MiniCPM-V 4.7 35B-A3B vs InternLumina U2 : Deux navires silencieux, deux réponses opposées

Ni MiniCPM-V 4.7 35B-A3B ni InternLumina-U2 n’ont été annoncés lorsque leurs poids sont apparus. Tous deux sont à poids ouverts, tous deux viennent de laboratoires chinois, tous deux constituent la plus grande publication multimodale livrée par leur équipe cette année, et tous deux ont atteint le hub sans article de blog, sans keynote et sans jour de lancement. C’est là que la ressemblance s’arrête. MiniCPM-V 4.7 35B-A3B lit des images et répond en texte ; InternLumina-U2 lit des images, répond en texte, et en dessine aussi de nouvelles, les modifie et produit des ressources 3D. L’un est conçu pour être assez petit pour tenir sur un téléphone ; l’autre, ce sont 16 milliards de paramètres de recherche sur la diffusion qui ne tiendront jamais sur un tel appareil, loin s’en faut. Lus côte à côte, ce ne sont pas deux entrées de la même catégorie — ce sont deux réponses différentes à la question de la finalité d’un modèle vision-langage, publiées à cinq semaines d’écart sans que personne ne regarde.

Ce qui est connaissable ici se divise nettement. Tout ce qui concerne le volet MiniCPM ci-dessous provient du dépôt, de la fiche du modèle et du fichier de configuration, que tout un chacun peut lire. Tout ce qui concerne le volet InternLumina provient de la fiche du modèle du laboratoire lui-même et de l'arborescence de fichiers qu'il a publiée ; la section des benchmarks de la fiche est intitulée « Résultats préliminaires, partiels » et ne comporte aucun chiffre. Aucun des deux modèles n'a été évalué indépendamment, et rien dans cet article ne constitue un lancement : OpenBMB n'a qualifié MiniCPM-V 4.7 de version publiée qu'à compter du 12 octobre, et pour autant que les informations publiques le montrent, Shanghai AI Laboratory n'a pas encore qualifié InternLumina-U2 de version publiée.

Deux navires silencieux, à cinq semaines d'intervalle

Le dossier MiniCPM-V 4.7 est apparu pour la première fois sur Hugging Face le 6 octobre 2026 ; le hub indique désormais un horodatage de création au 7 octobre, et le dépôt a été modifié pour la dernière fois le 12 octobre. Le dépôt InternLumina-U2 a été créé le 1er septembre. Aucune de ces dates n’est accompagnée d’une annonce. Mais depuis, les deux ont vieilli différemment, et cette différence est l’élément le plus utile de cette comparaison.

InternLumina-U2 est sortie le 1er septembre sous forme de code uniquement. Cette version était un harnais d'inférence, un README et une promesse — les poids étaient « bientôt disponibles », le dépôt Hugging Face ne contenait qu'un seul fichier .gitattributes, et le rapport technique était annoncé comme à venir. Ce n'est plus le cas. Le dépôt contient désormais deux points de contrôle complets spécifiques au matériel, l'un sous ascend/ et l'autre sous nvidia/, chacun avec sept fragments safetensors, son propre module de code distant, un plan parallèle et un tokenizer. Les poids sont arrivés discrètement et personne n'a mis à jour le récit. À l'heure où nous écrivons, le dépôt affiche 16 likes et zéro téléchargement enregistré, et le rapport technique n'est toujours pas publié.

MiniCPM-V 4.7 a pris le chemin inverse. Il est arrivé en octobre sous forme de poids sans fiche modèle — le dossier ne contenait ni README, ni balise de licence, ni benchmarks, ce qui correspond exactement à ce que notre précédent article consignait. Dix jours plus tard, il possède les trois premiers éléments et toujours aucun du dernier : une licence Apache-2.0, une fiche complète avec des guides d’utilisation, et une section de revendications contenant des chiffres, mais aucun tableau d’évaluation qu’un lecteur peut citer. Donc, le résumé exact des deux est que la documentation est arrivée après les poids, dans les deux cas, sans annonce entre-temps.

Ce qu'est réellement InternLumina-U2

La fiche décrit un modèle de mélange d'experts de 16B paramètres avec 1B paramètres actifs — écrit 16B-A1B — construit comme un modèle de langage de grande taille à diffusion multi-codebook. La phrase qui compte est « entièrement discret » : le pari central d'InternLumina-U2 est que le langage et la vision devraient partager un seul vocabulaire de tokens plutôt que de vivre dans des piles distinctes de compréhension et de génération, et que le goulot d'étranglement dans les modèles unifiés antérieurs était le vocabulaire visuel lui-même. Sa réponse est une représentation visuelle discrète à huit codebooks construite sur AToken, ce qui permet aux mêmes poids à la fois d'interpréter une image et d'en synthétiser une.

Le périmètre est volontairement large : QA textuelle, génération texte-image jusqu’à 1024×1024, compréhension d’images sur des images naturelles et des graphiques denses, édition d’images guidée par instructions avec un mode dual-CFG facultatif, compréhension vidéo sur des trames échantillonnées, et compréhension 3D sur des ressources GLB et GLTF. La voie 3D est l’exception et la plus intéressante — les ressources sont rendues en vues couleur et profondeur via un pipeline Blender intégré avant la tokenisation, ce qui est une façon astucieuse de réutiliser un modèle d’image pour la géométrie sans lui apprendre la géométrie.

Deux détails d’ingénierie méritent d’être signalés, car ils sont inhabituels. Premièrement, les deux checkpoints résident dans un seul dépôt, répartis selon l’accélérateur : une version Ascend entraînée sur des NPU Huawei et une version NVIDIA entraînée sur des GPU. Il s’agit d’une couverture délibérée contre les contraintes d’exportation et d’approvisionnement, et cela signifie que « quel checkpoint » est une question à laquelle les utilisateurs d’InternLumina-U2 doivent répondre avant toute autre chose. Deuxièmement, la fiche indique que le modèle est sous Apache-2.0 sans réserves — véritablement permissif, contrairement à plusieurs versions multimodales de 2026 publiées sous des conditions réservées à la recherche.

Ce qu'est maintenant MiniCPM-V 4.7 35B-A3B

La fiche le présente comme le premier MoE de la série MiniCPM-V, et le fichier de configuration le confirme : 256 experts, dont 8 actifs par token, 40 couches, une fenêtre de contexte de 262 144 tokens et un vocabulaire de 248 144 tokens. La vision passe par un module SigLIP2 avec compression précoce intra-ViT de LLaVA-UHD v4 et un mode de compression de tokens mixte 4x/16x — 16x par défaut pour le débit, 4x lorsque vous avez besoin de détails fins, sélectionné au moment de l'appel. Il comprend les images individuelles, les ensembles multi-images et la vidéo ; il répond en texte ; il ne génère pas d'images.

L'affirmation qu'OpenBMB met en gras est la suivante : il s'agit du premier modèle MoE open source à offrir une inférence embarquée fluide et sans perte, obtenue grâce à trois techniques nommées : Lookahead Expert Scheduling, la quantification fine par couche et l'échantillonnage spéculatif via les brouillons DSpark distincts. Le chiffre qui y est associé est de plus de 13 tokens par seconde sur un iPhone 17 Pro Max. Ce chiffre est rapporté par le fournisseur, non reproduit et sans précisions — aucun format de quantification, aucune version de compilation, aucun prompt, aucune méthodologie de mesure. La fiche affirme également qu'en mode Instruct, le modèle obtient un score global supérieur à celui de Qwen3.6 35B-A3B en moins de temps d'inférence, et cette affirmation figure dans une image de graphique plutôt que dans un tableau, ce qui signifie qu'elle ne peut pas être citée comme un nombre et ne doit pas être traitée comme telle.

Ce qui n’est pas une affirmation, c’est le travail de distribution, et c’est la raison pratique de s’y intéresser. Les poids Base, FP8, int4, AWQ, GPTQ et GGUF existent tous ; SGLang, vLLM, llama.cpp, Ollama et OpenVINO sont pris en charge avec des entrées dès le jour zéro ; des applications iOS, Android et HarmonyOS existent dans le dépôt MiniCPM-V-Apps ; et Rockchip, Houmo, Intel, AMD et Arm sont tous répertoriés comme silicium pris en charge dès le jour zéro. Il y a six semaines, la critique de ce modèle était qu’il s’agissait d’un checkpoint non documenté. Cette critique est désormais dépassée — il s’agit d’un checkpoint documenté, mais sans benchmarks, ce qui est un problème différent et de moindre ampleur.

Les deux, dimension par dimension

• Ce qu'il fait avec une image — MiniCPM-V 4.7 35B-A3B la lit et répond en texte ; InternLumina-U2 la lit, répond en texte, en génère une nouvelle, modifie une image existante et interprète des ressources 3D.

• Architecture — un MoE parcimonieux autorégressif de 35,2B paramètres avec 3B actifs, face à un modèle de diffusion discrète multi-codebook 16B-A1B. Des familles différentes, pas des tailles différentes d’une même famille.

• Modalités en entrée — texte, image et vidéo versus texte, image, vidéo et 3D.

• Modalités de sortie — texte uniquement versus texte plus images générées et images retouchées.

• Taille des poids — environ 70 Go de BF16 répartis sur 16 shards, contre sept shards par build matériel, publiés deux fois.

• Licence — Apache-2.0 pour les deux. C'est la seule dimension sur laquelle les deux s'accordent véritablement, et cela compte, car une licence permissive sur un modèle de génération à cette échelle n'est pas courante.

• Scénario de déploiement — builds quantifiés, applications mobiles et cinq runtimes d’inférence face à un module de code distant et un script shell, ventilé par accélérateur.

• Preuves publiques — une fiche d’allégations de fournisseurs sans tableau d’évaluation, par opposition à une fiche qui qualifie explicitement de préliminaire sa section de banc d’essai et n’y imprime rien.

L'écart entre eux n'est pas {{1}}une question de qualité{{/1}}, il est {{2}}une question de nature{{/2}}

Il serait satisfaisant de déclarer un vainqueur, et ce serait malhonnête. Il n'existe aucun benchmark partagé entre ces deux modèles, aucun tiers n'a exécuté ni l'un ni l'autre, et le propre tableau d'évaluation de MiniCPM-V 4.7 n'existe pas, tandis que celui d'InternLumina-U2 est explicitement marqué comme partiel. Quiconque les classe aujourd'hui classe la qualité de la documentation, et non la qualité des modèles.

Ce qui peut être comparé honnêtement, c’est la trace des preuves, et là, les deux échouent dans des directions opposées. InternLumina-U2 vous en dit long sur l’architecture et presque rien sur les résultats — une conception fascinante sans capacité démontrée. MiniCPM-V 4.7 vous en dit long sur les résultats en prose et refuse de les publier sous forme de données, ce qui rend les affirmations difficiles à falsifier et, par conséquent, difficiles à croire. Le premier est un instrument prometteur ; le second est un instrument prometteur avec une couche marketing par-dessus.

L'interprétation pratique en découle. Si ce dont vous avez besoin est un modèle qui ingère des captures d'écran, des documents ou de la vidéo et renvoie du texte, et que vous voulez l'exécuter vous-même, MiniCPM-V 4.7 est celui qui propose une recette de serving, six runtimes et des poids quantifiés que vous pouvez télécharger dès aujourd'hui. Si ce dont vous avez besoin est un seul modèle qui comprend et génère des images dans le même vocabulaire — pour des pipelines d'édition, des données synthétiques ou la recherche sur des espaces de tokens unifiés — InternLumina-U2 est le seul des deux à s'y essayer, et le deuxième dossier de checkpoint apparu après la publication du code en septembre est le premier signe que la recherche continue d'avancer.

Ce que cela signifie si vous essayez simplement de livrer quelque chose

Ces deux-là sont des fichiers que vous téléchargez et servez vous-même. Ni MiniCPM-V 4.7 35B-A3B ni InternLumina-U2 n'apparaissent dans le catalogue hébergé d'OrcaRouter, donc rien ici n'est un moyen de les appeler comme point de terminaison, et aucun article de notre part ne doit être lu comme disant le contraire. Ce pour quoi un routeur est utile dans cette situation, c'est l'autre moitié du travail : le moment où votre pipeline a besoin d'un modèle que vous ne voulez pas héberger. OrcaRouter met plus de 200 modèles hébergés derrière une seule clé, répercute directement le prix catalogue de chaque fournisseur, sans marge de notre part, et bascule automatiquement lorsqu'un fournisseur se dégrade — de sorte qu'une équipe qui exécute MiniCPM-V 4.7 en local pour la compréhension de documents en masse peut escalader les pages difficiles vers un modèle hébergé sans second contrat ni second SDK.

Le modèle hébergé le plus proche de cette configuration est Qwen3.6 35B A3B — également 35B au total et 3B actifs, également 262K de contexte, également texte, image et vidéo en entrée avec du texte en sortie — disponible à 0,25 $ par million de jetons d'entrée et 1,48 $ par million de jetons de sortie, à prix coûtant. C'est un groupe de contrôle réellement utile : si votre décision se situe entre l'auto-hébergement d'un MoE multimodal creux de 70 Go et l'appel à un modèle équivalent, la seconde option est mesurable cet après-midi et la première ne l'est pas.

Qu'est-ce qui changerait cette comparaison

Deux documents suffiraient à régler la majeure partie de la question. Un tableau de benchmark d'OpenBMB ferait passer MiniCPM-V 4.7 du statut d'affirmation à celui de point de données, et le modèle draft DSpark — la seule partie de la famille à disposer de chiffres publiés, sous la forme de jetons acceptés par étape — constitue le moyen externe le moins coûteux d'obtenir un premier chiffre indépendant. Un rapport technique du Shanghai AI Laboratory jouerait le même rôle pour InternLumina-U2, et ce serait la première fois que quiconque verrait son vocabulaire à huit codebooks évalué face à quoi que ce soit.

D’ici là, la position honnête est la suivante : l’un de ces deux, vous pouvez le déployer, et l’autre, vous ne pouvez que l’étudier. Cette phrase cessera probablement d’être vraie d’ici un mois, et c’est la raison pour laquelle aucun des deux modèles ne mérite d’être relégué au rang de vaporware — ils en sont simplement à un stade plus précoce de leur vie publique que ne le suggèrent les écrits à leur sujet.