LFM3-VL-2B 对比 North Micro Vision Instruct：两款文档读取器，一道许可壁垒

准确率差距LFM3-VL-2B与North Micro Vision Instruct之间确实存在，但幅度很小：在 DocVQA 上约为 4.6 个百分点，在 OCRBench 上为 7.1，两者方向一致。真正决定部署的差距根本不是基准测试。North Micro Vision Instruct 以 Apache 2.0 许可发布。LFM3-VL-2B 以 LFM Open License v1.0 发布，该许可仅在您的实体年收入低于 1000 万美元时才允许商业使用。

两个模型都很小，都是开放权重的，而且都是为阅读页面而不是聊照片而构建的。一个发布于2026年8月，已有两个月的下载和移植记录。另一个于10月19日出现在Hugging Face上，于10月27日正式发布，下载量为255次。因此，这项比较一部分是基准测试问题，一部分是你能接受哪种风险的问题：一个未经证实的模型，还是一个未获许可的模型。

每个模型实际上是什么

LFM3-VL-2B 是 Liquid AI 的 1.92B 稠密模型：包含 1.73B 语言主干、一个 164M 的自研视觉编码器（其计算量约为 SigLIP2 的三分之一）以及一个 25M 投影器。它以 2 fps 接收文本、图像和视频，输出文本，支持思考模式，具备 128K 上下文，覆盖 16 种语言。该仓库提供 BF16、GGUF、MLX 4-bit 和 ONNX 构建版本，不过 llama.cpp 的支持仍在审核中，且尚无视频处理路径。

North Micro Vision Instruct 是 Cohere Labs 的 2.4B 模型：由 North Micro 系列的 2B 语言主干，加上一个从 SigLIP2 SO400M 续训而来的约 400M 编码器组成，并配备 DeepStack 风格投影器。它以原生分辨率接收交错文本和图像，最高可达 1654×2339——即 200 dpi 下的完整 A4 页面——并输出文本。该语言模型具有 128K 上下文，但 Cohere 表示多模态训练仅在 8K 范围内得到验证。Apache 2.0，262K 词表，11 至 12 种语言。

这些规格看起来相似，实际上并不相同。128K 上下文是模型可关注的 token 数量上限。原生分辨率输入则是一开始就不对页面进行缩放的决定。对于一张角落里有表格的扫描发票，后者比前者更重要。

文件中的数字，应带着适当的保留态度来解读

在两张卡都公布的基准测试中，LFM3-VL-2B 领先：

• DocVQA — LFM3-VL-2B 96.7 对比 North Micro Vision Instruct 92.1。

• OCRBench — 86.3 对比 79.2。

• ChartQA — 92.7 对比 80.8。

• AI2D — North 报告 77.5；Liquid 未发布可直接比较的 AI2D 数据行。

• RefCOCO-avg — 90.5 对 73.2，不过这两张卡片对这些平均值的描述方式差异足够大，因此相减结果只是示意性的，而非精确值。

所有这些都是厂商报告的，基于厂商自行选择的测试框架，两个模型均无独立复现。DocVQA 的差距足够小，提示格式的差异就可能将其弥合。ChartQA 的差距接近 12 个百分点，不太可能是噪声；而 OCRBench 的 7.1 个百分点差距，与一个明确在文档和图表数据上训练并附带推理模式的模型相符。

真正有意思的数字并不在文档各行上，而在 MMMU 上：LFM3-VL-2B 报告 55.7，North Micro Vision Instruct 报告 32.9。这不是调优差异，而是不同的产品。Cohere 自己的模型卡说，该模型有意不是推理模型，不进行工具调用，并且不鼓励使用系统提示。它读取页面。Liquid 的模型卡声称，研究生水平的推理是其 62 个测量类别之一。如果你的任务是“从这 400 张发票中提取总额”，两者都行。如果你的任务是“判断这张发票是否违反政策”，只有一个是为此而构建的。

128K 的说法在哪些地方变得含糊其辞

LFM3-VL-2B 的 128K 上下文是已公布的更宽裕数值，但上下文长度并不等同于可用的多模态上下文。模型卡未说明在原生分辨率下一页会消耗多少图像 token，也未公布视频的最大帧数。North Micro Vision Instruct 公布的则是另一类数字：128K 语言上下文，多模态训练验证至 8K。这是一种保守披露，比一个未说明视觉预算的更大数字更有用。

对两种模型来说，实际检验方法都一样：在设计上下文窗口方案之前，先在你自己的文档上测量每页的 token 数。一个 128K 的窗口，如果在你的分辨率下只能容纳四页，那它就撑不起 128K 的文档工作流。

许可证即决定

Apache 2.0 就是 Apache 2.0。无论营收规模如何，你都可以将 North Micro Vision Instruct 用于商业用途、修改它、再分发它并托管它，前提是保留相关声明。这就是全部协议；对于一家构建文档产品的初创公司而言，这消除了一整类法律审查工作。

LFM Open License v1.0 并非如此。它宽泛地定义了商业使用——“对作品进行的任何直接或间接获取商业利益或金钱报酬的使用”——并将许可条件设定为被许可方的年收入低于 1000 万美元门槛。超过该门槛后，商业使用“不在本协议许可范围内”。符合条件的非营利组织可出于非商业和研究目的获得豁免。允许再分发，但须注明出处并告知变更。我们读到的许可文本不包含单独的托管限制，因此约束在于收入上限，而非服务禁令。

这个上限会引出一场尴尬的对话。一家营收 900 万美元的公司今天可以发布 LFM3-VL-2B，却会因为业务增长而失去授权。停止工作的不是模型，而是许可。对于一个有着两年路线图的产品而言，这是尽职调查中必须核查的事项，而不是一条脚注。

采用差距本身就是一种信号

North Micro Vision Instruct 自其仓库于 2026 年 8 月 10 日出现以来，已被下载约 35,000 次。自 10 月 19 日以来，LFM3-VL-2B 有 255 次下载和 34 个点赞。两个月对九天解释了其中部分原因，但并非全部原因：10 月 27 日的 LFM3 系列公告是一篇涵盖六个模型的单篇博客文章，而视觉检查点只占了其中一段。

静默发布并不自动等于糟糕的发布。一个没有首发定价、没有托管服务商、框架支持仍在审核中的模型，就是一个只能在你自己的硬件上评估的模型，而下载量低主要意味着还没人这么做过。这也意味着没有社区量化版本、没有满是修复的问题追踪库，也没有可以依赖的第三方基准测试。North Micro Vision 三者俱全。

就目前各方愿意透露的情况而言，每一项的成本是多少

两个模型都没有在模型卡上公布 API 价格。North Micro Vision Instruct 可通过 Cohere 的平台使用，并已被多家第三方托管商采用；LFM3-VL-2B 可在 Liquid 的 Playground 和 API 上使用，但没有价目表，而且 Hugging Face 未为其列出任何推理提供商。在自有硬件上，对比是 2.4B 参数对 1.92B，或 BF16 下约 4.8 GB 对 3.84 GB——差距足够小，GPU 成本并不是决定性因素。

决定性因素在于运营层面。如果你选择租用托管视觉模型，而不是自持任一检查点，OrcaRouter 会按提供商目录价以 0% 加价转售，因此供应商调价当天就会在我们这边生效，而不是等到下一次合同续约时才生效。我们今天不提供 LFM3-VL-2B 或 North Micro Vision Instruct，本文也没有声称相反；关键在于，托管替代方案的定价足够透明，可以与上述自托管成本测算进行比较。

谁应该选哪个

选择 North Micro Vision Instruct，如果你需要 Apache 2.0，如果你想要一个已经过两个月社区使用的模型，或者如果你的文档是原生分辨率的整页且任务止于提取。请接受它不会跨提取出的字段进行推理。

选择 LFM3-VL-2B，如果您需要视频输入、思考模式，或需要一个恰好擅长阅读文档的更广泛的视觉助手，并且如果您稳稳低于收入门槛，或者能够协商单独的许可证。请接受这一点：您是该检查点的早期采用者，它没有独立评估，框架支持也不完整。

两者暂时都别选，不过，如果你的工作流需要附带支持合同且按价格收费的托管端点，那就另当别论。小型开放权重层级正在快速改进，但最新入局者的下载量仅为 255 次，尚未经过其实验室之外任何人的压力测试。