MiniCPM-V 4.7 35B-A3B vs PixelUMM: Satu Lisensi Menentukan Ini Sebelum Benchmark Menentukannya

Ada satu keputusan yang bisa Anda buat antara MiniCPM-V 4.7 35B-A3B dan PixelUMM tanpa melihat satu tolok ukur pun, dan itu mungkin keputusan yang paling penting. MiniCPM-V 4.7 35B-A3B berlisensi Apache-2.0. Checkpoint PixelUMM tidak — checkpoint itu dirilis di bawah One-Way Noncommercial License milik NVIDIA, yang hanya mengizinkan riset dan evaluasi, pada checkpoint yang menurut NVIDIA sendiri "belum divalidasi untuk penggunaan produksi atau penggunaan berisiko tinggi." Jika Anda sedang membangun sesuatu yang ingin Anda jual, salah satu dari dua model ini tidak bisa dipertimbangkan dan sisa perbandingannya hanya bersifat akademis. Jika Anda melakukan riset, bidangnya menjadi terbuka, dan pertanyaan yang menarik adalah apa yang sebenarnya dilawan oleh desain tanpa encoder milik NVIDIA — karena desain itu melawan persis arsitektur yang digunakan MiniCPM-V 4.7.

Kedua model itu dirilis secara senyap. Bobot PixelUMM mendarat di Hugging Face pada 21:40 UTC tanggal 1 Oktober 2026 tanpa postingan blog, tanpa siaran pers, dan tanpa keynote; URL halaman proyeknya masih bertuliskan "preview". MiniCPM-V 4.7 muncul pada 6 Oktober dengan cara yang sama, dan OpenBMB tidak mencantumkan kartu model, lisensi, atau bagian klaim padanya hingga 12 Oktober. Tidak ada satu pun yang telah dievaluasi secara independen oleh siapa pun, dan tidak ada satu pun yang memiliki tabel benchmark yang dapat dikutip pembaca — kartu PixelUMM tidak melaporkan skor sama sekali, dan klaim performa MiniCPM-V 4.7 berada di dalam gambar bagan, bukan di dalam teks. Bagian berikut memisahkan apa yang dinyatakan repositori dari apa yang belum dikonfirmasi oleh siapa pun di luar kedua lab itu.

Apa itu PixelUMM, dalam satu paragraf

PixelUMM adalah Transformer decoder-only dengan 15.199.672.064 parameter dan kepala generasi piksel iteratif, dibangun di atas tulang punggung Qwen3-8B yang disematkan ke revisi tertentu. Tesisnya dinyatakan di baris pertama kartu model dan benar-benar kontrarian: tanpa VAE dan tanpa encoder visi. Jika model terpadu konvensional membawa dua antarmuka visual — transformer visi yang menghasilkan fitur semantik untuk pemahaman dan autoencoder variasional yang menghasilkan laten rekonstruksi untuk generasi — PixelUMM tidak membawa keduanya. Gambar dipotong menjadi patch piksel 16x16, video menjadi tubelet spatiotemporal empat frame, dan keduanya mencapai tulang punggung hanya melalui proyeksi linear satu lapis, dengan denoising iteratif melakukan pekerjaan generasi. Makalah ini menggambarkannya sebagai Mixture-of-Transformers yang memasangkan atensi bersama dengan parameter khusus tugas. Ia menangani text-to-image, generasi teks terkondisi gambar, pemahaman terkondisi video, dan generasi video, termasuk text-to-video pada 96 frame, 24 fps, dan empat detik.

Jejak di sekitarnya berlangsung sekitar empat minggu, semuanya sepi. Repositori GitHub nv-tlabs/PixelUMM dibuat pada 4 September 2026 di bawah Apache-2.0 dan hanya memiliki satu commit selama sebagian besar bulan itu. Pada 28–29 September, commit awal masuk dan arXiv menetapkan prapublikasi 2609.38597, yang daftar penulisnya mencakup NVIDIA dan University of Waterloo. Repositori model itu sendiri muncul pada 21.40 UTC tanggal 1 Oktober, delapan menit setelah commit GitHub terakhir yang menambahkan sitasi makalah. Makalah tersebut tidak mencantumkan baris venue — tidak ada konferensi, tidak ada "accepted to" — yang terbaca seperti tim riset meluncurkan artefak secara langsung alih-alih peluncuran produk, meskipun itu adalah pengamatan tentang bukti dan bukan klaim tentang maksud.

Apa itu MiniCPM-V 4.7 35B-A3B

MiniCPM-V 4.7 35B-A3B adalah entri MoE pertama dari OpenBMB dalam seri MiniCPM-V: 256 pakar dengan 8 aktif per token, 40 lapisan, jendela konteks 262.144 token dan kosakata 248.144 token, menghasilkan sekitar 3B parameter aktif dari total 35,2B. Visi berjalan melalui modul SigLIP2 dengan kompresi awal intra-ViT LLaVA-UHD v4 dan mode kompresi token visual campuran 4x/16x yang dapat dipilih — 16x secara default untuk throughput, 4x saat detail rinci penting. Ia memahami gambar tunggal, beberapa gambar, dan video, serta menjawab dalam teks. Ia tidak menghasilkan gambar.

Klaim utama kartu tersebut adalah bahwa ini adalah model MoE open-source pertama dengan inferensi on-device yang lossless dan mulus, yang dihadirkan oleh Lookahead Expert Scheduling, kuantisasi berbutir halus per lapisan, dan speculative sampling melalui draf DSpark yang terpisah, pada kecepatan yang dilaporkan 13-plus token per detik di iPhone 17 Pro Max. Angka itu dilaporkan vendor, belum direproduksi, dan tanpa kualifikasi. Kartu tersebut juga mengklaim skor Instruct-mode keseluruhan yang lebih tinggi daripada Qwen3.6 35B-A3B dalam waktu inferensi yang lebih singkat — klaim yang muncul di dalam gambar bagan, yang berarti angka itu bukan angka yang dapat dikutip dan tidak boleh diperlakukan sebagai angka yang dapat dikutip.

Di mana MiniCPM-V 4.7 jelas lebih unggul bukanlah pada papan skor mana pun, melainkan pada para pendukungnya, yang semuanya nyata dan dapat diunduh: bobot base, FP8, int4, AWQ, GPTQ, dan GGUF; dukungan di SGLang, vLLM, llama.cpp, Ollama, dan OpenVINO; aplikasi iOS, Android, dan HarmonyOS; serta Rockchip, Houmo, Intel, AMD, dan Arm yang terdaftar untuk silikon hari pertama. Enam minggu lalu, kritik jujur terhadap model ini adalah bahwa model ini merupakan checkpoint yang tidak terdokumentasi. Itu tidak lagi benar — model ini adalah checkpoint yang terdokumentasi tanpa benchmark. Masalah yang berbeda, yang lebih kecil.

Argumen arsitektur yang bersembunyi di balik perbandingan

Kedua model tersebut tidak sepakat tentang sesuatu yang fundamental, dan hal itu layak disebutkan karena inilah bagian dari perbandingan ini yang masa berlakunya lebih lama daripada kedua model itu sendiri.

• Bagaimana visi mencapai model bahasa — PixelUMM menggunakan piksel mentah dan proyeksi linier tunggal, tanpa encoder visi pra-terlatih di mana pun dalam stack; MiniCPM-V 4.7 menggunakan encoder SigLIP2 dengan kompresi awal intra-ViT dan rasio downsample yang dapat dikonfigurasi.

• Cara kerja generasi — PixelUMM memprediksi piksel secara iteratif melalui head flow-matching yang dilatih bersama dengan prediksi teks autoregresif; MiniCPM-V 4.7 menghasilkan teks dan tidak ada yang lain.

• Apa yang didapat dari itu — PixelUMM memperoleh satu set bobot yang sekaligus mendeskripsikan sebuah gambar dan menghasilkannya, dengan mengorbankan lisensi khusus riset dan tanpa validasi produksi; MiniCPM-V 4.7 memperoleh model kecil, dapat dikuantisasi, dan dapat diterapkan di ponsel yang dapat membaca dunia tetapi tidak dapat menggambarnya kembali.

• Jumlah parameter — 15.2B cenderung dense dibandingkan 35.2B total dengan 3B aktif. Jumlah parameter aktif adalah yang memprediksi biaya inferensi, dan pada sumbu itu model MiniCPM adalah yang lebih kecil dari keduanya dengan satu orde besaran.

• Bobot di disk — repositori PixelUMM berisi 491 file di empat varian checkpoint; build dasar MiniCPM-V 4.7 terdiri atas enam belas shard BF16 dengan ukuran sekitar 70 GB.

• Lisensi — Apache-2.0 versus NVIDIA One-Way Noncommercial untuk checkpoint, dengan Apache-2.0 hanya berlaku untuk kode sumber PixelUMM dan basis Qwen3-8B secara terpisah Apache-2.0. Kartu PixelUMM juga mencatat bahwa ini mencakup kode yang dimodifikasi yang berasal dari BAGEL, sehingga ketentuan hulu berlaku di atasnya.

Evaluasi publik — tidak ada, di kedua sisi. MiniCPM-V 4.7 setidaknya membuat klaim performa; kartu PixelUMM sama sekali tidak mencantumkan angka benchmark.

Yang mana yang benar-benar bisa kamu hadapkan ke pengguna

Ikuti lisensi dan kisah deployment-nya secara bersamaan, dan pilihan itu sebagian besar akan menentukan dirinya sendiri.

PixelUMM adalah artefak penelitian yang lebih menarik dan produk yang kurang dapat digunakan. Checkpoint nonkomersial menghalangi penggunaan komersial yang jelas secara langsung, tidak ada resep penyajian di kartu modelnya, tidak ada versi terkuantisasi, tidak ada angka panjang konteks, dan 83 suka berbanding nol unduhan yang tercatat berarti praktis tidak ada orang di luar para penulis yang menjalankannya. Nilainya saat ini adalah sebagai argumen kuat yang telah dipublikasikan bahwa encoder visi mungkin tidak diperlukan dalam model terpadu. Argumen itu layak diikuti, entah Anda pernah memuat bobotnya atau tidak.

MiniCPM-V 4.7 adalah model yang punya jalur ke produksi, dan jalurnya sempit tetapi nyata. Apache-2.0 menghilangkan pertanyaan lisensi. Enam format kuantisasi dan lima runtime inferensi berarti Anda tidak perlu menulis kernel kustom. Dua GPU atau lebih untuk build tanpa kuantisasi adalah hambatannya; build terkuantisasi dan narasi on-device adalah solusi sementaranya, dan klaim on-device justru yang belum diverifikasi secara independen. Anggap ini sebagai model yang bisa Anda jalankan hari ini dan klaim performa yang belum bisa Anda andalkan.

Bagi tim yang jawabannya adalah "bukan keduanya, kami akan memanggil sesuatu", padanan hosted terdekat untuk bentuk MiniCPM adalah Qwen3.6 35B A3B — total 35B yang sama, 3B aktif yang sama, konteks 262K yang sama, masukan teks-gambar-video yang sama — dan itu dilayani melalui OrcaRouter pada harga daftar penyedia tanpa markup, $0,25 per juta token masukan dan $1,48 per juta token keluaran, dengan failover otomatis jika rute penyedia mengalami degradasi. Itu bukan pengganti untuk salah satu model pun di artikel ini; itu adalah kelompok kontrol yang memberi tahu Anda apa yang sebenarnya Anda dapatkan dari self-hosting MoE multimodal sparse 70 GB.

Ke mana ini berujung

Jika arsitekturnya disingkirkan, yang tersisa adalah dua rilis senyap yang mengarah ke arah berlawanan. NVIDIA menerbitkan artefak sekelas makalah di bawah lisensi yang menghalangi sebagian besar orang untuk menggunakannya, dan sebuah repositori tanpa resep, tanpa tolok ukur, dan tanpa unduhan. OpenBMB menerbitkan model multi-runtime yang terdokumentasi dan berlisensi permisif dengan klaim efisiensi yang kuat tetapi tanpa tabel evaluasi yang mendukungnya.

Satu hal yang akan menentukan masing-masing: bagi PixelUMM, reproduksi independen apa pun — 0 unduhan berarti tidak ada satu pun titik data eksternal yang ada, dan tesis bebas-encoder adalah persis jenis klaim yang bisa bertahan atau berantakan saat bersentuhan dengan implementasi kedua. Bagi MiniCPM-V 4.7, tabel tolok ukur, atau panjang penerimaan yang direproduksi pada draf DSpark, yang merupakan satu-satunya bagian dari keluarga ini yang memiliki angka terpublikasi. Tidak satu pun dari itu ada saat ini. Keduanya adalah alasan kedua model ini masih layak dipantau daripada diarsipkan — masa publiknya lebih dini daripada yang disiratkan oleh liputan, dan tak satu pun telah disebut sebagai peluncuran oleh lab yang membuatnya.