MiniCPM-V 4.7 35B-A3B vs InternLumina U2: Due navi silenziose, due risposte opposte

Né MiniCPM-V 4.7 35B-A3B né InternLumina-U2 sono stati annunciati quando i loro pesi sono comparsi. Entrambi sono a pesi aperti, entrambi provengono da laboratori cinesi, entrambi sono il più grande rilascio multimodale che il loro team abbia distribuito quest'anno, ed entrambi sono arrivati all'hub senza un post sul blog, senza un keynote e senza un giorno di lancio. È qui che finisce la somiglianza. MiniCPM-V 4.7 35B-A3B legge immagini e risponde in testo; InternLumina-U2 legge immagini, risponde in testo e ne disegna anche di nuove, le modifica e esegue il rendering di asset 3D. Uno è progettato per essere abbastanza piccolo da stare su un telefono; l'altro è ricerca sulla diffusione da 16 miliardi di parametri che non entrerebbe neanche lontanamente in un telefono. Letti fianco a fianco, non sono due voci nella stessa categoria — sono due risposte diverse alla domanda su a cosa serva un modello visione-linguaggio, pubblicate a cinque settimane di distanza l'una dall'altra senza che nessuno stesse a guardare.

Ciò che qui è conoscibile si divide nettamente. Tutto ciò che riguarda il lato MiniCPM di seguito proviene dal repository, dalla scheda del modello e dal file di configurazione, tutti elementi che chiunque può leggere. Tutto ciò che riguarda il lato InternLumina proviene dalla scheda del modello del laboratorio stesso e dall'albero dei file che ha pubblicato; la sezione dei benchmark della scheda è etichettata "Risultati preliminari, parziali" e non riporta alcun numero. Nessuno dei due modelli è stato valutato in modo indipendente, e nulla in questo pezzo è un lancio: OpenBMB non ha definito MiniCPM-V 4.7 un rilascio fino al 12 ottobre e, per quanto risulta dai documenti pubblici, Shanghai AI Laboratory non ha ancora definito InternLumina-U2 un rilascio.

Due navi silenziose, a cinque settimane di distanza

La cartella MiniCPM-V 4.7 è apparsa per la prima volta su Hugging Face il 6 ottobre 2026; l'hub ora riporta un timestamp di creazione del 7 ottobre, e il repository è stato modificato l'ultima volta il 12 ottobre. Il repository InternLumina-U2 è stato creato il 1° settembre. Nessuna delle due date è accompagnata da un annuncio. Ma da allora i due sono invecchiati in modo diverso, e la differenza è la cosa più utile in questo confronto.

InternLumina-U2 è stato rilasciato il 1° settembre solo come codice. Quella versione era un harness di inferenza, un README e una promessa — i pesi erano "in arrivo", il repository Hugging Face conteneva un unico file .gitattributes e il rapporto tecnico era indicato come imminente. Ora non è più così. Il repository ora contiene due checkpoint completi specifici per l'hardware, uno sotto ascend/ e uno sotto nvidia/, ciascuno con sette shard safetensors, il proprio modulo remote-code, un piano di parallelizzazione e un tokenizer. I pesi sono arrivati in silenzio e nessuno ha aggiornato la storia. Al momento in cui scriviamo, il repository conta 16 like e zero download registrati, e il rapporto tecnico non è ancora uscito.

MiniCPM-V 4.7 si è mosso nella direzione opposta. È arrivato in ottobre sotto forma di pesi senza model card — la cartella non conteneva README, né tag di licenza né benchmark, esattamente ciò che aveva registrato la nostra precedente analisi. Dieci giorni dopo ha tutte e tre le prime cose e ancora nessuna delle ultime: una licenza Apache-2.0, una card completa con guide all'uso e una sezione di dichiarazioni con dei numeri al suo interno, ma nessuna tabella di valutazione che un lettore possa citare. Quindi il riassunto accurato di entrambi è che la documentazione è arrivata dopo i pesi, in entrambi i casi, senza alcun annuncio nel frattempo.

Che cos'è realmente InternLumina-U2

La scheda descrive un modello mixture-of-experts da 16B parametri con 1B parametri attivi — scritto come 16B-A1B — costruito come un modello linguistico di grandi dimensioni a diffusione multi-codebook. La frase che conta è "completamente discreto": la scommessa centrale di InternLumina-U2 è che linguaggio e visione dovrebbero condividere un unico vocabolario di token invece di risiedere in stack separati di comprensione e generazione, e che il collo di bottiglia nei precedenti modelli unificati era il vocabolario visivo stesso. La sua risposta è una rappresentazione visiva discreta a otto codebook costruita su AToken, che è ciò che consente agli stessi pesi sia di interpretare un'immagine sia di sintetizzarne una.

L'ambito è ampio per scelta progettuale: QA testuale, generazione text-to-image fino a 1024×1024, comprensione delle immagini su immagini naturali e grafici densi, editing di immagini basato su istruzioni con una modalità dual-CFG opzionale, comprensione video su fotogrammi campionati e comprensione 3D su asset GLB e GLTF. Il percorso 3D è quello fuori dal coro ed è il più interessante — gli asset vengono renderizzati in viste di colore e profondità tramite una pipeline Blender fornita in bundle prima della tokenizzazione, il che è un modo ingegnoso per riutilizzare un modello per immagini per la geometria senza insegnargli la geometria.

Due dettagli ingegneristici meritano di essere segnalati perché sono insoliti. In primo luogo, entrambi i checkpoint risiedono in un unico repository, suddivisi per acceleratore: una build Ascend addestrata su NPU Huawei e una build NVIDIA addestrata su GPU. Si tratta di una copertura deliberata contro i vincoli di esportazione e di approvvigionamento, e significa che "quale checkpoint" è una domanda a cui gli utenti di InternLumina-U2 devono rispondere prima di qualsiasi altra cosa. In secondo luogo, la scheda dichiara che il modello è Apache-2.0 senza alcuna limitazione — genuinamente permissivo, in contrasto con diversi rilasci multimodali del 2026 che sono stati distribuiti con termini solo per ricerca.

Che cos'è ora MiniCPM-V 4.7 35B-A3B

La scheda lo definisce il primo MoE della serie MiniCPM-V, e il file di configurazione lo conferma: 256 esperti con 8 attivi per token, 40 livelli, una finestra di contesto di 262.144 token e un vocabolario di 248.144 token. La visione passa attraverso un modulo SigLIP2 con compressione anticipata intra-ViT di LLaVA-UHD v4 e una modalità di compressione dei token mista 4x/16x — il default 16x per il throughput, 4x quando serve il dettaglio fine, selezionato al momento della chiamata. Comprende immagini singole, set di più immagini e video; risponde in testo; non genera immagini.

L'affermazione che OpenBMB fa in grassetto è che questo è il primo modello MoE open source con inferenza sul dispositivo senza perdite e fluida, ottenuta attraverso tre tecniche denominate: Lookahead Expert Scheduling, quantizzazione a grana fine a livello di layer e campionamento speculativo tramite le bozze separate di DSpark. Il numero associato è 13+ token al secondo su un iPhone 17 Pro Max. Tale cifra è riportata dal fornitore, non riprodotta e non qualificata — nessun formato di quantizzazione, nessuna build, nessun prompt, nessuna metodologia di misurazione. La scheda afferma inoltre che in modalità Instruct il modello ottiene un punteggio complessivo superiore a Qwen3.6 35B-A3B in meno tempo di inferenza, e tale affermazione si trova all'interno di un'immagine di un grafico anziché in una tabella, il che significa che non può essere citata come numero e non dovrebbe essere trattata come tale.

Ciò che non è un'affermazione è il lavoro di distribuzione, ed è la ragione pratica per cui vale la pena interessarsene. I pesi Base, FP8, int4, AWQ, GPTQ e GGUF esistono tutti; SGLang, vLLM, llama.cpp, Ollama e OpenVINO sono supportati con supporto fin dal giorno zero; esistono app iOS, Android e HarmonyOS nel repository MiniCPM-V-Apps; e Rockchip, Houmo, Intel, AMD e Arm sono tutti elencati come silicio disponibile dal giorno zero. Sei settimane fa la critica a questo modello era che fosse un checkpoint non documentato. Ora quella critica è superata: è un checkpoint documentato senza benchmark, il che è un problema diverso e più piccolo.

I due, dimensione per dimensione

• Cosa fa con un'immagine — MiniCPM-V 4.7 35B-A3B la legge e risponde in testo; InternLumina-U2 la legge, risponde in testo, ne genera una nuova, ne modifica una esistente e interpreta asset 3D.

Architettura — un MoE sparso autoregressivo da 35,2 miliardi di parametri con 3B attivi, contro un modello di diffusione discreto multi-codebook 16B-A1B. Famiglie diverse, non dimensioni diverse della stessa famiglia.

• Modalità in ingresso — testo, immagine e video rispetto a testo, immagine, video e 3D.

• Modalità in uscita — solo testo rispetto a testo più immagini generate e immagini modificate.

• Dimensione dei pesi — circa 70 GB di BF16 distribuiti su 16 shard rispetto a sette shard per build hardware, pubblicati due volte.

• Licenza — Apache-2.0 su entrambi. Questa è l'unica dimensione in cui i due concordano davvero, e conta, perché una licenza permissiva su un modello di generazione a questa scala non è comune.

• Storia di deployment — build quantizzate, app mobile e cinque runtime di inferenza contro un modulo remote-code e uno script shell, suddivisa per acceleratore.

• Prove pubbliche — una scheda di affermazioni dei fornitori senza tabella di valutazione rispetto a una scheda che etichetta esplicitamente la sua sezione di benchmark come preliminare e non stampa nulla al suo interno.

Il divario tra loro non è di qualità, ma di genere.

Sarebbe soddisfacente dichiarare un vincitore, e sarebbe disonesto. Non esiste un benchmark condiviso tra questi due modelli, nessuna terza parte ha eseguito l'uno o l'altro, e la tabella di valutazione di MiniCPM-V 4.7 non esiste, mentre quella di InternLumina-U2 è esplicitamente contrassegnata come parziale. Chiunque li classifichi oggi sta classificando la qualità della documentazione, non la qualità dei modelli.

Ciò che si può confrontare onestamente è la traccia delle prove, e in questo i due falliscono in direzioni opposte. InternLumina-U2 ti dice molto sull'architettura e quasi nulla sui risultati — un progetto affascinante senza alcuna capacità dimostrata. MiniCPM-V 4.7 ti dice molto sui risultati in prosa e rifiuta di pubblicarli come dati, il che rende difficile falsificare le affermazioni e, di conseguenza, difficile fidarsene. Il primo è uno strumento promettente; il secondo è uno strumento promettente con uno strato di marketing sopra.

Da ciò deriva la lettura pratica. Se ciò di cui hai bisogno è un modello che acquisisce screenshot, documenti o video e restituisce testo, e vuoi eseguirlo in autonomia, MiniCPM-V 4.7 è quello con una procedura di serving, sei runtime e pesi quantizzati che puoi scaricare oggi. Se ciò di cui hai bisogno è un unico modello che comprende e genera immagini nello stesso vocabolario — per pipeline di editing, dati sintetici o ricerca su spazi di token unificati — InternLumina-U2 è l'unico dei due che tenta di farlo, e la seconda cartella di checkpoint comparsa dopo il rilascio del codice di settembre è il primo segno che la ricerca è ancora in evoluzione.

Cosa significa questo se stai solo cercando di rilasciare qualcosa

Entrambi sono file che scarichi e servi da solo. Né MiniCPM-V 4.7 35B-A3B né InternLumina-U2 compare nel catalogo ospitato di OrcaRouter, quindi quanto detto qui non è in alcun modo una via per invocarli come endpoint, e nessun nostro articolo dovrebbe essere letto come se affermasse il contrario. In questa situazione, l'utilità di un router sta nell'altra metà del lavoro: nel momento in cui la tua pipeline ha bisogno di un modello che non vuoi ospitare. OrcaRouter mette oltre 200 modelli ospitati dietro un'unica chiave, applica direttamente il prezzo di listino di ogni provider senza alcun ricarico da parte nostra, e attiva automaticamente il failover quando un provider si degrada — così un team che esegue MiniCPM-V 4.7 in locale per la comprensione di documenti in massa può inoltrare le pagine più difficili a un modello ospitato senza un secondo contratto o un secondo SDK.

Il modello ospitato più vicino a questa forma è Qwen3.6 35B A3B — anch'esso con 35B totali e 3B attivi, anch'esso con contesto da 262K, anch'esso con testo, immagini e video in input e testo in output — disponibile a $0.25 per milione di token di input e $1.48 per milione di token di output, al costo. Questo è un gruppo di controllo davvero utile: se la tua decisione è tra eseguire in self-hosting un MoE multimodale sparso da 70 GB e chiamarne uno equivalente, la seconda opzione è misurabile questo pomeriggio e la prima no.

Cosa cambierebbe questo confronto

Due documenti risolverebbero gran parte della questione. Una tabella di benchmark di OpenBMB trasformerebbe MiniCPM-V 4.7 da un'affermazione in un dato, e il modello draft DSpark — l'unica parte della famiglia con numeri pubblicati, sotto forma di token accettati per passo — è la via esterna meno costosa per arrivare a una prima cifra indipendente. Un rapporto tecnico dello Shanghai AI Laboratory farebbe lo stesso per InternLumina-U2, e sarebbe la prima volta che qualcuno vede il suo vocabolario a otto codebook valutato rispetto a qualcosa.

Fino ad allora, la posizione onesta è questa: di questi due, uno lo puoi mettere in produzione, e l'altro puoi solo studiarlo. Probabilmente quella frase smetterà di essere vera entro un mese, ed è il motivo per cui nessuno dei due modelli merita di essere archiviato come vaporware — sono semplicemente più indietro nella loro vita pubblica di quanto lasci intendere ciò che si scrive su di loro.