phải là mô hình nào tốt hơn; mà là bạn cần hỏi bao nhiêu lần một ngày, và bạn sẵn sàng trả bao nhiêu cho câu trả lời.