Molmo2-4B vs MiniCPM-V 4.7: Keduanya Tidak Berada di Posisi yang Anda Kira

Pertandingan dalam judul tidak ada di dalam bobot. Molmo2-4B adalah satu checkpoint 4,85B. MiniCPM-V 4.7 bukan satu model melainkan dua, dan keduanya bukan 4B: varian dense 1,55B yang dibuat untuk ponsel dan varian mixture-of-experts 35,2B dengan sekitar 3B parameter aktif dan konteks 262.144 token. Jadi pembaca yang mencari "Molmo2-4B vs MiniCPM-V 4.7" sebenarnya menanyakan pertanyaan tiga arah — apakah slot 4B layak diisi sama sekali, atau Anda turun ke 1B untuk jejak yang lebih kecil atau naik ke MoE untuk kemampuan? Itu pertanyaan yang lebih berguna daripada yang diketik, dan jawabannya lebih jelas. Keputusan tiga model adalah masalah perutean sebelum menjadi masalah pemodelan. DSL perutean menyusun beberapa model menjadi satu panggilan alih-alih satu kontrak per model.

Tanggalnya juga penting di sini, karena kedua model sering digambarkan lebih baru daripada kenyataannya. Molmo2-4B diumumkan oleh Allen Institute for AI pada 11 Desember 2025, dengan bobot di Hugging Face mulai 14 Desember. Bobot MiniCPM-V 4.7 diunggah pada 6 dan 7 Oktober 2026, kartu model menyusul pada 12 Oktober dan siaran pers berbahasa Inggris dari ModelBest dan OpenBMB pada 15 Oktober. Perubahan terbaru di sisi Molmo bukanlah model baru: Molmo2 menjadi arsitektur native di Transformers upstream saat PR #43451 digabungkan pada 9 Oktober 2026 dan dirilis dalam v5.20.0 pada 15 Oktober, dan pada 5 November Ai2 menerbitkan fine-tune Molmo2-4B untuk testbed robotika. Anggap salah satu dari itu sebagai alasan untuk meninjau ulang model tersebut. Tidak satu pun merupakan peluncuran.

Tiga titik pemeriksaan, tiga posisi pada kurva

• Parameter — Molmo2-4B adalah 4,85B; MiniCPM-V 4.7-1B adalah 1,55B; MiniCPM-V 4.7-35B-A3B adalah 35,2B total dengan sekitar 3B aktif per token.

Arsitektur — Molmo2-4B adalah menara SigLIP 2 yang dipasangkan ke Qwen3-4B-Instruct-2507; pasangan MiniCPM-V 4.7 menggunakan kompresi awal intra-ViT dari LLaVA-UHD v4 dengan kompresi token visual campuran 4x/16x, dan varian 35B adalah MoE pertama di lini MiniCPM-V.

• Konteks — 36.864 posisi untuk Molmo2-4B; 262.144 token untuk kedua varian MiniCPM-V 4.7.

• Modalitas — Molmo2-4B menangani gambar, multi-gambar, dan video, serta menghasilkan koordinat penunjukan dalam ruang gambar 0–1000; MiniCPM-V 4.7 menangani gambar tunggal, multi-gambar, dan video, serta menjawab dalam teks.

• Lisensi — Molmo2-4B adalah Apache 2.0 pada bobotnya, dengan kartu yang memperingatkan bahwa data pelatihannya hanya untuk penggunaan penelitian akademis dan non-komersial; kedua varian MiniCPM-V 4.7 adalah Apache 2.0.

• Distribusi — Molmo2-4B adalah safetensors float32, 19,42 GB, empat shard, tanpa kuantisasi resmi; MiniCPM-V 4.7 tersedia dalam varian GGUF, int4, AWQ, GPTQ, FP8, dan DSpark untuk kedua ukuran.

Baris distribusi adalah yang menentukan proyek nyata. Konteks 262.144 token hanya berguna jika Anda mampu menampungnya, dan OpenBMB telah melakukan pekerjaan tidak glamor dengan menerbitkan format terkuantisasi yang benar-benar dipakai orang — GGUF 1B resmi pada Q4_K_M berukuran 672 MB, yang merupakan perbedaan antara demo dan sesuatu yang berjalan di perangkat yang sudah Anda miliki.

Di mana 4B sebenarnya unggul

Argumen Molmo2-4B bertumpu pada dua hal yang tidak dilakukan pasangan MiniCPM-V 4.7 dengan cara yang sama: pointing sebagai keluaran kelas satu, dan pelacakan video dengan stempel waktu.

Format pointing adalah titik numerik dalam koordinat 0–1000, dibungkus dalam tag yang regex-nya disertakan pada kartu model. Pointing multi-gambar diratakan menjadi daftar tripel indeks frame, x, y. Itu adalah kontrak yang berbeda dari "menjelaskan di mana objek berada", dan itu mengubah apa yang dapat Anda bangun: pipeline pemotongan, tindak lanjut area minat, loop hitung-lalu-verifikasi, dan alur kerja apa pun yang tahap hilirnya membutuhkan koordinat alih-alih kalimat.

Video adalah tempat anggaran parameter digunakan. Data pelatihan Ai2 mencakup QA captioning video, QA subtitle video, video pointing, video tracking, dan dua set multi-image pointing, serta preprocessor video yang dirilis menggunakan default 384 frame pada 2 fps dengan ukuran 378×378 dan pooling 3×3. MiniCPM-V 4.7 memang mendukung video — OpenBMB melaporkan LongVideoBench 68,9 untuk 35B-A3B dan 53,4 untuk 1B — tetapi pada jalur tersebut model ini hanya mengeluarkan teks, dan video panjang bersaing dengan prompt untuk anggaran token yang sama.

Di mana MiniCPM-V 4.7 menang, dua kali

Di ujung bawah rentang, 1B adalah kelas objek yang berbeda. Dengan 1,55B parameter, ukurannya kira-kira sepertiga Molmo2-4B, berjalan di bawah llama.cpp dan Ollama, dan OpenBMB melaporkan OCRBench 86,1, MathVista 74,3, dan CharXiv 48,8 untuknya. Itu angka vendor pada harness yang dipilih vendor, dan harus dibaca seperti itu — tetapi model 1,55B yang mampu melakukan OCR halaman penuh secara kredibel adalah keputusan pengadaan yang benar-benar berbeda dari model 4,85B yang membutuhkan GPU.

Di puncak rentang, 35B-A3B membuat pertanyaan 4B tampak sempit. Angka yang dipublikasikan OpenBMB untuk model ini mencakup MMMU 80,2, OCRBench 91,2 pada 4x token visual dan 90,40 pada 16x, CharXiv 75,6, LongVideoBench 68,9, MathVerse 86,5, dan MathVista 88. Model ini juga mengklaim sesuatu yang lebih menarik daripada tolok ukur: dengan Lookahead Expert Scheduling, kuantisasi per lapisan, dan pengambilan sampel spekulatif DSpark, 35B-A3B melakukan dekode pada 13+ token/detik dalam sekitar 3 GB memori di iPhone 17 Pro Max. Anggap itu sebagai klaim vendor tentang toolchain tertentu, bukan sifat umum model — tetapi jika klaim itu terbukti, alasan biasa untuk memilih model 4B dense di perangkat jadi hilang.

Semua ini dilaporkan oleh vendor. Baik OpenBMB maupun Ai2 belum menerbitkan hasil untuk modelnya pada rangkaian benchmark milik pihak lain, jadi tidak ada baris di atas yang merupakan perbandingan langsung.

Menu deployment adalah pembeda yang diremehkan

MiniCPM-V 4.7 mencantumkan SGLang, vLLM, llama.cpp, dan Ollama untuk inferensi, SWIFT dan LLaMA-Factory untuk fine-tuning, serta dukungan day-0 untuk Rockchip, Houmo, Intel, AMD, dan Arm. Kartu Molmo2-4B mencantumkan Transformers dengan kode remote, dependensi molmo_utils terpisah, dan decord2 untuk video, serta dokumentasi platform AI2 sendiri mengarah ke vLLM nightly alih-alih versi stabil. Kesenjangan itu menyempit pada Oktober, ketika dukungan Transformers native hadir di v5.20.0 dan persyaratan kode remote menjadi opsional, tetapi tetap saja ada kesenjangan: satu proyek memiliki matriks kuantisasi, yang lain memiliki rilis riset.

Di sinilah routing membuktikan nilainya, bukan sekadar slogan. Tim yang ingin menjalankan MiniCPM-V 4.7 1B di perangkat untuk jalur murah dan model yang lebih besar untuk jalur sulit tidak perlu dua kontrak untuk melakukannya — DSL routing menyusun beberapa model di balik satu endpoint, dan markup 0% berarti harga daftar penyedia adalah yang Anda bayar, sehingga penurunan harga vendor langsung berlaku pada hari yang sama. Itu lebih penting untuk keputusan tiga model seperti ini daripada untuk pilihan A-atau-B yang lurus.

Cara benar-benar memilih

Jika kendalanya adalah memori, ambil MiniCPM-V 4.7-1B. Tidak ada apa pun dalam paket Molmo2-4B yang mendekati 672 MB, dan tidak ada tingkat akurasi penunjukan yang bisa mengimbangi model yang tidak muat.

Jika kendalanya adalah kemampuan per dolar dan Anda bisa menyajikan MoE, pilihlah MiniCPM-V 4.7-35B-A3B. Berdasarkan angka OpenBMB sendiri, model ini berada di kelas yang berbeda dari kedua model yang lebih kecil, dan jumlah parameter aktifnya menjaga biaya per token lebih dekat ke model 3B daripada 35B.

Jika kebutuhannya adalah koordinat, ambil Molmo2-4B. Poin dengan stempel waktu, penunjukan multi-gambar, dan pelacakan adalah alasan model itu ada; tidak ada apa pun dalam dokumentasi MiniCPM-V 4.7 yang menjelaskan kontrak keluaran yang setara.

Dan jika Anda benar-benar membutuhkan generalis kelas 4B yang mampu menangani gambar, multi-gambar, dan video tanpa unduhan float32 sebesar 19 GB, jawaban jujurnya adalah bahwa perbandingan khusus ini tidak menyediakannya — Molmo2-4B adalah satu-satunya model dalam perbandingan di posisi itu, dan model ini hadir dengan perkakas deployment paling minim di antara ketiganya. Yang bisa mengubah itu: Molmo2-4B terkuantisasi resmi, atau MiniCPM-V kelas 4B. Keduanya belum ada saat ini.