Molmo2-4B vs MiniCPM-V 4.7: Ninguno de los modelos se encuentra donde crees que está

El enfrentamiento del título no existe en los pesos. Molmo2-4B es un único checkpoint de 4,85B. MiniCPM-V 4.7 no es un modelo sino dos, y ninguno es de 4B: una variante densa de 1,55B creada para teléfonos y una variante de mezcla de expertos de 35,2B con aproximadamente 3B de parámetros activos y un contexto de 262.144 tokens. Así que un lector que busca "Molmo2-4B vs MiniCPM-V 4.7" en realidad está haciendo una pregunta de tres vías: ¿vale la pena ocupar la posición de 4B, o se baja a 1B por el tamaño o se sube al MoE por la capacidad? Esa es una pregunta más útil que la que se escribió, y tiene una respuesta más clara. Una decisión entre tres modelos es un problema de enrutamiento antes que un problema de modelado. El DSL de enrutamiento compone varios modelos en una sola llamada en lugar de un contrato por modelo.

Las fechas también importan aquí, porque a ambos modelos se les describe con frecuencia como más nuevos de lo que son. Molmo2-4B fue anunciado por el Allen Institute for AI el 11 de diciembre de 2025, con pesos en Hugging Face desde el 14 de diciembre. Los pesos de MiniCPM-V 4.7 se publicaron el 6 y 7 de octubre de 2026, la tarjeta del modelo apareció el 12 de octubre y una nota de prensa en inglés de ModelBest y OpenBMB el 15 de octubre. El cambio reciente del lado de Molmo no es un modelo nuevo: Molmo2 se convirtió en una arquitectura nativa en Transformers upstream cuando se fusionó el PR #43451 el 9 de octubre de 2026 y se incluyó en v5.20.0 el 15 de octubre, y el 5 de noviembre Ai2 publicó un ajuste fino de Molmo2-4B para un banco de pruebas de robótica. Cualquiera de esos dos puede interpretarse como un motivo para volver a revisar el modelo. Ninguno es un lanzamiento.

Tres puntos de control, tres posiciones en la curva

Parámetros — Molmo2-4B tiene 4,85B; MiniCPM-V 4.7-1B tiene 1,55B; MiniCPM-V 4.7-35B-A3B tiene 35,2B en total con aproximadamente 3B activos por token.

Arquitectura — Molmo2-4B es una torre SigLIP 2 acoplada a Qwen3-4B-Instruct-2507; el par MiniCPM-V 4.7 utiliza compresión temprana intra-ViT de LLaVA-UHD v4 con compresión mixta de tokens visuales 4x/16x, y la variante de 35B es el primer MoE de la línea MiniCPM-V.

• Contexto — 36.864 posiciones para Molmo2-4B; 262.144 tokens para ambas variantes de MiniCPM-V 4.7.

• Modalidades — Molmo2-4B admite imagen, múltiples imágenes y vídeo, y emite coordenadas de señalamiento en el espacio de imagen 0–1000; MiniCPM-V 4.7 admite imagen única, múltiples imágenes y vídeo, y responde en texto.

• Licencia — Molmo2-4B es Apache 2.0 en los pesos, con la advertencia en la ficha de que sus datos de entrenamiento están sujetos únicamente a uso académico y de investigación no comercial; ambas variantes de MiniCPM-V 4.7 son Apache 2.0.

• Distribución: Molmo2-4B está en safetensors float32, 19,42 GB, cuatro fragmentos, sin cuantizaciones oficiales; MiniCPM-V 4.7 se distribuye en variantes GGUF, int4, AWQ, GPTQ, FP8 y DSpark en ambos tamaños.

La fila de distribución es la que decide los proyectos reales. Un contexto de 262.144 tokens solo es útil si puedes permitirte mantenerlo, y OpenBMB ha hecho el trabajo poco glamuroso de publicar los formatos cuantizados que la gente realmente despliega: el GGUF oficial de 1B en Q4_K_M es de 672 MB, que es la diferencia entre una demo y algo que se ejecuta en un dispositivo que ya tienes.

Dónde el 4B realmente gana

El caso de Molmo2-4B se basa en dos cosas que el par MiniCPM-V 4.7 no hace de la misma manera: el apuntado como salida de primera clase y el seguimiento de vídeo con marcas de tiempo.

El formato de pointing es un punto numérico en coordenadas de 0 a 1000, envuelto en una etiqueta para la que la ficha del modelo incluye una regex. El pointing multiimagen se aplana a una lista de triples índice de fotograma, x, y. Ese es un contrato distinto de «describe dónde está el objeto», y cambia lo que puedes construir: pipelines de recorte, seguimientos de regiones de interés, bucles de contar y luego verificar, y cualquier flujo de trabajo en el que una etapa posterior necesite una coordenada en lugar de una frase.

El vídeo es donde se va el presupuesto de parámetros. La ficha de Ai2 incluye entre sus datos de entrenamiento la QA de descripción de vídeo, la QA de subtítulos de vídeo, la señalización de vídeo, el seguimiento de vídeo y dos conjuntos de señalización multiimagen, y el preprocesador de vídeo publicado usa por defecto 384 fotogramas a 2 fps a 378×378 con pooling 3×3. MiniCPM-V 4.7 sí admite vídeo —OpenBMB informa 68,9 en LongVideoBench para el 35B-A3B y 53,4 para el 1B—, pero en esa ruta es un modelo de salida de texto, y un vídeo largo compite con el prompt por el mismo presupuesto de tokens.

Donde MiniCPM-V 4.7 gana, dos veces

En la parte inferior de la gama, el 1B es una clase de objeto diferente. Con 1.55B parámetros, es aproximadamente un tercio del tamaño de Molmo2-4B, se ejecuta con llama.cpp y Ollama, y OpenBMB informa para él OCRBench 86.1, MathVista 74.3 y CharXiv 48.8. Son cifras del proveedor obtenidas con un arnés seleccionado por el proveedor, y deben leerse así, pero un modelo de 1.55B que hace OCR de página completa de forma creíble es una decisión de adquisición genuinamente diferente de la de un modelo de 4.85B que necesita una GPU.

En la cúspide de la gama, el 35B-A3B hace que la cuestión de los 4B parezca provinciana. Las cifras publicadas por OpenBMB para este incluyen MMMU 80,2, OCRBench 91,2 con 4x tokens visuales y 90,40 con 16x, CharXiv 75,6, LongVideoBench 68,9, MathVerse 86,5 y MathVista 88. También afirma algo más interesante que un benchmark: con Lookahead Expert Scheduling, cuantización por capas y muestreo especulativo DSpark, el 35B-A3B decodifica a 13+ tokens/s en unos 3 GB de memoria en un iPhone 17 Pro Max. Tómelo como una afirmación del fabricante sobre una cadena de herramientas específica, no como una propiedad general del modelo, pero si se cumple, elimina la razón habitual para preferir un 4B denso en el dispositivo.

Todos estos son reportados por el proveedor. Ni OpenBMB ni Ai2 han publicado resultados de su modelo en el conjunto de benchmarks del otro, por lo que ninguna fila anterior es una comparación directa.

El menú de despliegue es la diferencia subestimada.

MiniCPM-V 4.7 enumera SGLang, vLLM, llama.cpp y Ollama para inferencia, SWIFT y LLaMA-Factory para ajuste fino, y soporte desde el primer día para Rockchip, Houmo, Intel, AMD y Arm. La ficha de Molmo2-4B enumera Transformers con código remoto, una dependencia separada molmo_utils y decord2 para vídeo, y la propia documentación de plataforma de AI2 apunta a vLLM nightly en lugar de a la versión estable. La brecha se redujo en octubre, cuando el soporte nativo de Transformers llegó en la v5.20.0 y el requisito de código remoto pasó a ser opcional, pero sigue siendo una brecha: un proyecto tiene una matriz de cuantización, el otro tiene un lanzamiento de investigación.

Aquí es donde el enrutamiento se justifica en lugar de ser un eslogan. Un equipo que quiera el MiniCPM-V 4.7 1B en el dispositivo para la ruta económica y un modelo más grande para la ruta difícil no necesita dos contratos para lograrlo: el DSL de enrutamiento compone varios modelos detrás de un único endpoint, y 0% de recargo significa que pagas el precio de lista del proveedor, así que una rebaja de precio del proveedor se aplica ese mismo día. Eso importa más en una decisión de tres modelos como esta que en una simple elección entre A o B.

Cómo elegir realmente

Si la limitación es la memoria, elige MiniCPM-V 4.7-1B. Nada del paquete Molmo2-4B se acerca a 672 MB, y ninguna cantidad de precisión de apuntado compensa un modelo que no encaja.

Si la restricción es la capacidad por dólar y puedes servir un MoE, elige MiniCPM-V 4.7-35B-A3B. Según las propias cifras de OpenBMB, está en otra liga respecto a cualquiera de los dos modelos más pequeños, y el recuento de parámetros activos mantiene el coste por token más cerca de un 3B que de un 35B.

Si el requisito es una coordenada, tome Molmo2-4B. Los puntos con marcas de tiempo, el señalamiento y el seguimiento en múltiples imágenes son las razones por las que existe el modelo; nada en la documentación de MiniCPM-V 4.7 describe un contrato de salida equivalente.

Y si realmente necesitas un generalista de clase 4B que haga imágenes, múltiples imágenes y vídeo sin una descarga de 19 GB en float32, la respuesta honesta es que esta comparativa concreta no ofrece ninguno: Molmo2-4B es el único modelo de la comparación en esa categoría, y entra con las herramientas de despliegue más limitadas de los tres. Lo que cambiaría eso: un Molmo2-4B cuantizado oficial, o un MiniCPM-V de clase 4B. Ninguno existe hoy.