Molmo2-4B vs LFM2.5-VL-3B: 19 GB trọng số đối đầu với 3 GB trên điện thoại

Đặt hai checkpoint cạnh nhau trên đĩa và cuộc so sánh gần như kết thúc trước khi bắt đầu. Molmo2-4B được phát hành dưới dạng 19,42 GB safetensors float32 trải trên bốn shard. Kho gốc của LFM2.5-VL-3B có tổng cộng 6,27 GB, và card của chính Liquid hứa rằng nó chạy trong "dưới 3,3 GB bộ nhớ." Khi bạn lượng tử hóa mô hình nhỏ hơn, đó là khoảng cách khoảng sáu lần về dung lượng chiếm dụng cho hai mô hình được thảo luận như thể chúng là những mô hình ngôn ngữ-thị giác nhỏ có thể thay thế cho nhau. Chúng không thể thay thế cho nhau, và lý do không phải là chất lượng. Một trong số chúng được xây dựng để trả lời các câu hỏi về một video 384 khung hình. Cái còn lại được xây dựng để trả lời các câu hỏi về một bức ảnh trên điện thoại khi radio tắt. Cả hai mô hình đều không được lưu trữ ở đây, vì vậy vai trò của nền tảng là stack xung quanh. Định giá markup 0% Giá niêm yết của nhà cung cấp được chuyển qua nguyên vẹn.

Cả hai mô hình đều không mới, và điều đó có ý nghĩa nếu bạn đến từ một trang kết quả ngụ ý điều ngược lại. Molmo2-4B được Allen Institute for AI công bố vào ngày 11 tháng 12 năm 2025 và trọng số của nó được đưa lên vào ngày 14 tháng 12. LFM2.5-VL-3B được Liquid AI phát hành vào ngày 12 tháng 8 năm 2026. Điều thay đổi gần đây hẹp hơn và hữu ích hơn một buổi ra mắt: Molmo2 trở thành một kiến trúc chính thức trong Transformers thượng nguồn, với PR #43451 được hợp nhất vào ngày 9 tháng 10 năm 2026 và mô hình lần đầu được phát hành trong v5.20.0 vào ngày 15 tháng 10, chấm dứt giai đoạn bạn phải truyền trust_remote_code=True và cài đặt gói molmo_utils riêng. Vào ngày 5 tháng 11, Ai2 cũng công bố Molmo2-4B-tb, một bản tinh chỉnh cho robot được xây dựng trên đúng checkpoint này. Không sự kiện nào trong hai sự kiện đó khiến Molmo2-4B trở nên mới. Cả hai đều khiến việc chạy nó mới trở nên thiết thực.

Câu hỏi về bộ nhớ, bằng số liệu thay vì tính từ.

Kích thước trước tiên, vì chúng quyết định phần lớn việc triển khai trước khi bất kỳ điểm chuẩn nào được xem xét.

• Tham số — Molmo2-4B có 4,850,869,200 tham số, trải trên một tháp thị giác SigLIP 2 và một lõi ngôn ngữ Qwen3-4B-Instruct-2507; LFM2.5-VL-3B có 3,123,483,888 tham số, trải trên một bộ mã hóa SigLIP2 NaFlex 400M và một xương sống LFM2.5 2.6B.

• Định dạng trọng số phát hành — Molmo2-4B được phân phối ở dạng float32, 19,42 GB trên đĩa, gồm bốn shard; LFM2.5-VL-3B được phân phối ở dạng bfloat16 với 6,27 GB, cùng với các bản xuất GGUF, ONNX và MLX chính thức được công bố song song.

• Mức sử dụng bộ nhớ runtime được công bố — Liquid tuyên bố dưới 3,3 GB cho LFM2.5-VL-3B khi suy luận; AI2 không công bố con số bộ nhớ runtime nào cho Molmo2-4B, và bản phân phối float32 nghĩa là bạn sẽ phải ép kiểu trước khi phục vụ.

• Thông lượng — Liquid báo cáo 228 token/giây trên Apple M5 Max, 116 token/giây trên AMD Ryzen AI Max+ 395 và 20 token/giây trên Galaxy S26 Ultra. Không có con số công khai tương đương nào cho Molmo2-4B ở bất kỳ kích thước nào.

• Ngữ cảnh — 32.768 token đối với LFM2.5-VL-3B; 36.864 vị trí trong cấu hình văn bản của Molmo2-4B, đạt được nhờ một giai đoạn tinh chỉnh chuyên biệt cho ngữ cảnh dài ở 384 khung hình.

Cặp cuối cùng đó đáng được một lưu ý hơn là một sự so sánh. Con số 36.864 của Molmo2-4B là ngân sách độ dài chuỗi mà pipeline video của nó tiêu thụ nhanh chóng: bộ tiền xử lý video được phát hành mặc định dùng 384 khung hình ở 2 fps, được thay đổi kích thước thành 378×378 với gộp 3×3. Một đoạn clip dài có thể tiêu tốn toàn bộ cửa sổ chỉ riêng bằng các khung hình, để lại rất ít chỗ cho câu hỏi. Con số 32.768 của LFM2.5-VL-3B được dành cho văn bản và các mảnh ảnh, vì nó hoàn toàn không có đường xử lý video.

Video là ranh giới phân định, không phải bảng điểm chuẩn

LFM2.5-VL-3B xử lý văn bản và hình ảnh. Đó là toàn bộ bề mặt đầu vào. Nó rất giỏi ở những gì nó được tạo ra để làm — OCR toàn trang với chú thích bố cục, phát hiện đối tượng từ truy vấn ngôn ngữ tự nhiên, đọc màn hình và xử lý gần thời gian thực trên thiết bị — nhưng video không phải là một trong những đầu vào của nó, và không lượng kỹ thuật gợi ý nào thay đổi được điều đó.

Molmo2-4B được xây dựng theo hướng ngược lại. Thẻ mô hình của Ai2 liệt kê chín bộ dữ liệu huấn luyện, và năm trong số đó là video hoặc đa ảnh: hỏi đáp mô tả video, hỏi đáp phụ đề video, chỉ điểm video, theo dõi video, hỏi đáp đa ảnh, chỉ điểm đa ảnh. Phần đầu ra chỉ điểm là phần khác thường. Tọa độ trả về được chia tỷ lệ theo 0–1000 của chiều rộng và chiều cao ảnh, ở định dạng gắn thẻ mà thẻ mô hình cung cấp kèm một regex cho định dạng đó, nên câu trả lời cho "con thuyền ở đâu" là một điểm số thay vì một câu. Cùng định dạng đó mang dấu thời gian ở chế độ video, và chính điều này mới khiến việc theo dõi ở cấp độ khung hình trở nên khả thi.

Nếu tác vụ của bạn là ảnh chụp màn hình, một trang được quét, một bức ảnh chụp kệ hàng hoặc thực đơn, thì tất cả những điều đó đều không quan trọng, và mô hình 3 GB đơn giản là lựa chọn kỹ thuật tốt hơn. Nếu tác vụ của bạn là "tìm thời điểm thùng hàng rơi khỏi pallet," thì LFM2.5-VL-3B không thể tham gia so sánh.

Hai mức trung bình của nhà cung cấp không được trừ cho nhau

Đây là chỗ mà hầu hết các trang so sánh mắc lỗi. Liquid báo cáo mức trung bình 69,4 cho LFM2.5-VL-3B trên bảng thị giác gồm 28 benchmark. AI2 báo cáo mức trung bình 62,8 cho Molmo2-4B trên 15 benchmark học thuật. Đặt hai con số đó cạnh nhau và LFM2.5-VL-3B trông tốt hơn 6,6 điểm. Đó không phải là một so sánh hợp lệ: các bộ benchmark khác nhau, định dạng prompt khác nhau, cài đặt giải mã khác nhau, và trong trường hợp của Liquid là một bộ do chính các tác giả của họ chọn.

Những gì mỗi nhà cung cấp thực sự báo cáo, kèm theo thông tin nguồn gốc:

• LFM2.5-VL-3B, do nhà cung cấp báo cáo — 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, theo báo cáo của nhà cung cấp — trung bình 62,8 trên 15 bài kiểm chuẩn học thuật, so với 63,1 của mô hình cùng dòng 8B, 58,1 của Qwen3-VL-4B, 53,4 của InternVL3.5-4B, 59,6 của Claude Sonnet 4.5, 70,0 của Gemini 3 Pro và 70,6 của GPT-5 trên cùng bảng.

• Không được bên nào trong hai nhà cung cấp báo cáo ở bất kỳ đâu — một bộ đánh giá dùng chung. Cả hai công ty đều chưa công bố kết quả của Molmo2-4B trên bộ 28 bài đánh giá của Liquid, cũng như kết quả của LFM2.5-VL-3B trên bảng 15 bài đánh giá của AI2.

Trục duy nhất thực sự có thể so sánh được là kích thước mô hình, và ở đó mô hình 4.85B đánh bại mô hình 3.12B trên mức trung bình của chính AI2 nhưng lại thua kém rõ rệt về dấu chân triển khai. Đó là sự đánh đổi, nói một cách thẳng thắn.

Giấy phép: có vẻ như cả hai đều không phải là Apache-2.0

Cả hai tấm thẻ đều mang nhãn nghe có vẻ dễ dãi, và cả hai đều có một cái bẫy mà người xét duyệt mua sắm sẽ phát hiện ra.

• Molmo2-4B — trọng số theo Apache 2.0, nhưng thẻ mô hình nói thêm rằng mô hình "được huấn luyện trên các bộ dữ liệu bên thứ ba chỉ dành cho mục đích nghiên cứu học thuật và phi thương mại", và khuyên bạn nên xem lại các nguồn trước khi quyết định liệu mô hình có phù hợp không. Trọng số là mở; nguồn gốc dữ liệu không sạch cho mục đích thương mại, và Ai2 nói rõ điều đó trên thẻ mô hình chứ không phải trong chú thích cuối trang.

• LFM2.5-VL-3B — Giấy phép Mở LFM v1.0, không phải giấy phép OSI. Việc sử dụng thương mại được cấp có điều kiện: mục 5 quy định quyền thương mại phụ thuộc vào việc pháp nhân của bạn duy trì dưới một Ngưỡng được xác định, và giấy phép định nghĩa Ngưỡng đó là doanh thu hằng năm từ 10 triệu USD trở lên.

Cả hai hạn chế đều không có gì lạ đối với một bản phát hành gần với nghiên cứu. Cả hai đều có nghĩa là câu hỏi "liệu chúng ta có thể phát hành thứ này không" có câu trả lời khác nhau đối với một nguyên mẫu do hai người làm và một công ty có vốn đầu tư, và hai câu trả lời đó chỉ về hai hướng trái ngược nhau tùy thuộc vào mô hình bạn đã chọn.

Hôm nay chạy một trong hai cái đó

Thẻ mô hình riêng của Molmo2-4B giờ đã lạc hậu so với thư viện. Thẻ vẫn hướng dẫn bạn cài transformers==4.57.1, truyền trust_remote_code=True, và cài molmo_utils cùng decord2. Công thức đó vẫn hoạt động. Nhưng nó cũng không còn là cách duy nhất: kể từ v5.20.0, Transformers chính thức đã có lớp Molmo2ForConditionalGeneration với cấu hình, bộ xử lý hình ảnh, bộ xử lý video và bộ xử lý riêng, nên đường dùng mã từ xa là tùy chọn chứ không còn bắt buộc. vLLM đã hỗ trợ Molmo2 thông qua lớp mô hình riêng của nó từ ngay sau khi ra mắt; tài liệu nền tảng của AI2 vẫn trỏ đến các bản wheel nightly thay vì một bản phát hành ổn định, điều đáng biết trước khi bạn ghim một phiên bản trong môi trường sản xuất.

LFM2.5-VL-3B có câu chuyện triển khai chín muồi hơn hẳn trong hai mô hình, và khoảng cách không hề nhỏ: trọng số gốc cùng các bản xuất GGUF, ONNX và MLX, với llama.cpp, vLLM và SGLang đều được liệt kê là được hỗ trợ, cùng thông lượng được công bố trên ba thiết bị phần cứng tiêu dùng khác nhau. Nếu mục tiêu của bạn là laptop, điện thoại hay máy tính một bo mạch, thì hệ sinh thái đó chính là sản phẩm.

Một lưu ý thực tế cho bất kỳ ai dự định định tuyến giữa hai mô hình này: cả hai đều không có trong danh mục của OrcaRouter, và sẽ là sai lầm nếu coi một so sánh như thế này là tuyên bố về tính sẵn có. Điều nền tảng thực sự cung cấp là một API cho hơn 200 mô hình cùng với triển khai tự lưu trữ như hai mô hình này, có failover tự động và giá niêm yết của chính nhà cung cấp được chuyển nguyên vẹn mà không cộng thêm phụ phí. Cách làm thông thường là giữ mô hình thị giác nhỏ ở cục bộ cho luồng nhạy cảm với độ trễ và định tuyến các yêu cầu khó hơn, hiếm gặp ra ngoài — rồi chứng minh cách phân tách đó bằng lưu lượng thực tế trước khi cam kết với bên nào.

Chọn cái nào?

Chọn LFM2.5-VL-3B nếu mục tiêu triển khai là điện thoại, máy tính xách tay hoặc thiết bị edge, nếu đầu vào của bạn là ảnh chụp màn hình, tài liệu hoặc ảnh chụp đơn lẻ, nếu bạn cần độ trễ token đầu tiên dưới một giây, hoặc nếu bạn cần một trong các định dạng lượng tử hóa đã có sẵn cho nó. Phạm vi hỗ trợ 16 ngôn ngữ và các con số ScreenSpot-v2 khiến nó trở thành lựa chọn có cơ sở vững chắc cho việc hiểu màn hình trên thiết bị cụ thể.

Chọn Molmo2-4B nếu video nằm trong phạm vi, nếu bạn cần tọa độ thay vì văn xuôi, nếu bạn cần suy luận đa ảnh trên một tập khung hình, hoặc nếu nhiệm vụ là đếm đối tượng trong một cảnh — so sánh của chính AI2 đặt dòng Molmo2 ở vị trí đầu trong lĩnh vực trọng số mở về đếm trong video, đồng thời thừa nhận rằng không mô hình nào trong đánh giá của họ đạt độ chính xác 40%. Hãy dự trù cho phần tài nguyên chiếm dụng: 19.42 GB trọng số float32, một lần ép kiểu sang bfloat16 trước khi phục vụ, và một GPU thay vì điện thoại.

Điều sẽ giải quyết vấn đề này một cách thỏa đáng là một đánh giá chung trên cùng một harness, ở mức lượng tử hóa tương đương, với độ trễ được đo trên cùng một thiết bị. Không nhà cung cấp nào đã công bố một đánh giá như vậy, và cho đến khi có ai đó làm, câu trả lời trung thực là hai mô hình này được thiết kế cho những công việc khác nhau và các benchmark vốn không được tạo ra để gặp nhau.