MiniCPM-V 4.7 35B-A3B vs PixelUMM: Una sola licencia decide esto antes de que lo hagan los benchmarks

Hay una decisión que puedes tomar entre MiniCPM-V 4.7 35B-A3B y PixelUMM sin leer ni un solo benchmark, y probablemente sea la decisión más importante. MiniCPM-V 4.7 35B-A3B es Apache-2.0. El checkpoint de modelo de PixelUMM no lo es: se distribuye bajo la One-Way Noncommercial License de NVIDIA, que solo permite investigación y evaluación, sobre un checkpoint que la propia NVIDIA dice que «no ha sido validado para producción ni para usos de alto riesgo». Si estás construyendo algo que pretendes vender, uno de estos dos modelos es inviable desde el principio y el resto de la comparación es académico. Si haces investigación, el campo se abre, y la pregunta interesante pasa a ser contra qué apuesta realmente el diseño sin codificador de NVIDIA, porque apuesta exactamente contra la arquitectura que usa MiniCPM-V 4.7.

Ambos modelos se lanzaron discretamente. Los pesos de PixelUMM llegaron a Hugging Face a las 21:40 UTC del 1 de octubre de 2026 sin entrada en un blog, sin comunicado de prensa y sin presentación principal; la URL de la página del proyecto todavía dice «preview». MiniCPM-V 4.7 apareció el 6 de octubre de la misma manera, y OpenBMB no le añadió una tarjeta de modelo, una licencia ni una sección de afirmaciones hasta el 12 de octubre. Ninguno de los dos ha sido evaluado de forma independiente por nadie, y ninguno tiene una tabla de benchmark que un lector pueda citar —la tarjeta de PixelUMM no reporta ninguna puntuación en absoluto, y las afirmaciones sobre el rendimiento de MiniCPM-V 4.7 están dentro de imágenes de gráficos en lugar de en texto. Lo que sigue separa lo que afirman los repositorios de lo que nadie fuera de los dos laboratorios ha confirmado todavía.

Qué es PixelUMM, en un párrafo

PixelUMM es un Transformer de solo decodificador de 15.199.672.064 parámetros con una cabeza de generación iterativa de píxeles, construido sobre un backbone Qwen3-8B fijado a una revisión específica. Su tesis se enuncia en la primera línea de la model card y es genuinamente contraria a la corriente: ni VAE ni codificador de visión. Mientras que un modelo unificado convencional incorpora dos interfaces visuales —un transformer de visión que produce características semánticas para la comprensión y un autoencoder variacional que produce latentes de reconstrucción para la generación—, PixelUMM no incorpora ninguna. Las imágenes se dividen en parches de 16 por 16 píxeles, el vídeo en tubelets espaciotemporales de cuatro fotogramas, y ambos llegan al backbone a través de nada más que proyecciones lineales de una sola capa, con un proceso iterativo de eliminación de ruido encargado del trabajo de generación. El artículo lo describe como un Mixture-of-Transformers que combina atención compartida con parámetros específicos de la tarea. Maneja texto a imagen, generación de texto condicionada por imagen, comprensión y generación de vídeo condicionadas por vídeo, incluido texto a vídeo con 96 fotogramas, 24 fps y cuatro segundos.

El rastro a su alrededor se prolongó unas cuatro semanas, todo en silencio. El repositorio de GitHub nv-tlabs/PixelUMM se creó el 4 de septiembre de 2026 bajo Apache-2.0 y se mantuvo con un único commit durante la mayor parte del mes. El 28–29 de septiembre se registró el commit inicial y arXiv asignó el preprint 2609.38597, cuya lista de autores se reparte entre NVIDIA y la Universidad de Waterloo. El propio repositorio del modelo apareció a las 21:40 UTC del 1 de octubre, ocho minutos después de un commit final en GitHub que añadía la cita del artículo. El artículo no lleva ninguna indicación de venue —ninguna conferencia, ningún «aceptado en»—, lo que se lee como un equipo de investigación que publica un artefacto en vivo en lugar de un lanzamiento de producto, aunque eso es una observación sobre la evidencia y no una afirmación sobre la intención.

Qué es MiniCPM-V 4.7 35B-A3B

MiniCPM-V 4.7 35B-A3B es la primera entrada MoE de OpenBMB en la serie MiniCPM-V: 256 expertos con 8 activos por token, 40 capas, una ventana de contexto de 262.144 tokens y un vocabulario de 248.144 tokens, lo que da aproximadamente 3B de parámetros activos de un total de 35,2B. La visión se ejecuta a través de un módulo SigLIP2 con compresión temprana intra-ViT de LLaVA-UHD v4 y un modo seleccionable de compresión mixta de tokens visuales de 4x/16x — 16x por defecto para el rendimiento, 4x cuando los detalles finos importan. Entiende imágenes individuales, múltiples imágenes y vídeo, y responde en texto. No genera imágenes.

La afirmación principal de la tarjeta es que este es el primer modelo MoE de código abierto con inferencia fluida y sin pérdidas en el dispositivo, lograda mediante Lookahead Expert Scheduling, cuantización de grano fino por capas y muestreo especulativo a través de los borradores DSpark independientes, a una velocidad reportada de más de 13 tokens por segundo en un iPhone 17 Pro Max. Esa cifra está reportada por el proveedor, no ha sido reproducida y carece de salvedades. La tarjeta también afirma una puntuación general más alta en modo Instruct que Qwen3.6 35B-A3B en menos tiempo de inferencia, una afirmación que aparece dentro de una imagen de gráfico, lo que significa que no es un número citable y no debe tratarse como tal.

Donde MiniCPM-V 4.7 está claramente por delante no es en ningún marcador, sino en el elenco secundario, todo lo cual es real y descargable: pesos base, FP8, int4, AWQ, GPTQ y GGUF; compatibilidad con SGLang, vLLM, llama.cpp, Ollama y OpenVINO; apps para iOS, Android y HarmonyOS; y Rockchip, Houmo, Intel, AMD y Arm incluidos para silicio desde el primer día. Hace seis semanas, la crítica honesta a este modelo era que era un checkpoint sin documentar. Eso ya no es cierto: es un checkpoint documentado sin benchmarks. Un problema diferente, más pequeño.

El argumento de arquitectura que se esconde tras la comparación

Los dos modelos discrepan sobre algo fundamental, y vale la pena ponerle nombre porque es la parte de este enfrentamiento cuya vida útil supera la de cualquiera de los dos modelos.

• Cómo llega la visión al modelo de lenguaje: PixelUMM usa píxeles sin procesar y una única proyección lineal, sin ningún codificador de visión preentrenado en ninguna parte del stack; MiniCPM-V 4.7 usa un codificador SigLIP2 con compresión temprana intra-ViT y una relación de submuestreo configurable.

• Cómo funciona la generación — PixelUMM predice píxeles iterativamente mediante una cabeza de flow-matching entrenada conjuntamente con predicción de texto autorregresiva; MiniCPM-V 4.7 genera texto y nada más.

• Lo que eso aporta — PixelUMM obtiene un único conjunto de pesos que describe una imagen y también la produce, a costa de una licencia solo para investigación y sin validación en producción; MiniCPM-V 4.7 obtiene un modelo pequeño, cuantizable y desplegable en teléfonos que puede leer el mundo pero no redibujarlo.

• Recuento de parámetros — 15,2B de tipo casi denso frente a 35,2B en total con 3B activos. El recuento de parámetros activos es el que predice el coste de inferencia y, en ese eje, el modelo MiniCPM es el más pequeño de los dos por un orden de magnitud.

• Pesos en disco — el repositorio de PixelUMM alberga 491 archivos en cuatro variantes de checkpoint; la compilación base de MiniCPM-V 4.7 consta de dieciséis fragmentos BF16 de aproximadamente 70 GB.

• Licencia — Apache-2.0 frente a NVIDIA One-Way Noncommercial para el checkpoint, con Apache-2.0 aplicándose solo al código fuente de PixelUMM y siendo la base Qwen3-8B Apache-2.0 por separado. La ficha de PixelUMM también señala que incluye código modificado derivado de BAGEL, por lo que se aplican además los términos de origen.

• Evaluación pública: ninguna, por ambas partes. MiniCPM-V 4.7 al menos presenta afirmaciones de rendimiento; la ficha de PixelUMM no declara ninguna cifra de benchmark.

¿Cuál puedes realmente poner delante de un usuario?

Sigue la licencia y el relato de despliegue en conjunto, y la elección prácticamente se hace sola.

PixelUMM es el artefacto de investigación más interesante y el producto menos utilizable. Un checkpoint no comercial bloquea de plano los usos comerciales obvios, no hay receta de servicio en la tarjeta, no hay compilación cuantizada, no hay cifra de longitud de contexto, y 83 me gusta frente a cero descargas registradas significa que esencialmente nadie fuera de los autores lo ha ejecutado. Su valor ahora mismo es como un argumento fuerte y publicado de que los codificadores de visión pueden ser innecesarios en modelos unificados. Vale la pena seguir ese argumento, ya sea que alguna vez cargues los pesos o no.

MiniCPM-V 4.7 es el que tiene un camino hacia producción, y el camino es estrecho pero real. Apache-2.0 elimina la cuestión de las licencias. Seis formatos de cuantización y cinco entornos de ejecución de inferencia significan que no tienes que escribir kernels personalizados. Que se necesiten dos o más GPU para la versión sin cuantizar es la barrera; las versiones cuantizadas y la propuesta de ejecución en el dispositivo son la solución alternativa, y la afirmación sobre la ejecución en el dispositivo es justamente la que no se ha verificado de forma independiente. Trátalo como un modelo que puedes ejecutar hoy y como una afirmación de rendimiento con la que aún no puedes contar.

Para los equipos cuya respuesta es «ninguno, llamaremos a alguna otra cosa», el equivalente alojado más cercano a la forma del MiniCPM es Qwen3.6 35B A3B —mismo total de 35B, misma activación de 3B, mismo contexto de 262K, misma entrada de texto-imagen-vídeo— y se sirve a través de OrcaRouter al precio de lista del proveedor sin recargo alguno, 0,25 $ por millón de tokens de entrada y 1,48 $ por millón de tokens de salida, con conmutación por error automática si una ruta de proveedor se degrada. Eso no es un sustituto de ninguno de los dos modelos de este artículo; es el grupo de control que te dice qué te compra en realidad el autoalojamiento de un MoE multimodal disperso de 70 GB.

Donde esto acaba

Si se deja de lado la arquitectura, quedan dos lanzamientos discretos que apuntan en direcciones opuestas. NVIDIA publicó un artefacto de nivel de artículo académico bajo una licencia que impide que la mayoría de la gente lo use, y un repositorio sin receta, sin benchmarks y sin descargas. OpenBMB publicó un modelo documentado, con licencia permisiva y compatible con múltiples runtimes, con una afirmación de eficiencia convincente y ninguna tabla de evaluación que la respalde.

Lo único que zanjaría cada uno: para PixelUMM, cualquier reproducción independiente, por mínima que sea — 0 descargas significa que no existe ningún punto de datos externo, y la tesis sin codificador es justo el tipo de afirmación que o se sostiene o se desmorona al entrar en contacto con una segunda implementación. Para MiniCPM-V 4.7, una tabla de benchmarks, o una longitud de aceptación reproducida en el borrador DSpark, que es la única parte de la familia que cuenta con cifras publicadas. Ninguna de las dos existe todavía. Ambas son la razón por la que estos dos modelos siguen mereciendo que se les preste atención en lugar de archivarlos — están más al principio de su vida pública de lo que sugiere la cobertura, y ninguno ha sido calificado como lanzamiento por el laboratorio que lo creó.