Molmo2-4B vs. MiniCPM-V 4.7: Keines der Modelle ist dort einzuordnen, wo du es vermutest

Die im Titel genannte Gegenüberstellung existiert in den Gewichten nicht. Molmo2-4B ist ein einzelner 4,85B-Checkpoint. MiniCPM-V 4.7 ist nicht ein Modell, sondern zwei, und keines davon ist ein 4B: eine dichte 1,55B-Variante für Smartphones und eine 35,2B-Mixture-of-Experts-Variante mit rund 3B aktiven Parametern und einem 262.144-Token-Kontext. Wer also nach „Molmo2-4B vs MiniCPM-V 4.7“ sucht, stellt in Wahrheit eine Frage mit drei Optionen – lohnt es sich überhaupt, den 4B-Platz zu besetzen, oder geht man für den Platzbedarf auf 1B herunter oder für die Leistungsfähigkeit auf das MoE herauf? Das ist eine nützlichere Frage als die getippte, und sie hat eine klarere Antwort. Eine Entscheidung zwischen drei Modellen ist zuerst ein Routing-Problem und erst danach ein Modellierungsproblem. Die Routing-DSL kombiniert mehrere Modelle in einem Aufruf statt eines Vertrags pro Modell.

Auch die Daten spielen hier eine Rolle, denn beide Modelle werden häufig als neuer beschrieben, als sie sind. Molmo2-4B wurde am 11. Dezember 2025 vom Allen Institute for AI angekündigt, die Gewichte waren ab dem 14. Dezember auf Hugging Face verfügbar. Die Gewichte von MiniCPM-V 4.7 wurden am 6. und 7. Oktober 2026 hochgeladen, die Modellkarte folgte am 12. Oktober und eine englische Pressemitteilung von ModelBest und OpenBMB am 15. Oktober. Die jüngste Änderung auf der Molmo-Seite ist kein neues Modell: Molmo2 wurde zu einer nativen Architektur in den Upstream-Transformers, als PR #43451 am 9. Oktober 2026 zusammengeführt wurde und am 15. Oktober in v5.20.0 erschien, und am 5. November veröffentlichte Ai2 ein Molmo2-4B-Fine-Tuning für ein Robotik-Testbed. Betrachten Sie beides als Grund, das Modell erneut anzusehen. Keines von beiden ist eine Markteinführung.

Drei Kontrollpunkte, drei Positionen auf der Kurve

• Parameter — Molmo2-4B hat 4,85 Mrd.; MiniCPM-V 4.7-1B hat 1,55 Mrd.; MiniCPM-V 4.7-35B-A3B hat insgesamt 35,2 Mrd. mit etwa 3 Mrd. aktiven pro Token.

Architektur — Molmo2-4B ist ein SigLIP-2-Turm, der an Qwen3-4B-Instruct-2507 angeschraubt ist; das MiniCPM-V-4.7-Paar nutzt intra-ViT-Frühkompression aus LLaVA-UHD v4 mit gemischter visueller Token-Kompression 4x/16x, und die 35B-Variante ist das erste MoE in der MiniCPM-V-Reihe.

• Kontext — 36.864 Positionen für Molmo2-4B; 262.144 Tokens für beide MiniCPM-V 4.7-Varianten.

• Modalitäten — Molmo2-4B verarbeitet Bild, Mehrbild und Video und gibt Zeigekoordinaten im 0–1000-Bildraum aus; MiniCPM-V 4.7 verarbeitet Einzelbild, Mehrbild und Video und antwortet in Textform.

• Lizenz — Molmo2-4B steht bei den Gewichten unter Apache 2.0, wobei die Modellkarte darauf hinweist, dass seine Trainingsdaten nur für akademische und nichtkommerzielle Forschungszwecke verwendet werden dürfen; beide Varianten von MiniCPM-V 4.7 stehen unter Apache 2.0.

Verteilung — Molmo2-4B ist float32-Safetensors, 19,42 GB, vier Shards, keine offiziellen Quantisierungen; MiniCPM-V 4.7 bietet GGUF-, int4-, AWQ-, GPTQ-, FP8- und DSpark-Varianten in beiden Größen.

Die Distributionszeile ist diejenige, die über echte Projekte entscheidet. Ein Kontext von 262.144 Token ist nur nützlich, wenn man es sich leisten kann, ihn vorzuhalten, und OpenBMB hat die unglamouröse Arbeit geleistet, die quantisierten Formate zu veröffentlichen, die tatsächlich eingesetzt werden – das offizielle 1B-GGUF in Q4_K_M ist 672 MB, was der Unterschied zwischen einer Demo und etwas ist, das auf einem Gerät läuft, das man bereits besitzt.

Wo die 4B tatsächlich gewinnt

Der Fall von Molmo2-4B stützt sich auf zwei Dinge, die das MiniCPM-V 4.7-Paar nicht auf dieselbe Weise bietet: Pointing als erstklassige Ausgabe und Video-Tracking mit Zeitstempeln.

Das Pointing-Format ist ein numerischer Punkt in 0–1000-Koordinaten, eingebettet in ein Tag, für das die Model Card einen regulären Ausdruck mitliefert. Multi-Image-Pointing wird zu einer Liste von Tripeln aus Frame-Index, x, y abgeflacht. Das ist ein anderer Vertrag als „beschreibe, wo das Objekt ist“, und es verändert, was man bauen kann: Crop-Pipelines, Region-of-Interest-Follow-ups, Count-then-Verify-Schleifen und jeden Workflow, in dem eine nachgelagerte Stufe eine Koordinate statt eines Satzes braucht.

Video ist der Bereich, in den das Parameterbudget fließt. Ai2s Karte nennt Video-Captioning-QA, Video-Untertitel-QA, Video-Pointing, Video-Tracking und zwei Multi-Image-Pointing-Sets unter seinen Trainingsdaten, und der veröffentlichte Video-Preprocessor verwendet standardmäßig 384 Frames bei 2 fps in 378×378 mit 3×3-Pooling. MiniCPM-V 4.7 unterstützt Video – OpenBMB meldet LongVideoBench 68,9 für das 35B-A3B und 53,4 für das 1B –, aber auf diesem Pfad ist es ein Text-out-Modell, und ein langes Video konkurriert mit dem Prompt um dasselbe Token-Budget.

Wo MiniCPM-V 4.7 gewinnt, zweimal

Am unteren Ende der Produktpalette ist das 1B-Modell eine andere Klasse von Objekt. Mit 1,55 Mrd. Parametern ist es etwa ein Drittel so groß wie Molmo2-4B, es läuft unter llama.cpp und Ollama, und OpenBMB meldet dafür OCRBench 86,1, MathVista 74,3 und CharXiv 48,8. Das sind Herstellerangaben auf einer vom Hersteller ausgewählten Testumgebung, und so sollte man sie auch lesen – aber ein 1,55B-Modell, das glaubwürdig OCR über ganze Seiten hinweg erledigt, ist eine wirklich andere Beschaffungsentscheidung als ein 4,85B-Modell, das eine GPU benötigt.

An der Spitze des Spektrums lässt das 35B-A3B die 4B-Frage provinziell wirken. Die von OpenBMB dafür veröffentlichten Werte umfassen MMMU 80,2, OCRBench 91,2 bei 4x visuellen Tokens und 90,40 bei 16x, CharXiv 75,6, LongVideoBench 68,9, MathVerse 86,5 und MathVista 88. Es wird außerdem etwas Interessanteres als ein Benchmark behauptet: Mit Lookahead Expert Scheduling, schichtweiser Quantisierung und DSpark-Speculative-Sampling dekodiert das 35B-A3B mit 13+ Tokens/s in etwa 3 GB Speicher auf einem iPhone 17 Pro Max. Behandle das als Herstellerangabe zu einer bestimmten Toolchain und nicht als allgemeine Eigenschaft des Modells – aber wenn sie zutrifft, beseitigt sie den üblichen Grund, auf dem Gerät ein dichtes 4B-Modell zu bevorzugen.

Alle diese Angaben stammen von den Anbietern. Weder OpenBMB noch Ai2 haben Ergebnisse für ihr Modell auf der Benchmark-Suite des jeweils anderen veröffentlicht, daher ist keine Zeile oben ein direkter Vergleich.

Das Deployment-Menü ist der unterschätzte Unterschied.

MiniCPM-V 4.7 nennt SGLang, vLLM, llama.cpp und Ollama für die Inferenz, SWIFT und LLaMA-Factory für das Fine-Tuning sowie Day-0-Unterstützung für Rockchip, Houmo, Intel, AMD und Arm. Die Modellkarte von Molmo2-4B nennt Transformers mit Remote-Code, eine separate Abhängigkeit molmo_utils und decord2 für Video, und die eigenen Plattform-Dokumente von AI2 verweisen auf vLLM-Nightly statt auf die stabile Version. Die Lücke verkleinerte sich im Oktober, als native Transformers-Unterstützung in v5.20.0 Einzug hielt und die Remote-Code-Anforderung optional wurde, doch es bleibt eine Lücke: Das eine Projekt hat eine Quantisierungsmatrix, das andere ein Forschungs-Release.

Hier zeigt sich, dass Routing seinen Platz verdient und nicht nur ein Slogan ist. Ein Team, das das MiniCPM-V 4.7 1B für den günstigen Pfad auf dem Gerät und ein größeres Modell für den schwierigen Pfad möchte, braucht dafür keine zwei Verträge – die Routing-DSL kombiniert mehrere Modelle hinter einem Endpunkt, und 0 % Aufschlag bedeutet, dass der Listenpreis des Anbieters der Preis ist, den Sie zahlen, sodass eine Preissenkung des Herstellers noch am selben Tag gilt. Das ist bei einer Entscheidung zwischen drei Modellen wie dieser wichtiger als bei einem einfachen A-oder-B.

Wie man tatsächlich auswählt

Wenn die Einschränkung im Speicher liegt, nimm MiniCPM-V 4.7-1B. Nichts im Molmo2-4B-Paket kommt auch nur annähernd an 672 MB heran, und keine noch so hohe Zeigegenauigkeit macht ein Modell wett, das nicht passt.

Wenn die Vorgabe Leistung pro Dollar ist und Sie ein MoE bedienen können, nehmen Sie MiniCPM-V 4.7-35B-A3B. Nach OpenBMBs eigenen Zahlen spielt es in einer anderen Liga als jedes der beiden kleineren Modelle, und die Anzahl der aktiven Parameter hält die Kosten pro Token näher an einem 3B- als an einem 35B-Modell.

Wenn eine Koordinate gefordert ist, nehmen Sie Molmo2-4B. Punkte mit Zeitstempeln sowie Pointing und Tracking über mehrere Bilder sind die Gründe für die Existenz des Modells; nichts in der Dokumentation zu MiniCPM-V 4.7 beschreibt einen äquivalenten Ausgabevertrag.

Und wenn Sie wirklich einen Generalisten der 4B-Klasse brauchen, der Bilder, mehrere Bilder und Videos verarbeitet, ohne einen 19-GB-Float32-Download, dann ist die ehrliche Antwort, dass genau dieser Vergleich keinen bietet — Molmo2-4B ist das einzige Modell im Vergleich in diesem Slot, und es geht mit dem dünnsten Deployment-Tooling der drei ins Rennen. Was das ändern würde: ein offizielles quantisiertes Molmo2-4B oder ein MiniCPM-V der 4B-Klasse. Beides gibt es heute nicht.