ghfind puso a MiniCPM-V 4.7 detrás de sus críticas mordaces de GitHub — y sus propios documentos discrepan sobre qué cambia eso

Scroll to the bottom of ghfind.com and there is a small line that did not used to be there: Model sponsor, a MiniCPM mark, and a link out to modelbest.cn. The model behind that mark is MiniCPM-V 4.7, OpenBMB's vision-language release from October 12, 2026. For a product whose entire pitch is a reproducible 0–100 "value and trust" score for any GitHub account, a model sponsorship is not a cosmetic detail — it is a question about what the model is allowed to touch. And ghfind's own documentation gives two different answers to that question. The documented AI failures and agent incidents behind releases like this one are collected in the OrcaRouter AI Incident Archive where each entry carries its own sources, severity, confidence grade and disputed flag.

Esa es la historia que vale la pena escribir, porque la versión superficial —"un sitio que hace roastings a GitHub cambió de modelo"— es una nota de prensa. La versión de fondo trata de un producto de puntuación que tiene que convencer a la gente de que su número no son meras intuiciones, al mismo tiempo que adopta un modelo de lenguaje.

Lo que la página muestra realmente y lo que no.

La franja de patrocinio es real y visible en la página de inicio pública en inglés. Está junto a otros dos controles: una opción de usar tu propio modelo / clave de API, y espacios de logotipo vacíos marcados con Tu logotipo aquí. Así que la estructura que ghfind está anunciando no es "nuestro modelo, obligatorio" — es un patrocinador predeterminado más una vía de escape para usar tu propia clave, lo cual es un diseño razonable para un producto que gasta crédito de modelo en cada roast.

Three things that get repeated about this change are not on the page. First, ghfind publishes no traffic figure anywhere on the site, so any number describing its daily visits is coming from somewhere other than ghfind. Second, the phrase "main model" is not ghfind's — the page says Model sponsor. Third, and most usefully, the open-source repository still ships a different default entirely: its .env.example configures the roast LLM against StepFun's step-3.7-flash, with a D​eepSeek fallback for the case where the primary provider drops or rate-limits before any text streams. Anyone self-hosting ghfind from source gets that configuration, not a MiniCPM endpoint.

Así que la afirmación precisa es acotada y más interesante que la general: en el producto alojado, MiniCPM es el patrocinador nombrado del modelo. En el código abierto, no es el predeterminado. Son afirmaciones distintas y solo la primera está respaldada por lo que un lector puede ver.

El producto, antes que el modelo

ghfind es una aplicación Next.js, AGPL-3.0, con unas 260 estrellas en GitHub, y con pushes continuos a lo largo de la semana en que se escribió esto. Su núcleo no es en absoluto un LLM. Un motor determinista en TypeScript —portado línea por línea desde una skill de Python de código abierto llamada github-account-value, con pruebas de paridad que mantienen bloqueadas ambas implementaciones entre sí— lee datos públicos de GitHub y genera una puntuación en seis dimensiones ponderadas: madurez de la cuenta, calidad de los proyectos originales, calidad de las contribuciones, impacto en el ecosistema, influencia en la comunidad y autenticidad de la actividad. Diez señales de alarma por comportamiento de farming restan de esa puntuación, con mayor peso para las señales caras de falsificar, como las pull requests fusionadas en repositorios que la cuenta no posee, y menor peso para las señales baratas de comprar, como las estrellas y los seguidores.

El objetivo fundamental de ese diseño es la auditabilidad. Dados la misma cuenta de GitHub y la misma fecha de recopilación, se supone que el número debe ser el mismo siempre, para todos. Eso es lo que hace que una puntuación sea útil para algo como clasificar una cola de issues, algo que ghfind también hace mediante una GitHub App que etiqueta los issues entrantes con la banda del autor.

El punto donde entra el modelo está aguas abajo: convertir un resultado fijo en una frase de roast, un conjunto de etiquetas y un informe escrito. Esa es la parte que los usuarios capturan y comparten, y es la parte a la que un patrocinio se asociaría de forma natural.

La contradicción que vale la pena notar

Aquí es donde los dos documentos se separan.

El README del repositorio describe dos pasadas separadas de LLM: un juez de hechos puede aplicar una calibración acotada de ±10; luego, un redactor convierte el resultado fijo en etiquetas, la mejor línea de roast y el informe. El redactor no puede cambiar la puntuación. Lee esa frase dos veces. Al redactor se le prohíbe explícitamente mover el número, y al juez se le permite explícitamente moverlo hasta diez puntos —en una escala de cien puntos, eso es una décima parte de todo el rango—.

El propiollms.txt, escrito para agentes y máquinas, dice algo más contundente: un motor totalmente determinista… Las mismas entradas siempre producen la misma puntuación; ningún LLM toca el número.

Ambas cosas no pueden ser ciertas a la vez. O la pasada del juez existe en la ruta predeterminada y el límite de ±10 es real, en cuyo caso la puntuación es determinista salvo por una calibración dependiente del modelo — o el juez no está en la ruta predeterminada y el README describe un modo opcional. Lo que no está en disputa es que el propio texto del repositorio contempla que un modelo tenga una influencia acotada sobre el número, mientras que la descripción legible por máquina de cara al público dice que no tiene ninguna.

Esto importa más, no menos, porque ahora se nombra en la página a un patrocinador del modelo. Si un modelo puede mover una puntuación diez puntos, entonces qué modelo está haciendo la evaluación es una pregunta que un usuario tiene derecho a hacer — no porque alguien esté haciendo trampa, sino porque las afirmaciones de reproducibilidad son tan sólidas como su excepción documentada más débil. Un producto que publica una página de metodología les debe a sus lectores una frase que aclare cuál de sus dos descripciones es la vigente.

¿Por qué un modelo de visión, para un producto de texto?

La elección de un modelo multimodal para un sitio de puntuación de GitHub parece extraña hasta que uno mira lo que realmente se le entrega al modelo. A MiniCPM-V 4.7 no se le pide leer repositorios; se le pide leer un prompt. Los modelos de visión-lenguaje se usan cada vez más como jueces generales baratos porque están entrenados con entradas intercaladas y suelen seguir bien las instrucciones de salida estructurada, y porque un único modelo que también puede aceptar una captura de pantalla resulta útil en el momento en que un usuario pega una captura de perfil en un flujo de soporte.

También hay una lógica de costes. La variante 35B-A3B activa aproximadamente tres mil millones de parámetros por token en una mezcla de 256 expertos, y la variante 1B es un modelo denso lo bastante pequeño como para ejecutarse en un teléfono. Para un producto cuyo pase de tueste se activa en cada escaneo de perfil, un modelo que puedes servir a bajo coste —o ejecutar tú mismo— es una propuesta económica distinta de una llamada a una API de frontera por cada tueste. Esa es la misma razón por la que el sitio ofrece una vía de «trae tu propia clave»: la factura del modelo escala con el tráfico, y el tráfico es lo que un sitio de puntuación intenta hacer crecer.

Si estás construyendo ese tipo de pipeline por tu cuenta —un núcleo determinista con una capa de narración respaldada por modelos por encima—, la pregunta operativa es para cuántos proveedores quieres tener claves. OrcaRouter pone más de 200 modelos alojados detrás de un único endpoint compatible con OpenAI con un 0 % de margen, con el precio de lista de cada proveedor transferido directamente y conmutación por error automática cuando un proveedor se degrada; su DSL de enrutamiento puede enviar la pasada del juez barato y la pasada del escritor más cara a modelos distintos dentro de una misma llamada. Un límite honesto: MiniCPM-V 4.7 no está en nuestro catálogo, así que si es el modelo que quieres, tienes que acudir a la plataforma propia de OpenBMB para conseguirlo. El enrutador es la parte que mantiene caliente una ruta de respaldo cuando un único endpoint patrocinado es lo único que se interpone entre tú y una caja de tueste vacía.

Qué es realmente MiniCPM-V 4.7, a partir de esta semana

El lado del modelo merece la misma precisión. El repositorio de OpenBMB contiene una entrada de noticias fechada el 2026-10-12 con el texto «Lanzamiento de MiniCPM-V 4.7», y los repositorios de Hugging Face se crearon en los días previos —el 6 de octubre para el 1B y el 7 de octubre para el 35B-A3B—, que es el aspecto que tiene una carga de pesos por etapas. La tarjeta del modelo llegó después. Una segunda entrada de noticias, el 2026-10-15, anunció cabezas de decodificación especulativa DSpark en BF16 y GGUF para ambos tamaños.

• Tamaños — mezcla dispersa de expertos 35B-A3B con 35,21 mil millones de parámetros totales, y una variante densa de 1B con 1,55 mil millones

• Licencia — Apache 2.0 en ambos, pesos descargables, sin acceso restringido

• Contexto — 262.144 tokens en ambas variantes

• Arquitectura: 256 expertos con 8 activos por token en el modelo de 35B; un patrón de atención lineal-completa de 3:1 a lo largo de 40 capas; torre de visión con ancho oculto de 1152 y teselas de entrada de 980 píxeles

• Cuantización — compilaciones GGUF, bitsandbytes, AWQ, GPTQ, FP8 e int4 publicadas junto con los pesos BF16

• Servicio — SGLang, vLLM, llama.cpp y Ollama figuran como compatibles; Ollama cuenta con una entrada oficial.

• Afirmaciones del proveedor: 13+ tokens por segundo con unos 3 GB de memoria en un iPhone 17 Pro Max, y una aceleración de 5× en el dispositivo gracias a Lookahead Expert Scheduling

• Distribución — aproximadamente 95.000 descargas mensuales en el repositorio 35B-A3B y 46.000 en el 1B, con alrededor de 1.079 y 398 me gusta

Todo en esa lista se puede verificar a partir de la tarjeta y el archivo de configuración. Lo que aún no está disponible es una evaluación independiente. El catálogo de modelos de Artificial Analysis no tiene entrada para ninguna de las dos variantes de MiniCPM-V 4.7 a la fecha de este texto, por lo que la cifra de 13 tokens por segundo, la aceleración de 5× y la afirmación de que 35B-A3B «logra una puntuación general más alta en menos tiempo de inferencia que Qwen3.6 35B-A3B» son todas declaradas por el proveedor y no reproducidas. Eso es normal para un modelo de ocho días de antigüedad, y es la razón para tratar la ubicación del patrocinador como una señal sobre la estructura de costos de ghfind en lugar de una señal sobre la calidad del modelo.

La parte que nadie puede verificar todavía

Lo que vuelve a unir las dos mitades de esta historia. La credibilidad de ghfind se apoya en un número que, según afirma, es reproducible. La credibilidad de MiniCPM-V 4.7 se apoya en unos benchmarks que su proveedor publicó hace una semana. El patrocinio los une sin ninguna evidencia publicada sobre cómo se comporta el modelo como juez: ni una tasa de concordancia con evaluadores humanos, ni una medición de deriva entre versiones del modelo, ni una declaración sobre si cambiar al patrocinador alteraría la puntuación de alguien.

Todas esas son cosas baratas de publicar y caras de que te pregunten por ellas más adelante. La medición concreta que lo resolvería es una prueba de re-puntuación: tomar una muestra fija de cuentas, ejecutar el pipeline con la pasada del juez activada y desactivada, e informar la distribución de la diferencia. Si se agrupa en cero, el ±10 es una barandilla de seguridad que nadie toca y la frase «ningún LLM toca el número» es efectivamente cierta. Si se dispersa, la calibración está haciendo un trabajo real y la página de metodología debe decirlo.

Hasta entonces, la lectura honesta es esta. ghfind es un puntuador determinista bien construido, con una separación inusualmente clara entre su cifra y su prosa, y ahora tiene un patrocinador de modelo con nombre cuyo papel en el pipeline está documentado de forma inconsistente entre sus propios archivos. MiniCPM-V 4.7 es un lanzamiento multimodal real, con licencia Apache y genuinamente ligero en memoria, que llegó hace ocho días con una model card, un seguimiento de DSpark y ningún benchmark independiente. Ninguno de esos hechos es un escándalo. Ambos son el tipo de cosa que solo se nota cuando se lee el repositorio en lugar de la página de inicio, lo cual, para un producto que puntúa el trabajo de otras personas, es lo mínimo que puede hacer un lector.

Cómo comprobar tu propia puntuación, de forma concreta

Si tienes un perfil en el sitio, la ruta determinista es la que debes probar. ghfind expone un endpoint de puntuación que no requiere autenticación ni llamada a modelo, y la habilidad de puntuación subyacente es de código abierto, así que el número que obtienes de la API y el que obtienes del sitio deberían coincidir. Si no coinciden, la diferencia se debe al momento de recopilación —el sitio almacena en caché durante un día— o a la pasada de calibración, y esos casos se distinguen preguntando si la diferencia es estable en ejecuciones repetidas.

Para cualquiera que construya una herramienta similar, la lección arquitectónica de ghfind vale más que la noticia sobre el modelo: mantén el número en el código, mantén la prosa en un modelo y haz que el límite entre ambos sea lo bastante explícito como para que un lector pueda inspeccionarlo. El modo de fallo no es usar un LLM. El modo de fallo es documentar el límite en dos lugares y dejar que las dos descripciones se desvíen.

Lo siguiente que hay que observar es limitado. ghfind tiene un registro de cambios público y un repositorio que se actualiza casi todos los días, así que una nota metodológica que concilie la calibración de ±10 con la línea de «no LLM» aparecería rápidamente. Del lado del modelo, el primer benchmark independiente de MiniCPM-V 4.7 —o el primer informe de cuánto cuesta por tueste a volumen— es la cifra que convertiría un patrocinio en un punto de debate. Ninguno existe todavía. Ambos están a una publicación de distancia.