Molmo2-4B vs MiniCPM-V 4.7: Nessuno dei due modelli è dove pensi che sia

Il confronto nel titolo non esiste nei pesi. Molmo2-4B è un singolo checkpoint da 4,85B. MiniCPM-V 4.7 non è un solo modello ma due, e nessuno dei due è un 4B: una variante densa da 1,55B pensata per i telefoni e una variante mixture-of-experts da 35,2B con circa 3B parametri attivi e un contesto di 262.144 token. Quindi un lettore che cerca "Molmo2-4B vs MiniCPM-V 4.7" sta in realtà ponendo una domanda a tre opzioni — ha senso occupare lo slot 4B, oppure si scende a 1B per l'ingombro o si sale al MoE per la capacità? È una domanda più utile di quella digitata, e ha una risposta più chiara. Una decisione tra tre modelli è un problema di routing prima ancora che di modellazione. Il DSL di routing compone più modelli in un'unica chiamata invece di un contratto per modello.

Le date contano anche qui, perché entrambi i modelli vengono spesso descritti come più recenti di quanto non siano. Molmo2-4B è stato annunciato dall'Allen Institute for AI l'11 dicembre 2025, con i pesi su Hugging Face dal 14 dicembre. I pesi di MiniCPM-V 4.7 sono stati pubblicati il 6 e 7 ottobre 2026, la scheda modello è seguita il 12 ottobre e un comunicato stampa in inglese di ModelBest e OpenBMB il 15 ottobre. Il recente cambiamento sul fronte Molmo non è un nuovo modello: Molmo2 è diventato un'architettura nativa in Transformers upstream quando la PR #43451 è stata integrata il 9 ottobre 2026 ed è stato rilasciato nella v5.20.0 il 15 ottobre, e il 5 novembre Ai2 ha pubblicato un fine-tuning di Molmo2-4B per un banco di prova robotico. Considerare l'una o l'altra cosa come un motivo per rivedere il modello. Nessuna delle due è un lancio.

Tre checkpoint, tre posizioni sulla curva

• Parametri — Molmo2-4B è 4,85B; MiniCPM-V 4.7-1B è 1,55B; MiniCPM-V 4.7-35B-A3B è 35,2B totali con circa 3B attivi per token.

Architettura — Molmo2-4B è una torre SigLIP 2 avvitata a Qwen3-4B-Instruct-2507; la coppia MiniCPM-V 4.7 utilizza la compressione anticipata intra-ViT di LLaVA-UHD v4 con compressione mista dei token visivi 4x/16x, e la variante da 35B è il primo MoE della linea MiniCPM-V.

• Contesto — 36.864 posizioni per Molmo2-4B; 262.144 token per entrambe le varianti di MiniCPM-V 4.7.

• Modalità — Molmo2-4B gestisce immagini, immagini multiple e video, ed emette coordinate di puntamento nello spazio immagine 0–1000; MiniCPM-V 4.7 gestisce immagini singole, immagini multiple e video, e risponde in testo.

• Licenza — Molmo2-4B è Apache 2.0 sui pesi, con la scheda che avverte che i suoi dati di addestramento sono soggetti a uso esclusivo per ricerca accademica e non commerciale; entrambe le varianti di MiniCPM-V 4.7 sono Apache 2.0.

• Distribuzione — Molmo2-4B è in safetensors float32, 19,42 GB, quattro shard, nessuna quantizzazione ufficiale; MiniCPM-V 4.7 è disponibile in varianti GGUF, int4, AWQ, GPTQ, FP8 e DSpark per entrambe le dimensioni.

La riga della distribuzione è quella che decide i progetti reali. Un contesto di 262.144 token è utile solo se puoi permetterti di tenerlo in memoria, e OpenBMB ha fatto il lavoro poco appariscente di pubblicare i formati quantizzati che le persone effettivamente mettono in produzione — il GGUF ufficiale da 1B a Q4_K_M è 672 MB, cioè la differenza tra una demo e qualcosa che gira su un dispositivo che possiedi già.

Dove il 4B vince davvero

Il caso di Molmo2-4B si basa su due cose che la coppia MiniCPM-V 4.7 non fa allo stesso modo: il pointing come output di prima classe e il tracciamento video con timestamp.

Il formato di pointing è un punto numerico in coordinate 0–1000, racchiuso in un tag per cui la model card fornisce una regex. Il pointing multi-immagine si appiattisce in un elenco di terne indice-frame, x, y. È un contratto diverso da "descrivi dove si trova l'oggetto" e cambia ciò che puoi costruire: pipeline di ritaglio, follow-up su regioni di interesse, cicli conta-poi-verifica e qualsiasi flusso di lavoro in cui una fase a valle necessita di una coordinata anziché di una frase.

Il video è dove va il budget di parametri. La scheda di Ai2 elenca tra i suoi dati di addestramento video captioning QA, video subtitle QA, video pointing, video tracking e due set di multi-image pointing, e il preprocessore video rilasciato usa per impostazione predefinita 384 frame a 2 fps a 378×378 con pooling 3×3. MiniCPM-V 4.7 supporta il video — OpenBMB riporta LongVideoBench 68,9 per il 35B-A3B e 53,4 per il 1B — ma su quel percorso è un modello text-out, e un video lungo compete con il prompt per lo stesso budget di token.

Dove MiniCPM-V 4.7 vince, due volte

All'estremità inferiore della gamma, il modello 1B è un oggetto di una classe diversa. Con 1,55 miliardi di parametri è circa un terzo della dimensione di Molmo2-4B, funziona con llama.cpp e Ollama, e OpenBMB riporta per esso OCRBench 86,1, MathVista 74,3 e CharXiv 48,8. Quelli sono numeri del fornitore su un harness scelto dal fornitore, e vanno letti come tali — ma un modello da 1,55B che fa OCR di pagina intera in modo credibile è una decisione di acquisto genuinamente diversa da un modello da 4,85B che richiede una GPU.

In cima alla gamma, il 35B-A3B fa sembrare provinciale la questione del 4B. Le cifre pubblicate da OpenBMB per esso includono MMMU 80,2, OCRBench 91,2 con 4x token visivi e 90,40 con 16x, CharXiv 75,6, LongVideoBench 68,9, MathVerse 86,5 e MathVista 88. Rivendica anche qualcosa di più interessante di un benchmark: con Lookahead Expert Scheduling, quantizzazione layer-wise e campionamento speculativo DSpark, il 35B-A3B decodifica a 13+ token/s in circa 3 GB di memoria su un iPhone 17 Pro Max. Consideralo un'affermazione del fornitore relativa a una specifica toolchain, non una proprietà generale del modello — ma se regge, elimina il motivo abituale per preferire un 4B dense su dispositivo.

Tutti questi dati sono dichiarati dai fornitori. Né OpenBMB né Ai2 hanno pubblicato risultati per il proprio modello sulla suite di benchmark dell'altro, quindi nessuna riga sopra è un confronto diretto.

Il menu di deployment è la differenza sottovalutata

MiniCPM-V 4.7 elenca SGLang, vLLM, llama.cpp e Ollama per l'inferenza, SWIFT e LLaMA-Factory per il fine-tuning, e il supporto day-0 per Rockchip, Houmo, Intel, AMD e Arm. La scheda di Molmo2-4B elenca Transformers con codice remoto, una dipendenza separata molmo_utils e decord2 per il video, e la documentazione della piattaforma di AI2 rimanda alla nightly di vLLM anziché alla versione stabile. Il divario si è ridotto in ottobre, quando il supporto nativo per Transformers è arrivato nella v5.20.0 e il requisito del codice remoto è diventato opzionale, ma resta comunque un divario: un progetto ha una matrice di quantizzazione, l'altro ha una release di ricerca.

È qui che il routing si guadagna il suo posto invece di essere uno slogan. Un team che vuole il MiniCPM-V 4.7 1B sul dispositivo per il percorso economico e un modello più grande per il percorso difficile non ha bisogno di due contratti per farlo — il DSL di routing compone diversi modelli dietro un unico endpoint, e 0% di ricarico significa che il prezzo di listino del provider è quello che paghi, quindi un taglio di prezzo del fornitore è attivo lo stesso giorno. Questo conta di più per una decisione a tre modelli come questa che per una semplice scelta A o B.

Come scegliere davvero

Se il vincolo è la memoria, scegli MiniCPM-V 4.7-1B. Niente nel pacchetto Molmo2-4B si avvicina a 672 MB, e nessun livello di precisione di puntamento compensa un modello che non entra.

Se il vincolo è la capacità per dollaro e puoi servire un MoE, scegli MiniCPM-V 4.7-35B-A3B. Secondo i dati di OpenBMB stesso, è di un'altra categoria rispetto a entrambi i modelli più piccoli, e il numero di parametri attivi mantiene il costo per token più vicino a un 3B che a un 35B.

Se il requisito è una coordinata, scegli Molmo2-4B. Punti con timestamp, pointing e tracking multi-immagine sono le ragioni per cui il modello esiste; nulla nella documentazione di MiniCPM-V 4.7 descrive un contratto di output equivalente.

E se hai davvero bisogno di un generalista di classe 4B che gestisca immagini, più immagini e video senza un download float32 da 19 GB, la risposta onesta è che questo confronto specifico non ne offre uno — Molmo2-4B è l'unico modello del confronto in quella posizione, e arriva con gli strumenti di deployment più scarni dei tre. Cosa cambierebbe la situazione: un Molmo2-4B quantizzato ufficiale, oppure un MiniCPM-V di classe 4B. Nessuno dei due esiste oggi.