LFM3-VL-2B 对比 MiniCPM-V 4.7 1B：关闭思考模式后，14 个百分点的差距缩小至 4 个百分点

最具决定性的差异，在LFM3-VL-2B与MiniCPM-V 4.7 1B之间，并不体现在任何一张基准测试表中，而是体现在许可证那一行。OpenBMB 的模型采用 Apache 2.0。Liquid AI 的模型采用 LFM Open License v1.0，它附带商业条件，而非单纯的宽松许可条款。这两个模型在其他方面规模足够接近，可以直接互为替代——1.92B 对 1.55B——而且两者发布时间相隔不到三周：MiniCPM-V 4.7 1B 于 10 月 6 日上线 Hugging Face，并在厂商发布说明中标注为 10 月 12 日；而 LFM3-VL-2B 自 10 月 19 日起就存在于一个公开仓库中，并于 10 月 27 日正式发布。在 Liquid 自家的 62 项基准测试套件中，新模型平均得分为 71.4，对 57.5，差距为 13.9 分；一旦在 Liquid 模型上禁用推理，这一差距便骤降至 4.6 分。

同一重量级的两个模特，遵循不同的规则

MiniCPM-V 4.7 1B 是两个中较小的一个，参数量约少 3.7 亿。它将 SigLIP 风格的视觉塔与源自 Qwen3.5 的语言主干相结合，支持按请求选择 4× 或 16× 的视觉 token 压缩，并在供应商文档中声称具备 256K 上下文窗口。它提供 BF16、int4、AWQ、GPTQ 和 GGUF 版本，并配有专用的 DSpark 草稿模型用于推测解码。

LFM3-VL-2B 将 LFM3-1.7B 语言模型与全新的自研 164M 视觉编码器及 25M 投影器搭配，具备文档标称的 128K 上下文，视频输入为每秒 2 帧，并支持文档标称的无思考模式。

• 参数 — LFM3-VL-2B 为 1.92B，而 MiniCPM-V 4.7 1B 为 1.55B，依据 OpenBMB 的文档；Hugging Face 的模型大小徽章将后者四舍五入为 2B。

• 许可证 — LFM Open License v1.0 与 Apache 2.0 的对比。

• 上下文 —— 128K 个 token，而声称可达 256K，不过推理配置通常会将上限设置得低得多。

• 视觉路径 —— 一个 164M 的自研编码器，每个 2×2 图块对应一个 token，而 SigLIP 风格的塔式结构采用 4×/16× 压缩。

• 视频——每秒 2 帧，是首个接收视频的 LFM 视觉模型（对比支持情况），并附有厂商公布的 LongVideoBench 和 MotionBench 数据。

• 推理模式 — 在基准测试运行中，既可用又以两种方式测量，对比既可用又被使用。

• 厂商在 Liquid 62 项基准测试套件上的平均值——思考模式 71.4，非思考模式 62.1，对比 57.5。

总体差距为13.9个百分点。请先阅读脚注。

Liquid 的表格是唯一一份以相同归一化方式在相同的 62 个基准上对两个模型进行评分的资料，也正是这项比较得以进行的原因。OpenBMB 自己的模型卡并未针对 LFM3-VL-2B 进行基准测试，因为在 MiniCPM-V 4.7 1B 发布时 LFM3-VL-2B 尚不存在。

真正重要的脚注是：表中除 LFM2.5-VL-3B 外的每个模型都使用了推理模式，而 LFM2.5-VL-3B 不支持该模式；LFM3-VL-2B 的无思考配置也未使用推理模式。因此，71.4 和 57.5 都是启用推理后的得分，这使得此次比较比与 LFM2.5 的那次对比更为公平。两个模型都是在各自的最佳设置下、使用相同的测试工具、由同一个实验室进行测量。

公平并不等于独立。Liquid 自己挑选了基准测试并亲自运行。这张表格异常完整——它包含类别层面和逐项基准测试的行，并且点名了每一个竞争对手——但没有任何第三方复现过其中任何一项结果。

关闭思考，1B 在 62 次中赢了 24 次

LFM3-VL-2B 针对相同权重在禁用推理的情况下发布了第二项得分。那一列才是有意思的，因为它显示了 13.9 分的总体得分究竟来自哪里。在无思考模式下，LFM3-VL-2B 在 35 个基准测试中胜出，MiniCPM-V 4.7 1B 胜出 24 个，另有 3 个打平。平均差距降至 4.6 分。

更引人注目的是，1B 在该配置下赢下了哪些项目。它拿下了数学与图表推理类任务中的大多数，而且往往优势明显。

• We-Math（testmini，严格）—— MiniCPM-V 4.7 1B 为 47.8，而 LFM3-VL-2B 在未启用思考时为 20.1，启用思考时为 68.6。

• LogicVista — 无思考时 46.1 对 30.2，有思考时 60.4。

• MathVista (mini) — 无思考时 71.2 对 68.5，有思考时 84.2。

• ChartQA（测试） — 无思考时 88.8 对 81.4，思考时 92.7。

• CharXiv（描述性） — 无思考时 73.4 对 65.5，思考时 87.5。

• DynaMath — 63.8 对 57.7，无思考模式。

• MMMU (val) — 无思考时 51.0 对比 48.6，有思考时 55.7。

We-Math 的结果值得停下来细看：在两个模型都不被允许推理时，1B 领先 27.7 分；而一旦允许推理，LFM3-VL-2B 立刻领先 20.8 分。We-Math 是一个针对多步视觉数学的严格准确率基准，而这两个模型之间的分数并不是逐渐变化的，而是发生了翻转。这是表中关于推理模式究竟带来了什么收益的最清晰的一个例证。

实际结论是：如果你为了降低延迟而关闭推理，并且你的工作负载涉及图表或示意图中的数字，那么更大模型的总体优势并不能保护你。1B 才是更合适的工具。

LFM3-VL-2B 无论何种模式都能胜出的方面

反过来也同样成立，而且这些类别同样具体。其中五个即使在“不思考”一栏里也近乎一边倒。

• GUI 理解 — 思考模式 83.1，非思考模式 81.5，而 MiniCPM-V 4.7 1B 为 45.3。ScreenSpot-Pro 为 55.5 对 4.9；ScreenSpot-v2 Desktop 为 94.6 对 51.5。

• 视觉定位——77.3（思考），72.6（非思考），对比 51.1。RefCOCO 平均值达到 90.5，对比 86.3。

• 具身推理 — 64.4 思考，57.9 不思考，相较 45.3。

• 智能体 — 42.5 思考，32.9 非思考，对比 16.9。这是表中全部四个模型最弱的类别，也是这两者之间相对差距最大的类别。

• 多语言 — 84.4 思考模式、76.2 非思考模式，对比 77.4。这是非思考版 Liquid 模型唯一输给 1B 的类别。

在 62 个基准测试中，ScreenSpot-Pro 上 55.5 对 4.9 是这两个模型之间最大的单项差距。如果你在做 UI 自动化，这里根本无需抉择；如果你在做数学辅导工具，排名则会反转。13.9 分的平均值，是把两个表现差异极大的群体平均在一起所产生的假象。

两套测试框架，同一个基准测试却给出两个数字

正是这一点让跨厂商比较变得棘手，也值得单独用一节来说明，因为两家厂商都会公布同名基准测试的数值。

OpenBMB 在其自家页面上报告 MiniCPM-V 4.7 1B 在 MathVista 上为 74.3。Liquid 对同一模型在同一名称的基准上重新运行，报告为 71.2。OpenBMB 报告 OCRBench 为 86.1；Liquid 的测试框架报告 OCRBench v1 为 82.1。两家实验室都没有说谎。他们运行的是不同的提示格式、不同的答案提取规则或不同的子集，由此产生的 3.1 分和 4.0 分差异属于正常的测试框架波动。

结果是，你不能拿 OpenBMB 的 74.3 减去 Liquid 为 LFM3-VL-2B 给出的 68.5 这一 no-thinking MathVista 分数，从而得出 5.8 个百分点的胜出。在 10 月 27 日之前，当 MiniCPM-V 4.7 1B 与 LFM2.5-VL-3B 之间唯一共享的基准是在两套不同测试框架上测得的时候，这种解读还站得住脚。如今 Liquid 已在一张表中同时发布了两款模型，这种解读就站不住脚了。请使用该表格，并把每个厂商页面上的数字都视为属于其各自的评测工具。

那场悄然了结一桩旧日争论的平局

在同一张表格里，还有一个两家公司都没有宣传过的结果。MiniCPM-V 4.7 1B 在 62 项基准测试中的平均分为 57.5。LFM2.5-VL-3B 的平均分为 57.6。

OpenBMB 的产品页面声称，1B 模型在 OCR、图表推理和视频理解方面超越了 LFM2.5-VL-3B。在 Liquid 的测试套件上，这一说法半对半错，而总体结果则是完全打平：

• 文档、OCR 与图表 — MiniCPM-V 4.7 1B 为 73.0，而 LFM2.5-VL-3B 为 71.2。该说法成立，但优势微弱。

• 视频 — 53.7 对 41.3。该主张得到明确支持。

• 数学 — 51.8 对 40.6。该说法得到支持，且原说法中未提及。

• 视觉定位—— 51.1 对 68.3。该主张严重不成立。

• GUI 理解 — 45.3 对 66.0。该说法严重不成立。

• Agentic — 16.9 对 21.1。该说法不成立。

因此，一个采用 Apache 2.0 许可证的 1.55B 模型，在共享的 62 项基准测试套件上，与一家资金雄厚的实验室的 3.1B 模型不相上下，而且它靠的是在一些类别上决定性地获胜、在另一些类别上决定性地落败。这是关于能力密度的真实结果，同时也是对平均值所掩盖之物的警告。这又把比较带回到 LFM3-VL-2B：击败两者的模型，是那种其推理模式能提升自己最弱类别的模型，而不是那种全面更优的模型。

许可证、下载内容，以及你实际可以发布的内容

许可证差异将比上面任何一行决定更多部署。Apache 2.0 无需与法务团队沟通。LFM Open License v1.0 带有商业条件，虽然它足够开放，使 Liquid 在该许可下发布该系列中的每个模型，但它并不等同于相同的许可权限。

采用情况也类似。在 Hugging Face 上，自 10 月 6 日以来，MiniCPM-V 4.7 1B 已累计约 155,000 次下载和略高于 400 个点赞。截至撰写本文时，LFM3-VL-2B 有几百次下载和 16 个点赞，它已公开九天，官宣仅一天。下载量是一个有噪声的信号——CI 流水线和量化镜像会虚增下载量——但三个数量级的差距并不是噪声。这反映出，一个模型背后有一个月积累的工具、教程和社区量化支持，而另一个只有一天。

工具支持也遵循同样的规律。MiniCPM-V 4.7 1B 列出了 Transformers、SGLang、vLLM、llama.cpp、Ollama 和 OpenVINO，此外还有原生 iOS、Android 和 HarmonyOS 应用。LFM3-VL-2B 在发布时已支持 SGLang，提供 GGUF 权重，llama.cpp 支持仍在审核中——根据其自身的模型卡说明，待实现的版本中尚不支持视频输入。

哪种模型适合哪种工作

• UI 自动化、屏幕读取、机器人感知——LFM3-VL-2B，毫不犹豫，而且无思考模式就可以。ScreenSpot-Pro 上 55.5 对 4.9，这不是靠工程手段就能绕开的差距。

• 图表推理、视觉数学、图形题—— 如果你在无推理模式下运行，那就是 MiniCPM-V 4.7 1B；若不是，那就是一场真正的较量。用你自己的数据检验 We-Math；27.7 分的无思考差距，正是那种会在生产环境中立刻暴露出来的问题。

• 长视频——比类别平均值所暗示的更接近。LFM3-VL-2B 在 Video 类别上以 61.2 对 53.7 领先，但 MiniCPM-V 4.7 1B 实际上在 Video-MMMU 上以 50.1 对 49.6 获胜，即便面对 thinking 配置也是如此。

• 任何必须不经审查就通过法务审核的内容——仅采用 Apache 2.0 许可的 MiniCPM-V 4.7 1B。

• 任何目前需要成熟推理栈的任务——至少在未来几周内，MiniCPM-V 4.7 1B 都能胜任，直到 llama.cpp 合并对 LFM3-VL 的支持为止。

当两个模型都不在路由器上时，路由器适合放在哪里

这两个检查点都不在 OrcaRouter 的目录中；两者都是你下载、量化并运行的权重。这里路由层的有趣用法不是为它们提供服务，而是围绕它们进行组合。模型融合让一组模型共同回答同一个问题，而将一个本地 1.55B 的视觉数学专家模型，与一个在它表现较弱的类别——基础定位、智能体工作——上更强的托管模型配对，这种配置胜过任一模型单独使用。路由 DSL 就是你表达哪条分支处理哪个问题的方式，而无需在每次发布检查点时重写应用。

诚实的总结是：13.9 个百分点的头条数字是真实的，是在某家实验室的测试框架上测得的，但把它当作购买决策依据则会误导人。LFM3-VL-2B 是更适合屏幕和视觉定位任务的模型，其领先幅度在同尺寸级别中无可匹敌。MiniCPM-V 4.7 1B 是更适合无需推理的视觉数学任务的模型，采用无需协商的许可证发布，并在同一套测试中与规模两倍于它的模型持平。正确答案取决于上述哪句话描述了你的工作负载——而两家厂商的平均值都不会告诉你这一点。