MiniCPM-V 4.7 35B-A3B vs InternLumina U2: Dos naves silenciosas, dos respuestas opuestas

Ni MiniCPM-V 4.7 35B-A3B ni InternLumina-U2 se anunciaron cuando aparecieron sus pesos. Ambos son de pesos abiertos, ambos provienen de laboratorios chinos, ambos son el mayor lanzamiento multimodal que su equipo ha publicado este año, y ambos llegaron al hub sin entrada de blog, sin keynote y sin día de lanzamiento. Ahí es donde termina el parecido. MiniCPM-V 4.7 35B-A3B lee imágenes y responde en texto; InternLumina-U2 lee imágenes, responde en texto y además dibuja nuevas, las edita y renderiza activos 3D. Uno está construido para ser lo bastante pequeño como para caber en un teléfono; el otro son 16.000 millones de parámetros de investigación en difusión que no cabrían ni de lejos en uno. Leídos uno al lado del otro, no son dos entradas de la misma categoría — son dos respuestas diferentes a la pregunta de para qué sirve un modelo de visión y lenguaje, publicadas con cinco semanas de diferencia y sin que nadie estuviera mirando.

Lo que aquí puede saberse se divide con nitidez. Todo lo relativo al lado de MiniCPM que aparece a continuación proviene del repositorio, la ficha del modelo y el archivo de configuración, todos los cuales cualquiera puede leer. Todo lo del lado de InternLumina proviene de la ficha del modelo del propio laboratorio y del árbol de archivos que ha publicado; la sección de benchmarks de la propia ficha está etiquetada como «Resultados preliminares, parciales» y no incluye ninguna cifra en absoluto. Ninguno de los dos modelos ha sido evaluado de forma independiente, y nada de este artículo constituye un lanzamiento: OpenBMB no se refirió a MiniCPM-V 4.7 como un lanzamiento hasta el 12 de octubre y, por lo que se desprende del registro público, Shanghai AI Laboratory aún no ha calificado a InternLumina-U2 como tal.

Dos barcos silenciosos, separados por cinco semanas

La carpeta MiniCPM-V 4.7 apareció por primera vez en Hugging Face el 6 de octubre de 2026; el hub ahora informa una marca de tiempo de creación del 7 de octubre, y el repositorio se modificó por última vez el 12 de octubre. El repositorio InternLumina-U2 se creó el 1 de septiembre. Ninguna de las dos fechas viene acompañada de un anuncio. Pero los dos han envejecido de manera diferente desde entonces, y la diferencia es lo más útil de esta comparación.

InternLumina-U2 se lanzó el 1 de septiembre únicamente como código. Esa versión era un arnés de inferencia, un README y una promesa: los pesos eran "próximamente", el repositorio de Hugging Face contenía un único archivo .gitattributes y el informe técnico estaba marcado como de próxima publicación. Eso ya no es cierto. Ahora el repositorio contiene dos checkpoints completos específicos para hardware, uno en ascend/ y otro en nvidia/, cada uno con siete fragmentos de safetensors, su propio módulo de código remoto, un plan paralelo y un tokenizador. Los pesos llegaron sin hacer ruido y nadie actualizó la historia. Al momento de escribir esto, el repositorio tiene 16 me gusta y cero descargas registradas, y el informe técnico aún no ha salido.

MiniCPM-V 4.7 fue en la dirección opuesta. Llegó en octubre como pesos sin tarjeta de modelo —la carpeta no tenía README, ni etiqueta de licencia, ni benchmarks, que es exactamente lo que registró nuestro análisis anterior. Diez días después tiene las tres primeras cosas y sigue sin tener ninguna de las últimas: una licencia Apache-2.0, una tarjeta completa con guías de uso y una sección de afirmaciones con cifras, pero ninguna tabla de evaluación que un lector pueda citar. Así que el resumen exacto de ambos es que la documentación llegó después que los pesos, en ambos casos, sin ningún anuncio de por medio.

Qué es realmente InternLumina-U2

La ficha describe un modelo de mezcla de expertos de 16B parámetros con 1B parámetros activos —escrito como 16B-A1B—, construido como un modelo de lenguaje grande de difusión con múltiples libros de códigos. La frase que importa es «totalmente discreta»: la apuesta central de InternLumina-U2 es que el lenguaje y la visión deberían compartir un único vocabulario de tokens en lugar de residir en pilas separadas de comprensión y generación, y que el cuello de botella de los primeros modelos unificados era el propio vocabulario visual. Su respuesta es una representación visual discreta de ocho libros de códigos construida sobre AToken, que es lo que permite que los mismos pesos interpreten una imagen y sinteticen una.

El alcance es amplio por diseño: QA de texto, generación de texto a imagen de hasta 1024×1024, comprensión de imágenes sobre imágenes naturales y gráficos densos, edición de imágenes basada en instrucciones con un modo dual-CFG opcional, comprensión de vídeo sobre fotogramas muestreados y comprensión 3D sobre recursos GLB y GLTF. La ruta 3D es la excepción y la más interesante: los recursos se renderizan en vistas de color y profundidad mediante un pipeline de Blender integrado antes de la tokenización, lo que es una forma ingeniosa de reutilizar un modelo de imágenes para geometría sin enseñarle geometría.

Vale la pena señalar dos detalles de ingeniería porque son inusuales. En primer lugar, ambos checkpoints residen en un mismo repositorio, divididos por acelerador: una compilación de Ascend entrenada con NPU de Huawei y una compilación de NVIDIA entrenada con GPU. Se trata de una cobertura deliberada frente a las restricciones de exportación y suministro, y significa que “qué checkpoint” es una pregunta que los usuarios de InternLumina-U2 deben responder antes que cualquier otra cosa. En segundo lugar, la ficha indica que el modelo es Apache-2.0 sin salvedades —genuinamente permisivo, en contraste con varios lanzamientos multimodales de 2026 que se distribuyeron bajo términos solo para investigación.

Qué es ahora MiniCPM-V 4.7 35B-A3B

La ficha lo llama el primer MoE de la serie MiniCPM-V, y el archivo de configuración lo respalda: 256 expertos con 8 activos por token, 40 capas, una ventana de contexto de 262.144 tokens y un vocabulario de 248.144 tokens. La visión se ejecuta mediante un módulo SigLIP2 con compresión temprana intra-ViT de LLaVA-UHD v4 y un modo mixto de compresión de tokens 4x/16x —16x por defecto para el rendimiento, 4x cuando necesitas detalle fino, seleccionable en el momento de la llamada—. Entiende imágenes individuales, conjuntos de varias imágenes y video; responde en texto; no genera imágenes.

La afirmación que OpenBMB hace en negrita es que este es el primer modelo MoE de código abierto con inferencia en el dispositivo sin pérdidas y fluida, lograda mediante tres técnicas denominadas: Lookahead Expert Scheduling, cuantización por capas de grano fino y muestreo especulativo mediante los borradores DSpark separados. La cifra que se le atribuye es de más de 13 tokens por segundo en un iPhone 17 Pro Max. Esa cifra la reporta el proveedor, no ha sido reproducida y no está matizada — sin formato de cuantización, sin build, sin prompt, sin metodología de medición. La ficha también afirma que en modo Instruct el modelo obtiene una puntuación general más alta que Qwen3.6 35B-A3B en menos tiempo de inferencia, y esa afirmación está dentro de una imagen de gráfico en lugar de una tabla, lo que significa que no se puede citar como un número y no debería tratarse como tal.

Lo que no es una afirmación es el trabajo de distribución, y es la razón práctica para que importe. Los pesos Base, FP8, int4, AWQ, GPTQ y GGUF existen todos; SGLang, vLLM, llama.cpp, Ollama y OpenVINO son compatibles, con entradas desde el día cero; existen aplicaciones para iOS, Android y HarmonyOS en el repositorio MiniCPM-V-Apps; y Rockchip, Houmo, Intel, AMD y Arm figuran todos como silicio desde el día cero. Hace seis semanas, la crítica a este modelo era que era un checkpoint sin documentar. Esa crítica ahora está desactualizada: es un checkpoint documentado sin benchmarks, que es un problema distinto y más pequeño.

Los dos, dimensión por dimensión

• Qué hace con una imagen — MiniCPM-V 4.7 35B-A3B la lee y responde en texto; InternLumina-U2 la lee, responde en texto, genera una nueva, edita una existente e interpreta activos 3D.

• Arquitectura — un MoE disperso autorregresivo de 35,2B parámetros con 3B activos, frente a un modelo de difusión discreta multi-codebook de 16B-A1B. Familias distintas, no tamaños distintos de una misma familia.

• Modalidades en — texto, imagen y vídeo frente a texto, imagen, vídeo y 3D.

• Modalidades de salida — solo texto frente a texto más imágenes generadas e imágenes editadas.

• Tamaño de los pesos — aproximadamente 70 GB de BF16 repartidos en 16 fragmentos frente a siete fragmentos por compilación de hardware, publicado dos veces.

• Licencia — Apache-2.0 en ambos. Esta es la única dimensión en la que los dos coinciden de verdad, y eso importa, porque una licencia permisiva en un modelo generativo de esta escala no es algo habitual.

• Historia de despliegue — compilaciones cuantizadas, aplicaciones móviles y cinco entornos de ejecución de inferencia frente a un módulo de código remoto y un script de shell, dividida por acelerador.

• Evidencia pública — una tarjeta con afirmaciones de proveedores sin tabla de evaluación frente a una tarjeta que etiqueta explícitamente su sección de banco de pruebas como preliminar y no imprime nada en ella.

La diferencia entre ellos no es de calidad, sino de tipo.

Sería satisfactorio declarar un ganador, y sería deshonesto. No hay un benchmark compartido entre estos dos modelos, ningún tercero ha ejecutado ninguno de los dos, y la propia tabla de evaluación de MiniCPM-V 4.7 no existe, mientras que la de InternLumina-U2 está marcada explícitamente como parcial. Cualquiera que los clasifique hoy está clasificando la calidad de la documentación, no la calidad del modelo.

Lo que puede compararse con honestidad es el rastro de evidencia, y ahí los dos fallan en direcciones opuestas. InternLumina-U2 te dice mucho sobre la arquitectura y casi nada sobre los resultados: un diseño fascinante sin capacidad demostrada. MiniCPM-V 4.7 te dice mucho sobre los resultados en prosa y se niega a publicarlos como datos, lo que hace que las afirmaciones sean difíciles de refutar y, en consecuencia, difíciles de creer. El primero es un instrumento prometedor; el segundo es un instrumento prometedor con una capa de marketing por encima.

La lectura práctica se desprende de eso. Si lo que necesitas es un modelo que ingiera capturas de pantalla, documentos o vídeo y devuelva texto, y quieres ejecutarlo tú mismo, MiniCPM-V 4.7 es el que tiene una receta de servicio, seis runtimes y pesos cuantizados que puedes descargar hoy. Si lo que necesitas es un solo modelo que comprenda y genere imágenes con el mismo vocabulario —para pipelines de edición, datos sintéticos o investigación sobre espacios de tokens unificados—, InternLumina-U2 es el único de los dos que lo intenta, y la segunda carpeta de checkpoint que apareció después de la publicación del código de septiembre es la primera señal de que la investigación sigue avanzando.

Qué significa esto si solo intentas lanzar algo

Ambos son archivos que descargas y sirves tú mismo. Ni MiniCPM-V 4.7 35B-A3B ni InternLumina-U2 aparecen en el catálogo alojado de OrcaRouter, así que nada de esto constituye una vía para llamarlos como endpoint, y ningún artículo nuestro debería leerse como si dijera lo contrario. La utilidad de un router en esta situación es la otra mitad del trabajo: el momento en que tu pipeline necesita un modelo que no quieres alojar. OrcaRouter pone más de 200 modelos alojados detrás de una sola clave, pasa el precio de lista de cada proveedor directamente, sin ningún margen nuestro, y conmuta automáticamente cuando un proveedor se degrada — de modo que un equipo que ejecuta MiniCPM-V 4.7 localmente para la comprensión de documentos a gran escala puede escalar las páginas difíciles a un modelo alojado sin un segundo contrato ni un segundo SDK.

El modelo alojado más cercano a esta arquitectura es Qwen3.6 35B A3B —también 35B en total y 3B activos, también contexto de 262K, también entrada de texto, imagen y video con salida de texto— disponible a $0.25 por millón de tokens de entrada y $1.48 por millón de tokens de salida, a costo. Ese es un grupo de control genuinamente útil: si tu decisión es entre autoalojar un MoE multimodal disperso de 70 GB y llamar a uno equivalente, la segunda opción se puede medir esta tarde y la primera no.

¿Qué cambiaría esta comparación?

Dos documentos resolverían la mayor parte. Una tabla de referencia de OpenBMB convertiría a MiniCPM-V 4.7 de una afirmación en un dato, y el modelo borrador DSpark —la única parte de la familia con cifras publicadas, en forma de tokens aceptados por paso— es la ruta externa más barata hacia una primera cifra independiente. Un informe técnico de Shanghai AI Laboratory desempeñaría la misma función para InternLumina-U2, y sería la primera vez que alguien ve su vocabulario de ocho libros de códigos evaluado contra algo.

Hasta entonces, la postura honesta es esta: uno de estos dos se puede desplegar, y el otro solo se puede estudiar. Es probable que esa frase deje de ser cierta en el plazo de un mes, y es la razón por la que ninguno de los dos modelos merece ser archivado como vaporware: sencillamente están en una etapa más temprana de su vida pública de lo que sugiere lo que se escribe sobre ellos.