Molmo2-4B 对比 LFM2.5-VL-3B：19 GB 权重对决 3 GB 手机

将两个检查点并排放在磁盘上，比较几乎还没开始就已结束。Molmo2-4B 以 19.42 GB 的 float32 safetensors 形式发布，分为四个分片。LFM2.5-VL-3B 的原生仓库总计 6.27 GB，而 Liquid 自己的模型卡承诺它能在“低于 3.3 GB 的内存”中运行。一旦对较小的模型进行量化，对于两个被讨论得仿佛可以互换的小型视觉语言模型来说，这大约是六比一的占用空间差距。它们不可互换，原因不在于质量。其中一个是为回答关于 384 帧视频的问题而构建的。另一个是为回答关于一部无线电关闭的手机上的照片的问题而构建的。两个模型都不托管在这里，因此平台的作用在于周边技术栈。0% 加价定价提供商的标价原样传递，不作改动。

两个模型都不是新的，如果你是从某个暗示并非如此的结果页面过来的，这一点很重要。Molmo2-4B 由 Allen Institute for AI 于 2025 年 12 月 11 日发布，其权重于 12 月 14 日上线。LFM2.5-VL-3B 由 Liquid AI 于 2026 年 8 月 12 日推出。最近发生的变化比一次发布更窄、也更有用：Molmo2 成为了上游 Transformers 中的一等架构，PR #43451 于 2026 年 10 月 9 日合并，该模型于 10 月 15 日首次随 v5.20.0 发布，从而结束了必须传入 trust_remote_code=True 并安装单独的 molmo_utils 包的那段时期。11 月 5 日，Ai2 还发布了 Molmo2-4B-tb，这是基于这一确切检查点构建的机器人微调版本。这两件事都没有让 Molmo2-4B 变成新的。但两者都让它变得新近可用了。

记忆问题，用数字而非形容词

先看规模，因为在参考任何基准测试之前，规模就已经决定了大多数部署。

• 参数规模——Molmo2-4B 为 4,850,869,200，由 SigLIP 2 视觉塔和 Qwen3-4B-Instruct-2507 语言核心组成；LFM2.5-VL-3B 为 3,123,483,888，由 SigLIP2 NaFlex 400M 编码器和 2.6B LFM2.5 主干组成。

• 发布权重格式 — Molmo2-4B 以 float32 格式分发，磁盘占用 19.42 GB，共四个分片；LFM2.5-VL-3B 以 bfloat16 格式分发，大小为 6.27 GB，并同步发布了官方 GGUF、ONNX 和 MLX 导出文件。

• 声明的运行时内存占用——Liquid 称 LFM2.5-VL-3B 在推理时低于 3.3 GB；AI2 未公布 Molmo2-4B 的运行时内存数据，而 float32 分发版本意味着你在部署前需要先进行类型转换。

• 吞吐量——Liquid 报告称，在 Apple M5 Max 上达到 228 tokens/s，在 AMD Ryzen AI Max+ 395 上达到 116 tokens/s，在 Galaxy S26 Ultra 上达到 20 tokens/s。而 Molmo2-4B 在任何规模下都没有可比的公开数据。

• 上下文——LFM2.5-VL-3B 为 32,768 个 token；Molmo2-4B 的文本配置中有 36,864 个位置，通过 384 帧的专用长上下文微调阶段实现。

最后一组更应附带一个限定说明，而不是直接比较。Molmo2-4B 的 36,864 是一个序列长度预算，其视频流水线会很快耗尽它：已发布的视频预处理器默认以 2 fps 处理 384 帧，调整大小为 378×378，并采用 3×3 池化。一段长视频仅帧本身就可能占满整个窗口，几乎不给问题留出空间。LFM2.5-VL-3B 的 32,768 则用于文本和图像块，因为它根本没有视频处理路径。

视频才是分水岭，而非基准测试表

LFM2.5-VL-3B 处理文本和图像。这就是它全部的输入范围。它非常擅长其设计用途——带布局标注的全页 OCR、基于自然语言查询的目标检测、屏幕读取，以及在设备上近乎实时地工作——但视频并不在它的输入之列，再多的提示词工程也改变不了这一点。

Molmo2-4B 则是反过来构建的。Ai2 的模型卡列出了九个训练集，其中五个是视频或多图像：视频描述问答、视频字幕问答、视频指向、视频跟踪、多图像问答、多图像指向。指向输出才是不同寻常的部分。坐标会按图像宽度和高度的 0–1000 缩放返回，采用一种带标签的格式，模型卡还为此附带了正则表达式，因此“船在哪里”的答案是一个数值点，而不是一句话。同一格式在视频模式下还携带时间戳，这正是帧级跟踪得以实现的原因。

如果你的任务是截图、扫描页、货架或菜单的照片，这些都不重要，3 GB 模型就是更好的工程选择。如果你的任务是“找到板条箱从托盘上掉落的瞬间”，LFM2.5-VL-3B 根本无法参与比较。

两个不得彼此相减的供应商平均值

大多数对比页面出错的地方就在这里。Liquid 报告称，LFM2.5-VL-3B 在包含 28 项基准的视觉表格中平均得分为 69.4。AI2 报告称，Molmo2-4B 在 15 项学术基准上平均得分为 62.8。把这两个数字并排放在一起，LFM2.5-VL-3B 看起来要高出 6.6 分。但这并不是有效的比较：基准集不同、提示格式不同、解码设置不同，而且 Liquid 所用的还是一套由其作者自己挑选的测试套件。

每个供应商实际报告的内容，并附上来源出处：

• LFM2.5-VL-3B，厂商报告数据——DocVQA 91.1，RefCOCO-avg 87.9，CountBenchQA 87.3，OCRBench v1 84.2，TextVQA 84.3，MMBench 81.0，SEED-Bench 图像 77.7，ScreenSpot-v2 Web 82.2，MMStar 63.3，MMMU 48.4，MMMU-Pro 30.5，MathVista mini 68.5。

• Molmo2-4B，厂商报告数据——在 15 项学术基准上平均得分 62.8，而同一表格中 8B 版本为 63.1，Qwen3-VL-4B 为 58.1，InternVL3.5-4B 为 53.4，Claude Sonnet 4.5 为 59.6，Gemini 3 Pro 为 70.0，GPT-5 为 70.6。

• 两家厂商均未在任何地方报告——这是一套共用的评测框架。两家公司都没有公布 Molmo2-4B 在 Liquid 的 28 项基准测试套件上的结果，也没有公布 LFM2.5-VL-3B 在 AI2 的 15 项基准测试表格上的结果。

唯一真正可比的维度是模型规模；在这方面，4.85B 模型在 AI2 自己的平均值上胜过 3.12B 模型，但在部署占用方面明显落败。这就是取舍，直白地说。

许可证：看起来两者都不是 Apache-2.0

两张卡都带有听起来很宽松的标签，而两者都有一个采购审查人员会发现的问题。

• Molmo2-4B——权重采用 Apache 2.0 许可，但模型卡补充说明，该模型“基于受学术及非商业研究用途限制的第三方数据集训练”，并提示你在决定该模型是否适用前先审查数据来源。权重是开放的；数据来源在商业使用上并不干净，而 Ai2 把这一点写在模型卡上，而不是藏在脚注里。

• LFM2.5-VL-3B — 采用 LFM 开放许可证 v1.0，该许可证并非 OSI 许可证。商业使用是有条件授予的：第 5 条将商业权利取决于你的法律实体是否保持在规定的阈值以下，而该许可证将这一阈值定义为年收入达到或超过 1000 万美元。

对于一项与研究相关的发布来说，这两种限制都不罕见。两者都意味着，“我们能不能发布这个”这个问题，对于一个两人原型项目和一个已获融资的公司会有不同的答案，而这两个答案会因你选择的是哪个模型而指向相反的方向。

今天运行其中任意一个

Molmo2-4B 自己的模型卡现在已经被这个库甩在后面了。它仍然指示你安装 transformers==4.57.1、传入 trust_remote_code=True，并安装 molmo_utils 和 decord2。这套做法是可行的。但它也不再是唯一的选择：自 v5.20.0 起，原版 Transformers 就自带了一个 Molmo2ForConditionalGeneration 类，配有它自己的配置、图像处理器、视频处理器和处理器，因此远程代码路径是可选的，而非必需的。vLLM 在发布后不久就通过它自己的模型类提供了 Molmo2 支持；AI2 的平台文档仍然指向 nightly wheel，而不是稳定版本，在你在生产环境中固定版本之前，这一点值得了解。

LFM2.5-VL-3B 在两者中拥有更成熟的部署方案，而且优势明显：原生权重加上 GGUF、ONNX 和 MLX 导出，llama.cpp、vLLM 和 SGLang 均被列为支持，并且在三种不同的消费级硬件上公布了吞吐量。如果你的目标是笔记本电脑、手机或单板计算机，那么这个生态系统就是产品本身。

给任何计划在两者之间进行路由的人一个实用提醒：这两个模型都不在 OrcaRouter 的目录中，把这样的比较理解为可用性声明是不对的。该平台确实提供的是 一个 API 接入 200 多个模型，并支持像这两个模型一样的自托管部署，具备自动故障转移，且按提供商自己的标价原样透传、不加价。常见模式是：将对延迟敏感的路径保留在本地的小型视觉模型上，把更难、更少见的请求路由出去——并在做出选择之前用真实流量验证这种拆分。

该选哪一个

如果部署目标是手机、笔记本电脑或边缘设备，如果输入是截图、文档或单张照片，如果你需要亚秒级的首 token 延迟，或者如果你需要它已有的某种量化格式，就选择 LFM2.5-VL-3B。16 种语言覆盖和 ScreenSpot-v2 的数据使其成为设备端屏幕理解方面一个站得住脚的选择。

如果视频处理在范围内，如果你需要坐标而非文字描述，如果你需要对一组帧进行多图像推理，或者如果任务是统计场景中的物体数量，请选择 Molmo2-4B——AI2 自己的对比将 Molmo2 系列列为开放权重模型在视频计数方面的第一名，同时承认其评估中没有任何模型达到 40% 的准确率。要为资源占用做好预算：19.42 GB 的 float32 权重、服务前转换为 bfloat16，以及使用 GPU 而非手机。

真正能妥善解决这个问题的，是在同一套测试框架上、在相同的量化条件下进行联合评估，并在同一设备上测量延迟。两家厂商都没有公布过这样的结果，而在有人做出来之前，诚实的答案是：这两个模型是为不同的任务设计的，那些基准测试本来就不是为了相互比较而设的。