LFM3-VL-2B 對比 North Micro Vision Instruct：兩款文件讀取器，一道授權高牆

準確率差距介於LFM3-VL-2B與North Micro Vision Instruct之間確實存在，但幅度不大：在 DocVQA 上約 4.6 分，在 OCRBench 上約 7.1 分，兩者方向一致。真正決定部署與否的差距根本不是基準測試。North Micro Vision Instruct 以 Apache 2.0 授權發布。LFM3-VL-2B 以 LFM Open License v1.0 授權發布，該授權僅在貴實體年營收低於 1,000 萬美元時才允許商業使用。

兩個模型都很小，兩者都是開放權重，且兩者都是為了閱讀頁面而打造，而非用來閒聊照片。其中一個於 2026 年 8 月發布，已有兩個月的下載與移植紀錄。另一個於 10 月 19 日出現在 Hugging Face，於 10 月 27 日正式發布，並有 255 次下載。因此，這項比較一部分是基準測試問題，一部分是你能承受哪種風險的問題：一個未經證實的模型，還是一個未經授權的模型。

每個模型實際上究竟是什麼

LFM3-VL-2B 是 Liquid AI 的 1.92B 稠密模型：包含 1.73B 語言主幹、164M 自研視覺編碼器（其建構目標是運算量約為 SigLIP2 的三分之一），以及 25M 投影器。它能接收文字、影像與 2 fps 的影片，輸出文字，支援思考模式，具備 128K 上下文，並涵蓋 16 種語言。該儲存庫包含 BF16、GGUF、MLX 4 位元與 ONNX 版本，不過 llama.cpp 支援仍在審查中，且尚無影片處理路徑。

North Micro Vision Instruct 是 Cohere Labs 的 2.4B 模型：具備來自 North Micro 系列的 2B 語言主幹，加上約 400M、延續自 SigLIP2 SO400M 的編碼器，並配備 DeepStack 風格的投影器。它會以原生解析度接收交錯的文字與圖像，最高可達 1654×2339（200 dpi 的整頁 A4），並輸出文字。其語言模型具備 128K 上下文，但 Cohere 表示多模態訓練僅驗證至 8K。Apache 2.0 授權，262K 詞彙表，11 至 12 種語言。

那些規格看起來很像，但其實不然。128K 上下文是模型所能關注的 token 數量上限。原生解析度輸入則是一開始就不對頁面做縮放的決定。對於角落帶有表格的掃描發票，後者比前者更重要。

文件中的數字，應帶著適當的保留來解讀

在兩張卡共同公布的基準測試中，LFM3-VL-2B 領先：

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

• OCRBench — 86.3 對 79.2。

• ChartQA — 92.7 對 80.8。

• AI2D — North 報告 77.5；Liquid 並未公布可直接比較的 AI2D 資料列。

• RefCOCO-avg — 90.5 對 73.2，不過這兩張卡片對這些平均值的描述方式差異夠大，因此相減的結果只是示意性的，而非精確值。

這些全都是廠商自行報告的結果，而且是在廠商自行選擇的測試框架上進行，兩個模型都沒有經過獨立重現。DocVQA 的差距很窄，窄到提示格式的差異就可能把它補上。ChartQA 的差距將近 12 個百分點，比較不可能是雜訊；而 OCRBench 的 7.1 個百分點差距，則與一個明確受過文件和圖表資料訓練、並附有推理模式的模型相符。

有意思的數字不在文件資料列上。它在 MMMU 上：LFM3-VL-2B 回報 55.7，North Micro Vision Instruct 回報 32.9。這不是微調差異；這是不同的產品。Cohere 自家的模型卡說，該模型刻意不是推理模型、不進行工具呼叫，也不鼓勵使用系統提示。它讀取頁面。Liquid 的模型卡聲稱，研究所程度的推理是 62 個量測類別之一。如果你的任務是「從這 400 張發票中擷取總額」，兩者都行。如果你的任務是「判斷這張發票是否違反政策」，只有一個是為此而打造的。

128K 說法何時開始站不住腳

LFM3-VL-2B 的 128K 上下文是較為寬裕的公布數字，但上下文長度不等同於可用的多模態上下文。模型卡並未說明一頁影像在原生解析度下會消耗多少影像 token，也沒有公布影片的最大影格數。North Micro Vision Instruct 公布的則是相反類型的數字：128K 語言上下文，且多模態訓練經驗證可達 8K。這是保守的揭露，也比一個未說明視覺預算的更大數字更有用。

無論採用哪個模型，實用的測試方法都相同：在以上下文窗口為前提進行設計之前，先用自己的文件測量每頁的 token 數。一個 128K 窗口若在你的解析度下只容得下四頁，那就算不上是 128K 的文件工作流程。

授權就是決定

Apache 2.0 就是 Apache 2.0。你可以在任何營收規模下將 North Micro Vision Instruct 用於商業用途、修改它、重新散布它並託管它，前提是保留相關聲明。這就是整份協議的全部內容，而對一家打造文件產品的新創公司來說，這消除了整整一類法律審查。

LFM Open License v1.0 並非如此。它廣義定義商業使用——「任何為直接或間接商業利益或金錢報酬而使用本作品的行為」——並以被授權方維持在年營收 1,000 萬美元門檻以下作為授權條件。超過該門檻時，商業使用「不受本協議授權」。符合資格的非營利組織就非商業及研究用途可獲豁免。允許再散布，但須標示來源並附上變更通知。我們所閱讀的授權條文並未包含另行訂定的託管限制，因此限制條件在於營收上限，而非提供服務的禁令。

那樣的上限會帶來一場尷尬的對話。一家年營收九百萬美元的公司今天可以推出 LFM3-VL-2B，卻因為成長而失去授權。模型本身並不會停止運作；停下來的是許可。對於一項有兩年路線圖的產品而言，那是盡職調查的項目，而不是可有可無的註腳。

採用落差本身就是一個訊號

North Micro Vision Instruct 自其儲存庫於 2026 年 8 月 10 日出現以來，已被下載約 35,000 次。LFM3-VL-2B 自 10 月 19 日以來有 255 次下載和 34 個讚。兩個月對上九天，這解釋了部分原因，但並非全部：10 月 27 日的 LFM3 系列發布公告是一篇涵蓋六個模型的單一部落格文章，而視覺檢查點只佔了其中一段。

低調發布不一定是糟糕的發布。一個沒有發布定價、沒有託管供應商，且框架支援仍在審核中的模型，就是得靠你自己的硬體來評估的模型；下載量偏低，大多只代表還沒有人這麼做。這也意味著沒有社群量化、沒有滿是修正的問題追蹤器，也沒有第三方基準測試可以依靠。North Micro Vision 這三者都有。

每一項各要多少錢，就看大家願意透露到什麼程度。

這兩款模型都沒有在其模型卡上公布 API 價格。North Micro Vision Instruct 可透過 Cohere 的平台取得，並已被多家第三方託管商採用；LFM3-VL-2B 可在 Liquid's Playground 和 API 上使用，但沒有費率表，而 Hugging Face 也未列出其推論供應商。在自有硬體上，比較的是 2.4B 參數對 1.92B，或 BF16 下約 4.8 GB 對 3.84 GB——差距小到 GPU 成本並非決定性因素。

決勝因素已經上線。如果你選擇租用託管視覺模型，而不是自行擁有任一個檢查點，OrcaRouter 會以 0% 加價轉嫁供應商牌價，因此廠商價格一有變動，當天就會反映在我們這邊，而不是等到下一次合約續約。我們目前不提供 LFM3-VL-2B 或 North Micro Vision Instruct，本文也沒有聲稱相反；重點在於，託管替代方案的定價透明到足以與上述自架設的成本試算相比較。

誰應該選哪個？

選擇 North Micro Vision Instruct，如果您需要 Apache 2.0、想要一個已有兩個月社群使用經驗的模型，或您的文件是原生解析度的整頁內容且任務僅止於擷取。請接受它不會跨擷取出的欄位進行推理。

若你需要影片輸入、思考模式，或一個恰好很擅長閱讀文件的更廣泛視覺助理，且你的營收穩穩低於門檻，或能協商另行授權，就LFM3-VL-2B。請接受你將是這個檢查點的早期採用者，它尚未有獨立評估，且框架支援不完整。

兩者都別選；不過，如果你的工作流程需要附帶支援合約的收費託管端點。小型開放權重層級正快速進步，但最新加入者在僅有 255 次下載的情況下，尚未經過其實驗室以外任何人的壓力測試。