MiniCPM-V 4.7 35B-A3B vs InternLumina U2: Dua Kapal Sunyi, Dua Jawaban yang Berlawanan

Baik MiniCPM-V 4.7 35B-A3B maupun InternLumina-U2 tidak diumumkan saat bobotnya muncul. Keduanya adalah model berbobot terbuka, keduanya berasal dari laboratorium Tiongkok, keduanya adalah rilis multimodal terbesar yang telah diluncurkan tim mereka tahun ini, dan keduanya tiba di hub tanpa postingan blog, tanpa keynote, dan tanpa hari peluncuran. Di situlah kemiripannya berhenti. MiniCPM-V 4.7 35B-A3B membaca gambar dan menjawab dalam teks; InternLumina-U2 membaca gambar, menjawab dalam teks, dan juga menggambar yang baru, menyuntingnya, serta merender aset 3D. Yang satu dirancang cukup kecil untuk diletakkan di ponsel; yang lain adalah 16 miliar parameter riset difusi yang tidak akan muat di mana pun yang dekat dengan ponsel. Dibaca berdampingan, keduanya bukan dua entri dalam kategori yang sama — keduanya adalah dua jawaban berbeda atas pertanyaan tentang untuk apa sebuah model visi-bahasa, yang diterbitkan dalam selang lima minggu satu sama lain tanpa ada yang memperhatikan.

Yang dapat diketahui di sini terbagi dengan rapi. Segala hal tentang sisi MiniCPM di bawah ini berasal dari repositori, kartu model, dan berkas konfigurasi, yang semuanya dapat dibaca siapa saja. Segala hal di sisi InternLumina berasal dari kartu model lab itu sendiri dan pohon berkas yang telah dipublikasikannya; bagian tolok ukur pada kartu itu sendiri diberi label "Hasil awal, parsial" dan sama sekali tidak memuat angka. Tidak ada satu pun model yang telah dievaluasi secara independen, dan tidak ada apa pun dalam tulisan ini yang merupakan peluncuran: OpenBMB tidak menyebut MiniCPM-V 4.7 sebagai rilis sampai 12 Oktober, dan sejauh catatan publik menunjukkan, Shanghai AI Laboratory belum menyebut InternLumina-U2 sebagai rilis.

Dua kapal yang tenang, berselang lima minggu

Folder MiniCPM-V 4.7 pertama kali muncul di Hugging Face pada 6 Oktober 2026; hub kini melaporkan stempel waktu pembuatan 7 Oktober, dan repositori tersebut terakhir disentuh pada 12 Oktober. Repositori InternLumina-U2 dibuat pada 1 September. Tidak ada tanggal yang disertai pengumuman. Namun keduanya telah menua secara berbeda sejak itu, dan perbedaannya adalah hal paling berguna dalam perbandingan ini.

InternLumina-U2 dirilis pada 1 September hanya sebagai kode. Versi itu adalah harness inferensi, sebuah README, dan sebuah janji — bobotnya "segera hadir", repositori Hugging Face hanya berisi satu berkas .gitattributes, dan laporan teknisnya ditandai akan segera terbit. Itu tidak lagi benar. Repositori tersebut kini membawa dua checkpoint lengkap yang spesifik untuk perangkat keras, satu di bawah ascend/ dan satu di bawah nvidia/, masing-masing dengan tujuh shard safetensors, modul remote-code-nya sendiri, sebuah parallel plan, dan sebuah tokenizer. Bobotnya mendarat dengan tenang dan tidak ada yang memperbarui ceritanya. Pada saat tulisan ini dibuat, repositori tersebut berada di 16 suka dan nol unduhan tercatat, dan laporan teknisnya masih belum terbit.

MiniCPM-V 4.7 bergerak ke arah yang berlawanan. Ia hadir pada Oktober sebagai bobot tanpa kartu model — folder itu tidak memiliki README, tidak memiliki tag lisensi, dan tidak memiliki tolok ukur, yang persis seperti yang tercatat dalam tulisan kami sebelumnya. Sepuluh hari kemudian, ia memiliki ketiga hal pertama itu dan tetap tidak memiliki hal yang terakhir: lisensi Apache-2.0, kartu lengkap dengan panduan penggunaan, dan bagian klaim yang berisi angka, tetapi tidak ada tabel evaluasi yang dapat dikutip pembaca. Jadi ringkasan yang akurat untuk keduanya adalah bahwa dokumentasi datang setelah bobotnya, dalam kedua kasus, tanpa pengumuman di antaranya.

Apa sebenarnya InternLumina-U2

Kartu ini menjelaskan model mixture-of-experts berparameter 16B dengan 1B parameter aktif — ditulis sebagai 16B-A1B — yang dibangun sebagai model bahasa besar difusi multi-codebook. Frasa yang penting adalah "sepenuhnya diskret": pertaruhan utama InternLumina-U2 adalah bahwa bahasa dan visi harus berbagi satu kosakata token alih-alih berada dalam stack pemahaman dan generasi yang terpisah, dan bahwa hambatan pada model terpadu sebelumnya adalah kosakata visual itu sendiri. Jawabannya adalah representasi visual diskret delapan codebook yang dibangun di atas AToken, yang memungkinkan bobot yang sama untuk menafsirkan sebuah gambar sekaligus menyintesisnya.

Cakupannya sengaja dibuat luas: QA teks, pembuatan teks-ke-gambar hingga 1024×1024, pemahaman gambar pada citra alami dan bagan padat, penyuntingan gambar berbasis instruksi dengan mode dual-CFG opsional, pemahaman video pada bingkai yang disampel, dan pemahaman 3D atas aset GLB dan GLTF. Jalur 3D adalah yang paling berbeda dan paling menarik — aset dirender menjadi tampilan warna-dan-kedalaman melalui pipeline Blender yang disertakan sebelum tokenisasi, cara cerdas untuk menggunakan kembali model gambar untuk geometri tanpa mengajarinya geometri.

Dua detail teknis perlu disorot karena tidak biasa. Pertama, kedua checkpoint berada dalam satu repositori, dipisahkan berdasarkan akselerator: build Ascend yang dilatih pada NPU Huawei dan build NVIDIA yang dilatih pada GPU. Itu adalah langkah antisipasi yang disengaja terhadap kendala ekspor dan pasokan, dan itu berarti "checkpoint mana" adalah pertanyaan yang harus dijawab pengguna InternLumina-U2 sebelum hal lainnya. Kedua, kartu model menyatakan model ini Apache-2.0 tanpa syarat tambahan — benar-benar permisif, berbeda dengan beberapa rilis multimodal 2026 yang dirilis dengan ketentuan hanya untuk penelitian.

Apa MiniCPM-V 4.7 35B-A3B sekarang?

Kartu menyebutnya sebagai MoE pertama dalam seri MiniCPM-V, dan berkas konfigurasi mendukungnya: 256 ahli dengan 8 aktif per token, 40 lapisan, jendela konteks 262.144 token, dan kosakata 248.144 token. Visi berjalan melalui modul SigLIP2 dengan kompresi awal intra-ViT LLaVA-UHD v4 dan mode kompresi token campuran 4x/16x — bawaan 16x untuk throughput, 4x saat Anda membutuhkan detail halus, dipilih pada waktu pemanggilan. Ia memahami gambar tunggal, kumpulan multi-gambar, dan video; ia menjawab dalam teks; ia tidak menghasilkan gambar.

Klaim yang dibuat OpenBMB dalam huruf tebal adalah bahwa ini adalah model MoE open-source pertama dengan inferensi on-device yang lossless dan mulus, yang dicapai melalui tiga teknik yang disebutkan: Lookahead Expert Scheduling, kuantisasi layer-wise yang terperinci, dan speculative sampling melalui draf DSpark yang terpisah. Angka yang dilekatkan padanya adalah 13-plus token per detik pada iPhone 17 Pro Max. Angka itu dilaporkan vendor, belum direproduksi, dan tanpa kualifikasi — tidak ada format kuantisasi, tidak ada build, tidak ada prompt, tidak ada metodologi pengukuran. Kartu tersebut juga mengklaim bahwa dalam mode Instruct model ini memperoleh skor keseluruhan yang lebih tinggi daripada Qwen3.6 35B-A3B dalam waktu inferensi yang lebih singkat, dan klaim itu berada di dalam gambar bagan, bukan tabel, yang berarti klaim itu tidak dapat dikutip sebagai angka dan tidak boleh diperlakukan sebagai angka.

Yang bukan klaim adalah pekerjaan distribusinya, dan itulah alasan praktis untuk peduli. Bobot Base, FP8, int4, AWQ, GPTQ, dan GGUF semuanya sudah ada; SGLang, vLLM, llama.cpp, Ollama, dan OpenVINO didukung dengan entri hari pertama; aplikasi iOS, Android, dan HarmonyOS tersedia di repositori MiniCPM-V-Apps; dan Rockchip, Houmo, Intel, AMD, serta Arm semuanya terdaftar sebagai silikon hari pertama. Enam minggu yang lalu, kritik terhadap model ini adalah bahwa model ini merupakan checkpoint yang tidak terdokumentasi. Kritik itu sekarang sudah usang — model ini adalah checkpoint yang terdokumentasi tanpa benchmark, yang merupakan masalah berbeda dan lebih kecil.

Keduanya, dimensi demi dimensi

• Apa yang dilakukannya dengan sebuah gambar — MiniCPM-V 4.7 35B-A3B membacanya dan menjawab dalam teks; InternLumina-U2 membacanya, menjawab dalam teks, menghasilkan gambar baru, mengedit gambar yang sudah ada, dan menafsirkan aset 3D.

• Arsitektur — MoE sparse autoregresif berparameter 35,2B dengan 3B aktif, dibandingkan dengan model difusi diskret multi-codebook 16B-A1B. Keluarga yang berbeda, bukan ukuran yang berbeda dari satu keluarga.

• Modalitas yang termasuk — teks, gambar dan video versus teks, gambar, video dan 3D.

• Modalitas keluaran — hanya teks versus teks plus gambar yang dihasilkan dan gambar yang diedit.

• Ukuran bobot — sekitar 70 GB BF16 dalam 16 shard versus tujuh shard per build perangkat keras, dipublikasikan dua kali.

• Lisensi — Apache-2.0 pada keduanya. Inilah satu-satunya dimensi di mana keduanya benar-benar sepakat, dan hal ini penting, karena lisensi permisif pada model generatif pada skala ini tidak umum.

• Kisah deployment — build terkuantisasi, aplikasi seluler dan lima runtime inferensi versus modul kode jarak jauh dan skrip shell, dipisahkan berdasarkan akselerator.

• Bukti publik — kartu berisi klaim vendor tanpa tabel evaluasi versus kartu yang secara eksplisit menandai bagian bench-nya sebagai pendahuluan dan tidak mencetak apa pun di dalamnya.

Kesenjangan di antara keduanya bukan soal kualitas, melainkan jenis.

Akan memuaskan untuk menetapkan pemenang, tetapi itu tidak jujur. Tidak ada tolok ukur bersama antara kedua model ini, tidak ada pihak ketiga yang menjalankan salah satu dari keduanya, dan tabel evaluasi MiniCPM-V 4.7 sendiri tidak ada, sementara tabel InternLumina-U2 secara eksplisit ditandai sebagai parsial. Siapa pun yang memeringkat keduanya hari ini sedang memeringkat kualitas dokumentasi, bukan kualitas model.

Yang dapat dibandingkan secara jujur adalah jejak buktinya, dan di situlah keduanya gagal dalam arah yang berlawanan. InternLumina-U2 memberi tahu Anda banyak tentang arsitektur dan hampir tidak ada tentang hasil — desain yang menarik tanpa kemampuan yang terbukti. MiniCPM-V 4.7 memberi tahu Anda banyak tentang hasil dalam bentuk prosa dan menolak mempublikasikannya sebagai data, yang membuat klaim tersebut sulit difalsifikasi dan, sejalan dengan itu, sulit dipercaya. Yang pertama adalah instrumen yang menjanjikan; yang kedua adalah instrumen yang menjanjikan dengan lapisan pemasaran di atasnya.

Pembacaan praktisnya mengikuti dari itu. Jika yang Anda butuhkan adalah model yang mencerna tangkapan layar, dokumen, atau video lalu mengembalikan teks, dan Anda ingin menjalankannya sendiri, MiniCPM-V 4.7 adalah pilihan yang punya resep penyajian, enam runtime, dan bobot terkuantisasi yang dapat Anda unduh hari ini. Jika yang Anda butuhkan adalah satu model yang memahami dan menghasilkan gambar dalam kosakata yang sama — untuk pipeline penyuntingan, data sintetis, atau riset tentang ruang token terpadu — InternLumina-U2 adalah satu-satunya dari keduanya yang mencobanya, dan folder checkpoint kedua yang muncul setelah rilis kode September adalah tanda pertama bahwa riset tersebut masih bergerak.

Apa maksudnya ini jika kamu hanya ingin merilis sesuatu

Keduanya adalah berkas yang Anda unduh dan layani sendiri. Baik MiniCPM-V 4.7 35B-A3B maupun InternLumina-U2 tidak muncul dalam katalog hosted OrcaRouter, jadi tidak ada apa pun di sini yang menjadi cara untuk memanggilnya sebagai endpoint, dan tidak ada artikel dari kami yang boleh ditafsirkan sebagai menyatakan sebaliknya. Yang berguna dari router dalam situasi ini adalah separuh pekerjaan lainnya: saat pipeline Anda membutuhkan model yang tidak ingin Anda hosting sendiri. OrcaRouter menempatkan lebih dari 200 model hosted di balik satu kunci, meneruskan harga daftar tiap penyedia secara langsung tanpa markup dari kami, dan otomatis melakukan failover ketika penyedia mengalami penurunan — sehingga tim yang menjalankan MiniCPM-V 4.7 secara lokal untuk pemahaman dokumen massal dapat mengeskalasi halaman-halaman sulit ke model hosted tanpa kontrak kedua atau SDK kedua.

Model hosted yang paling mendekati bentuk ini adalah Qwen3.6 35B A3B — juga 35B total dan 3B aktif, juga konteks 262K, juga masukan teks, gambar, dan video dengan keluaran teks — tersedia dengan harga pokok $0,25 per juta token masukan dan $1,48 per juta token keluaran. Itu adalah kelompok kontrol yang benar-benar berguna: jika keputusan Anda adalah antara menghosting sendiri MoE multimodal sparse 70 GB dan memanggil model yang setara, opsi kedua dapat diukur sore ini dan opsi pertama tidak.

Apa yang akan mengubah perbandingan ini?

Dua dokumen akan menyelesaikan sebagian besar persoalan itu. Tabel benchmark dari OpenBMB akan mengubah MiniCPM-V 4.7 dari sekadar klaim menjadi titik data, dan model draf DSpark — satu-satunya bagian dari keluarga ini yang memiliki angka terpublikasi, dalam bentuk accepted-tokens-per-step — adalah jalur eksternal termurah menuju angka independen pertama. Laporan teknis dari Shanghai AI Laboratory akan melakukan hal yang sama untuk InternLumina-U2, dan akan menjadi kali pertama siapa pun melihat kosakata delapan codebook-nya dinilai terhadap apa pun.

Sampai saat itu, posisi yang jujur adalah ini: salah satu dari kedua ini dapat Anda deploy, dan yang lain hanya dapat Anda pelajari. Kemungkinan besar kalimat itu tidak lagi benar dalam waktu sebulan, dan itulah sebabnya tidak ada dari kedua model itu yang layak diarsipkan sebagai vaporware — keduanya sekadar berada lebih awal dalam kehidupan publiknya daripada yang disiratkan oleh tulisan tentang keduanya.