Molmo2-4B 對決 LFM2.5-VL-3B：19 GB 的權重對上 3 GB 的手機

把兩個檢查點並排放在磁碟上，這場比較還沒開始就幾乎結束了。Molmo2-4B 以 19.42 GB 的 float32 safetensors 形式推出，分成四個分片。LFM2.5-VL-3B 的原生儲存庫總計 6.27 GB，而 Liquid 自家的說明卡承諾它能在「低於 3.3 GB 記憶體」下執行。一旦你將較小的模型量化，對於兩個常被拿來討論、彷彿是可互換的小型視覺語言模型而言，這大約是六比一的佔用空間差距。它們不可互換，而原因不在品質。其中一個是為了回答關於 384 幀影片的問題而打造。另一個則是為了回答關於一支關掉無線電的手機上照片的問題而打造。這兩個模型都沒有託管在這裡，因此平台的角色是周邊的技術堆疊。0% 加價定價供應商的標價會原樣傳遞。

兩個模型都不是新的，若你是從暗示相反的結果頁面來到這裡，這一點很重要。Molmo2-4B 由 Allen Institute for AI 於 2025 年 12 月 11 日發布，其權重於 12 月 14 日上線。LFM2.5-VL-3B 則由 Liquid AI 於 2026 年 8 月 12 日推出。最近改變的事情比一次發布更狹窄、也更有用：Molmo2 成為上游 Transformers 中的一級架構，PR #43451 於 2026 年 10 月 9 日合併，模型首次隨 v5.20.0 於 10 月 15 日推出，終結了過去必須傳入 trust_remote_code=True 並安裝獨立 molmo_utils 套件的時期。11 月 5 日，Ai2 還發布了 Molmo2-4B-tb，這是基於這個完全相同檢查點打造的機器人微調版本。這兩件事都沒有讓 Molmo2-4B 變成新的。但兩者都讓它現在才真正便於運行。

記憶問題，用數字而非形容詞

先談尺寸，因為在參考任何一項基準測試之前，它們就已決定大多數的部署。

• 參數 — Molmo2-4B 為 4,850,869,200，分布於 SigLIP 2 視覺塔與 Qwen3-4B-Instruct-2507 語言核心；LFM2.5-VL-3B 為 3,123,483,888，分布於 SigLIP2 NaFlex 400M 編碼器與 2.6B LFM2.5 主幹。

• 發布權重格式 — Molmo2-4B 以 float32 形式發布，磁碟佔用 19.42 GB，共分為四個分片；LFM2.5-VL-3B 以 bfloat16 形式發布，大小為 6.27 GB，並同步發布官方 GGUF、ONNX 與 MLX 匯出版本。

• 標稱執行期記憶體佔用——Liquid 聲稱 LFM2.5-VL-3B 在推論時低於 3.3 GB；AI2 並未公布 Molmo2-4B 的執行期記憶體數字，而 float32 的發行版本意味著你在部署前得先進行型別轉換。

• 吞吐量 — Liquid 報告在 Apple M5 Max 上達到每秒 228 個 token，在 AMD Ryzen AI Max+ 395 上達到每秒 116 個 token，在 Galaxy S26 Ultra 上達到每秒 20 個 token。Molmo2-4B 在任何規模下都沒有對應的公開數據。

• 上下文 — LFM2.5-VL-3B 為 32,768 個 token；Molmo2-4B 的文字設定則有 36,864 個位置，是透過 384 幀的專用長上下文微調階段達成的。

最後那一組與其說是比較，不如說需要附帶一項但書。Molmo2-4B 的 36,864 是序列長度預算，而它的影片管線很快就會把這筆預算消耗掉：已釋出的影片預處理器預設在 2 fps 下處理 384 幀，並調整為 378×378、採用 3×3 池化。一段長片段光是在幀數上就可能耗盡整個視窗，幾乎沒留下提問的空間。LFM2.5-VL-3B 的 32,768 則花在文字與影像區塊上，因為它根本沒有影片處理路徑。

影片才是分界線，而不是基準測試表

LFM2.5-VL-3B 處理文字與圖像。這就是它全部的輸入範圍。它非常擅長其設計用途——帶版面標註的全頁 OCR、依自然語言查詢進行物件偵測、螢幕閱讀，以及在裝置上近乎即時地運作——但影片並不在它的輸入之列，再多的提示工程也改變不了這一點。

Molmo2-4B 則是以相反的方式打造。Ai2 的模型卡列出九個訓練集，其中五個是影片或多影像：影片字幕問答、影片字幕問答、影片指向、影片追蹤、多影像問答、多影像指向。指向輸出是較不尋常的部分。座標會以影像寬高 0–1000 的比例回傳，並採用模型卡附有正規表達式的標記格式，因此「船在哪裡」的答案會是數值座標點，而非一句話。同一格式在影片模式下會帶有時間戳，這正是讓影格級追蹤得以實現的關鍵。

如果你的任務是螢幕截圖、掃描頁面、貨架或菜單的照片，那些都不重要，而 3 GB 模型就是更好的工程選擇。如果你的任務是「找出木箱從棧板上掉落的瞬間」，LFM2.5-VL-3B 根本無法納入比較。

兩個不得相互相減的供應商平均值

大多數比較頁面出錯的地方就在這裡。Liquid 報告 LFM2.5-VL-3B 在 28 項基準的視覺表中平均為 69.4。AI2 報告 Molmo2-4B 在 15 項學術基準上平均為 62.8。把這兩個數字並排印出來，LFM2.5-VL-3B 看起來就高出 6.6 分。這不是有效的比較：基準集不同、提示格式不同、解碼設定不同，而且 Liquid 的案例中，還是其作者自己挑選的套件。

每個廠商實際報告的內容，並附上來源出處：

• LFM2.5-VL-3B，廠商回報 — DocVQA 91.1、RefCOCO-avg 87.9、CountBenchQA 87.3、OCRBench v1 84.2、TextVQA 84.3、MMBench 81.0、SEED-Bench 圖像 77.7、ScreenSpot-v2 Web 82.2、MMStar 63.3、MMMU 48.4、MMMU-Pro 30.5、MathVista mini 68.5。

• Molmo2-4B，廠商回報的數據——在 15 項學術基準上的平均分為 62.8，相比之下，同系列的 8B 模型為 63.1，Qwen3-VL-4B 為 58.1，InternVL3.5-4B 為 53.4，Claude Sonnet 4.5 為 59.6，而同一表格中 Gemini 3 Pro 為 70.0，GPT-5 為 70.6。

• 兩家廠商都沒有在任何地方報告過——這是一套共用的評測框架。兩家公司都未曾公布 Molmo2-4B 在 Liquid 的 28 項基準測試套件上的結果，也未曾公布 LFM2.5-VL-3B 在 AI2 的 15 項基準測試表中的結果。

唯一真正可比較的軸線是模型規模；在這點上，4.85B 模型在 AI2 自家的平均成績上勝過 3.12B 模型，但在部署佔用資源上明顯落敗。這就是取捨，直白地說。

授權條款：看起來兩者都不是 Apache-2.0

兩張卡都帶有聽起來很寬鬆的標籤，而且兩者都有一個採購審查人員會發現的陷阱。

• Molmo2-4B — 權重採用 Apache 2.0 授權，但模型卡補充說明，該模型「是以僅限學術與非商業研究使用的第三方資料集訓練而成」，並提醒你在判斷該模型是否合用之前，先檢視這些資料來源。權重是開放的；但資料溯源對商業使用而言並不乾淨，而 Ai2 是把這件事寫在模型卡上，而非藏在註腳裡。

• LFM2.5-VL-3B — 採用 LFM 開放授權條款 v1.0，這並非 OSI 授權。商業使用是有條件授予的：第 5 條規定，商業權利取決於您的法律實體維持在特定門檻之下，而該授權將此門檻定義為年營收達一千萬美元或以上。

這兩項限制對於研究相關的發布來說都不罕見。兩者都意味著，「我們能不能推出這個」這個問題，對一個兩人原型項目和一家有資金挹注的公司會有不同的答案，而這兩個答案會依你選擇的模型而指向相反的方向。

今天執行其中任何一個

Molmo2-4B 自己的模型卡現在已落後於函式庫。它仍指示你安裝 transformers==4.57.1、傳入 trust_remote_code=True，並安裝 molmo_utils 和 decord2。這套做法可行。它也不再是唯一的方法：自 v5.20.0 起，標準 Transformers 已內建 Molmo2ForConditionalGeneration 類別，並附帶自己的組態、影像處理器、視訊處理器和處理器，因此遠端程式碼路徑變成選用而非必要。vLLM 在推出後不久便已透過自己的模型類別支援 Molmo2；AI2 的平台文件仍指向 nightly wheel，而非穩定版本，在生產環境固定版本前值得留意。

LFM2.5-VL-3B 的部署方案比另一款成熟得多，而且差距懸殊：它提供原生權重，另有 GGUF、ONNX 和 MLX 匯出格式，llama.cpp、vLLM 和 SGLang 都列為支援項目，並公布在三種不同消費級硬體上的吞吐量。如果你的目標裝置是筆電、手機或單板電腦，那麼這個生態系就是產品本身。

給任何打算在兩者之間進行路由的人一個實用提醒：這兩個模型都不在 OrcaRouter 的目錄中，而把這樣的比較解讀為可用性聲明會是錯誤的。一個 API 就能存取超過 200 個模型，並可搭配像這兩個模型一樣的自架部署，具備自動容錯移轉，且供應商自身的定價會原樣傳遞、不額外加價。常見做法是將小型視覺模型留在本地，用於對延遲敏感的路径，並把更困難、更罕見的請求路由出去——並在決定採用任一方案之前，用真實流量驗證這樣的分流。

該選哪一個

若部署目標是手機、筆記型電腦或邊緣運算盒，若你的輸入是螢幕截圖、文件或單張照片，若你需要次秒級的首個 token 延遲，或若你需要它既有的量化格式，就選擇 LFM2.5-VL-3B。16 種語言的涵蓋範圍與 ScreenSpot-v2 的數據，讓它成為專門用於裝置端螢幕理解時站得住腳的選擇。

如果影片是任務範圍的一部分、如果你需要的是座標而非文字敘述、如果你需要對一組影格進行多影像推理，或者任務是計算場景中的物件數量，就選擇 Molmo2-4B——AI2 自家的比較將 Molmo2 系列置於開放權重領域影片計數的頂端，同時承認在其評估中沒有任何模型達到 40% 準確率。請為資源佔用做好預算：19.42 GB 的 float32 權重、在提供服務前轉換為 bfloat16，以及使用 GPU 而非手機。

要妥善解決這個問題，應該在同一套測試框架上進行聯合評估，採用相同的量化設定，並在同一台裝置上測量延遲。兩家廠商都沒有公布這樣的評估；在有人這麼做之前，誠實的答案是：這兩個模型是為不同的工作而設計的，而那些基準測試原本就不是拿來互相比較的。