Molmo2-4B vs MiniCPM-V 4.7 : aucun des deux modèles ne se situe là où vous le pensez.

Le duel annoncé dans le titre n'existe pas dans les poids. Molmo2-4B est un unique checkpoint de 4,85 B. MiniCPM-V 4.7 n'est pas un seul modèle mais deux, et aucun des deux n'est un 4B : une variante dense de 1,55 B conçue pour les téléphones et une variante mixture-of-experts de 35,2 B avec environ 3 B de paramètres actifs et un contexte de 262 144 tokens. Ainsi, un lecteur qui recherche « Molmo2-4B vs MiniCPM-V 4.7 » pose en réalité une question à trois branches — le créneau 4B vaut-il vraiment la peine d'être occupé, ou faut-il descendre à 1B pour l'empreinte ou monter au MoE pour la capacité ? C'est une question plus utile que celle qui a été tapée, et elle a une réponse plus claire. Une décision à trois modèles est un problème de routage avant d'être un problème de modélisation. Le DSL de routage compose plusieurs modèles en un seul appel au lieu d'un contrat par modèle.

Les dates comptent ici aussi, car les deux modèles sont fréquemment décrits comme plus récents qu’ils ne le sont. Molmo2-4B a été annoncé par l’Allen Institute for AI le 11 décembre 2025, avec des poids sur Hugging Face à partir du 14 décembre. Les poids de MiniCPM-V 4.7 ont été mis en ligne les 6 et 7 octobre 2026, la fiche modèle a suivi le 12 octobre et un communiqué de presse en anglais de ModelBest et OpenBMB le 15 octobre. Le récent changement du côté de Molmo n’est pas un nouveau modèle : Molmo2 est devenu une architecture native dans Transformers en amont lorsque la PR #43451 a été fusionnée le 9 octobre 2026 et a été livrée dans la v5.20.0 le 15 octobre, et le 5 novembre, Ai2 a publié un fine-tuning de Molmo2-4B pour un banc d’essai robotique. Considérez l’un ou l’autre de ces éléments comme une raison de revisiter le modèle. Aucun des deux n’est un lancement.

Trois points de contrôle, trois positions sur la courbe

• Paramètres — Molmo2-4B compte 4,85 Md de paramètres ; MiniCPM-V 4.7-1B en compte 1,55 Md ; MiniCPM-V 4.7-35B-A3B totalise 35,2 Md de paramètres, dont environ 3 Md actifs par token.

• Architecture — Molmo2-4B est une tour SigLIP 2 greffée sur Qwen3-4B-Instruct-2507 ; la paire MiniCPM-V 4.7 utilise une compression précoce intra-ViT issue de LLaVA-UHD v4 avec une compression mixte 4x/16x des tokens visuels, et la variante 35B est le premier MoE de la gamme MiniCPM-V.

• Contexte — 36 864 positions pour Molmo2-4B ; 262 144 tokens pour les deux variantes de MiniCPM-V 4.7.

• Modalités — Molmo2-4B gère l'image, les images multiples et la vidéo, et émet des coordonnées de pointage dans un espace image 0–1000 ; MiniCPM-V 4.7 gère l'image unique, les images multiples et la vidéo, et répond en texte.

• Licence — Molmo2-4B est sous Apache 2.0 pour les poids, la fiche du modèle avertissant que ses données d’entraînement sont réservées à un usage de recherche académique et non commercial ; les deux variantes de MiniCPM-V 4.7 sont sous Apache 2.0.

• Distribution — Molmo2-4B est en safetensors float32, 19,42 Go, quatre fragments, aucune quantification officielle ; MiniCPM-V 4.7 est proposé en variantes GGUF, int4, AWQ, GPTQ, FP8 et DSpark pour les deux tailles.

La ligne de distribution est celle qui détermine les projets réels. Un contexte de 262 144 tokens n’est utile que si vous avez les moyens de le garder en mémoire, et OpenBMB a fait le travail ingrat de publier les formats quantifiés que les gens déploient réellement — le GGUF officiel 1B en Q4_K_M fait 672 Mo, ce qui fait la différence entre une démo et quelque chose qui tourne sur un appareil que vous possédez déjà.

Là où le 4B gagne réellement

L’argument de Molmo2-4B repose sur deux choses que la paire MiniCPM-V 4.7 ne traite pas de la même manière : le pointage comme sortie à part entière, et le suivi vidéo avec horodatages.

Le format de pointage est un point numérique en coordonnées 0–1000, enveloppé dans une balise pour laquelle la fiche du modèle fournit une expression régulière. Le pointage multi-image s’aplatit en une liste de triplets indice d’image, x, y. C’est un contrat différent de « décrire où se trouve l’objet », et cela change ce que vous pouvez construire : des pipelines de recadrage, des relances sur région d’intérêt, des boucles compter-puis-vérifier, et tout flux de travail où une étape en aval a besoin d’une coordonnée plutôt que d’une phrase.

C'est à la vidéo que revient le budget de paramètres. La fiche modèle d'Ai2 cite, parmi ses données d'entraînement, le QA de légendage vidéo, le QA de sous-titres vidéo, le pointage vidéo, le suivi vidéo et deux ensembles de pointage multi-images, et le préprocesseur vidéo publié utilise par défaut 384 images à 2 i/s, en 378×378 avec un pooling 3×3. MiniCPM-V 4.7 prend bien en charge la vidéo — OpenBMB rapporte 68,9 sur LongVideoBench pour le 35B-A3B et 53,4 pour le 1B — mais c'est un modèle à sortie textuelle sur cette voie, et une longue vidéo entre en concurrence avec le prompt pour le même budget de tokens.

Là où MiniCPM-V 4.7 l’emporte, deux fois

En bas de la gamme, le 1B appartient à une autre classe d’objet. Avec 1.55B paramètres, il fait environ un tiers de la taille de Molmo2-4B, il tourne sous llama.cpp et Ollama, et OpenBMB annonce pour lui 86.1 à OCRBench, 74.3 à MathVista et 48.8 à CharXiv. Ce sont des chiffres du fournisseur obtenus sur un banc d’essai choisi par le fournisseur, et il faut les lire comme tels — mais un modèle de 1.55B qui fait de l’OCR pleine page de manière crédible représente une décision d’achat véritablement différente de celle d’un modèle de 4.85B qui nécessite un GPU.

Au sommet de la gamme, le 35B-A3B fait paraître étriquée la question des 4B. Les chiffres publiés par OpenBMB pour ce modèle incluent MMMU 80,2, OCRBench 91,2 avec 4x le nombre de tokens visuels et 90,40 à 16x, CharXiv 75,6, LongVideoBench 68,9, MathVerse 86,5 et MathVista 88. Il revendique aussi quelque chose de plus intéressant qu'un benchmark : avec Lookahead Expert Scheduling, la quantification par couche et l'échantillonnage spéculatif DSpark, le 35B-A3B décode à plus de 13 tokens/s dans environ 3 Go de mémoire sur un iPhone 17 Pro Max. Considérez cela comme une affirmation du fournisseur concernant une chaîne d'outils spécifique plutôt que comme une propriété générale du modèle — mais si cela se vérifie, cela supprime la raison habituelle de préférer un modèle dense 4B sur l'appareil.

Tous ces résultats sont déclarés par les fournisseurs. Ni OpenBMB ni Ai2 n’a publié de résultats pour son modèle sur la suite de benchmarks de l’autre, donc aucune ligne ci-dessus ne constitue une comparaison directe.

Le menu de déploiement est la différence sous-estimée

MiniCPM-V 4.7 répertorie SGLang, vLLM, llama.cpp et Ollama pour l’inférence, SWIFT et LLaMA-Factory pour le fine-tuning, ainsi qu’une prise en charge dès le jour 0 pour Rockchip, Houmo, Intel, AMD et Arm. La fiche de Molmo2-4B répertorie Transformers avec du code distant, une dépendance molmo_utils distincte et decord2 pour la vidéo, et la documentation de la plateforme d’AI2 renvoie à vLLM nightly plutôt qu’à la version stable. L’écart s’est réduit en octobre, lorsque la prise en charge native de Transformers est arrivée dans la v5.20.0 et que l’exigence de code distant est devenue facultative, mais il persiste : un projet dispose d’une matrice de quantification, l’autre d’une version de recherche.

C'est ici que le routage justifie sa place plutôt que de rester un slogan. Une équipe qui veut le MiniCPM-V 4.7 1B sur l'appareil pour la voie économique et un modèle plus grand pour la voie exigeante n'a pas besoin de deux contrats pour y parvenir — le DSL de routage compose plusieurs modèles derrière un seul point de terminaison, et 0 % de marge signifie que le prix catalogue du fournisseur est ce que vous payez, donc une baisse de prix du fournisseur est effective le jour même. Cela compte davantage pour une décision à trois modèles comme celle-ci que pour un choix simple entre A et B.

Comment vraiment choisir

Si la contrainte est la mémoire, prenez MiniCPM-V 4.7-1B. Rien dans l’ensemble Molmo2-4B n’approche les 672 Mo, et aucune précision de pointage, aussi grande soit-elle, ne compense un modèle qui ne tient pas.

Si la contrainte est la capacité par dollar et que vous pouvez déployer un MoE, choisissez MiniCPM-V 4.7-35B-A3B. Selon les propres chiffres d’OpenBMB, il joue dans une autre catégorie que chacun des modèles plus petits, et le nombre de paramètres actifs maintient le coût par token plus proche de celui d’un modèle 3B que d’un 35B.

Si l’exigence est une coordonnée, prenez Molmo2-4B. Les points avec horodatages, le pointage multi-images et le suivi sont les raisons d’être du modèle ; rien dans la documentation de MiniCPM-V 4.7 ne décrit un contrat de sortie équivalent.

Et si vous avez vraiment besoin d’un généraliste de classe 4B qui gère l’image, les images multiples et la vidéo sans un téléchargement float32 de 19 Go, la réponse honnête est que cette confrontation particulière n’en propose pas — Molmo2-4B est le seul modèle de la comparaison dans ce créneau, et il arrive avec l’outillage de déploiement le plus mince des trois. Ce qui changerait cela : un Molmo2-4B quantifié officiel, ou un MiniCPM-V de classe 4B. Ni l’un ni l’autre n’existe aujourd’hui.