MiniCPM-V 4.7 35B-A3B 対 InternLumina U2：二隻の静かな船、二つの正反対の答え

MiniCPM-V 4.7 35B-A3B も InternLumina-U2 も、重みが公開された時点では発表されていなかった。どちらもオープンウェイトで、どちらも中国のラボから出ており、どちらも各チームが今年リリースした最大のマルチモーダルモデルであり、どちらもブログ記事も基調講演もローンチ当日もなしにハブへ到達した。似ているのはそこまでだ。MiniCPM-V 4.7 35B-A3B は画像を読み取ってテキストで答える。InternLumina-U2 は画像を読み取ってテキストで答えるだけでなく、新しい画像を描き、それらを編集し、3Dアセットをレンダリングする。一方は携帯電話に載るほど小さく作られ、もう一方は携帯電話には到底収まらない160億パラメータの拡散研究だ。並べて読むと、これらは同じカテゴリの2項目ではない——視覚言語モデルは何のためにあるのかという問いへの、誰も注目しないまま互いに5週間以内に公開された2つの異なる答えなのだ。

ここで知り得ることは明確に二分される。以下のMiniCPM側に関するすべては、リポジトリ、モデルカード、設定ファイルに由来し、これらはいずれも誰でも読める。InternLumina側のすべては、ラボ自身のモデルカードと、ラボが公開しているファイルツリーに由来する。そのカードのベンチマーク欄には「暫定的、部分的な結果」と記されているだけで、数値は一切載っていない。どちらのモデルも独立した評価を受けておらず、この記事の中にローンチは一つもない。OpenBMBがMiniCPM-V 4.7をリリースと呼んだのは10月12日になってからであり、公開記録が示す限り、Shanghai AI LaboratoryはInternLumina-U2をまだリリースとは呼んでいない。

静かな2隻の船、5週間の隔たり

MiniCPM-V 4.7 のフォルダは、2026年10月6日に Hugging Face に初めて現れた。ハブは現在、作成タイムスタンプを10月7日と報告しており、リポジトリの最終更新は10月12日だった。InternLumina-U2 リポジトリは9月1日に作成された。どちらの日付にも発表は添えられていない。しかし、それ以降、両者は異なる形で時間が経過しており、その違いこそがこの比較で最も有用な点だ。

InternLumina-U2は9月1日、コードのみとして出荷された。そのバージョンは推論ハーネスとREADME、そして約束にすぎなかった——重みは「近日公開」で、Hugging Faceのリポジトリには.gitattributesファイルが1つだけ置かれ、技術レポートは公開予定と記されていた。しかし、それはもう当てはまらない。現在このリポジトリには、ハードウェア別の完全なチェックポイントが2つ収められており、1つはascend/の下、もう1つはnvidia/の下にあり、それぞれに7つのsafetensorsシャード、専用のremote-codeモジュール、パラレルプラン、トークナイザーが付属している。重みは静かに到着し、誰もその説明を更新しなかった。これを書いている時点で、リポジトリは16いいね、記録されたダウンロード数はゼロで、技術レポートはまだ公開されていない。

MiniCPM-V 4.7は逆方向に進んだ。10月にはモデルカードのない重みとして登場し、フォルダにはREADMEもライセンスタグもベンチマークもなく、これは以前の記事に記録したとおりだった。10日後には最初の3つすべてが揃ったが、最後のものは依然としてない。Apache-2.0ライセンス、利用ガイド付きの完全なカード、数値の入った主張セクションはあるが、読者が引用できる評価表はない。つまり、両者について正確にまとめれば、どちらの場合も重みの後にドキュメントが到着し、その間に告知は一切なかったということだ。

InternLumina-U2とは実際には何なのか

このカードは、1Bのアクティブパラメータを持つ16Bパラメータの混合エキスパートモデル — 16B-A1Bと表記 — について説明しており、マルチコードブック拡散大規模言語モデルとして構築されている。重要なのは「完全に離散的」という表現だ。InternLumina-U2の中心的な賭けは、言語と視覚が別々の理解と生成のスタックに分かれるのではなく、単一のトークン語彙を共有すべきだという点にあり、初期の統合モデルにおけるボトルネックは視覚語彙そのものだったということだ。その答えは、AToken上に構築された8コードブックの離散視覚表現であり、これによって同じ重みが画像を解釈し、画像を合成できるようになる。

対象範囲は意図的に広くとられている。テキストQA、最大1024×1024のテキストから画像の生成、自然画像や高密度なチャートに対する画像理解、任意のデュアルCFGモードを備えた指示ベースの画像編集、サンプリングされたフレームに対する動画理解、そしてGLBおよびGLTFアセットに対する3D理解である。3D経路は異色の存在で、最も興味深い。アセットはトークン化の前に、同梱のBlenderパイプラインを通じてカラーと深度のビューにレンダリングされる。これは、画像モデルに幾何学を教えることなく、幾何学のために再利用する巧妙な方法だ。

エンジニアリング上の2つの詳細は、異例であるため、指摘する価値がある。第一に、両方のチェックポイントは1つのリポジトリに存在し、アクセラレータごとに分かれている。Huawei NPUでトレーニングされたAscendビルドと、GPUでトレーニングされたNVIDIAビルドだ。これは、輸出と供給の制約に対する意図的なヘッジであり、つまり「どのチェックポイントか」はInternLumina-U2のユーザーが何よりも先に答える必要がある問いであることを意味する。第二に、モデルカードには、モデルがApache-2.0であり、但し書きがないと記載されている——真に寛容であり、研究専用の条件でリリースされた2026年の複数のマルチモーダルリリースとは対照的だ。

MiniCPM-V 4.7 35B-A3B が今どうなっているのか

モデルカードではこれをMiniCPM-Vシリーズ初のMoEと称しており、設定ファイルもそれを裏付けている。256のエキスパートを備え、トークンごとに8がアクティブ、40層、262,144トークンのコンテキストウィンドウ、語彙数は248,144。視覚はSigLIP2モジュールを通じて処理され、LLaVA-UHD v4のViT内早期圧縮と、4x/16x混合トークン圧縮モードを備える。16xがスループット向けのデフォルトで、細部が必要なときは4x、呼び出し時に選択される。単一画像、複数画像セット、動画を理解し、テキストで回答する。画像生成は行わない。

OpenBMBが太字で主張しているのは、これがロスレスでスムーズなオンデバイス推論を実現した初のオープンソースMoEモデルであるという点であり、それは3つの名付けられた技術——ルックアヘッド・エキスパート・スケジューリング、細粒度のレイヤー単位量子化、そして別個のDSparkドラフトによる投機的サンプリング——によって達成されている。それに付された数値は、iPhone 17 Pro Max上で毎秒13トークン以上というものだ。この数値はベンダーによる報告であり、再現されておらず、条件も明示されていない——量子化フォーマットも、ビルドも、プロンプトも、測定方法論もない。カードはまた、InstructモードにおいてこのモデルがQwen3.6 35B-A3Bよりも短い推論時間でより高い総合スコアを得ると主張しており、その主張は表ではなくチャート画像の中に存在する。つまり、それは数値として引用することはできず、数値として扱うべきではない。

主張ではないのは配布作業であり、それが気に掛ける実用的な理由だ。Base、FP8、int4、AWQ、GPTQ、GGUFの重みはすべて存在し、SGLang、vLLM、llama.cpp、Ollama、OpenVINOはday-zero対応でサポートされ、iOS、Android、HarmonyOSのアプリはMiniCPM-V-Appsリポジトリに存在し、Rockchip、Houmo、Intel、AMD、Armはすべてday-zeroシリコンとしてリストされている。6週間前、このモデルへの批判は、文書化されていないチェックポイントであるというものだった。その批判は今や時代遅れだ — ベンチマークのない文書化されたチェックポイントであり、それは別の、より小さな問題である。

その2つを、次元ごとに

• 画像に対してできること — MiniCPM-V 4.7 35B-A3B は画像を読み取ってテキストで回答します。InternLumina-U2 は画像を読み取り、テキストで回答し、新しい画像を生成し、既存の画像を編集し、3D アセットを解釈します。

• アーキテクチャ — 35.2Bパラメータの自己回帰スパースMoE（アクティブ3B）と、16B-A1Bのマルチコードブック離散拡散モデルの対比。同じ系列のサイズ違いではなく、異なる系列である。

• 入力モダリティ — テキスト、画像、動画 対 テキスト、画像、動画、3D。

• 出力モダリティ — テキストのみ 対 テキスト＋生成画像および編集画像。

• 重みのサイズ — 16個のシャードにわたるおよそ70 GBのBF16で、ハードウェアビルドあたり7個のシャードに対して、2回にわたって公開されています。

• ライセンス — 両方とも Apache-2.0。これが、両者が真に一致している唯一の側面であり、そしてそれは重要なことだ。なぜなら、この規模の生成モデルに寛容なライセンスが適用されることは、決して一般的ではないからだ。

• デプロイ事情 — 量子化ビルド、モバイルアプリ、5つの推論ランタイム 対 リモートコードモジュールとシェルスクリプト、アクセラレータ別の内訳。

• 公開されている根拠 — 評価表のないベンダーの主張を記載したカードと、ベンチマークセクションを暫定的であると明示し、その中に何も記載していないカードとの対比。

両者の隔たりは質ではなく、種類である

勝者を宣言できれば気持ちがいいだろうが、それは不誠実でもある。これら2つのモデル間に共通のベンチマークはなく、第三者がどちらを実行したこともなく、MiniCPM-V 4.7自身の評価表は存在しない一方で、InternLumina-U2のものは明示的に部分的と記されている。今日それらを順位付けする者は、モデルの品質ではなく、ドキュメントの品質を順位付けしているのだ。

正直に比較できるのは証拠の軌跡であり、そこで両者は正反対の方向に失敗している。InternLumina-U2はアーキテクチャについて多くを語り、結果についてはほとんど何も語らない——実証された能力を伴わない、魅力的な設計だ。MiniCPM-V 4.7は結果について散文で多くを語りながら、それをデータとして公開することを拒んでいる。そのため主張は反証しにくく、それだけに信頼しにくい。前者は有望な計器であり、後者はその上にマーケティング層が載った有望な計器だ。

実用的な結論はそこから導かれる。必要なのが、スクリーンショットや文書、動画を取り込んでテキストを返すモデルで、しかも自分で動かしたいのであれば、サービングレシピ、6つのランタイム、そして今すぐダウンロードできる量子化済み重みを備えた MiniCPM-V 4.7 がそれにあたる。必要なのが、同じ語彙で画像を理解し生成する単一のモデル——編集パイプライン、合成データ、統合トークン空間の研究などのため——であれば、InternLumina-U2 は2つのうちそれを試みている唯一のものであり、9月のコード公開後に現れた2つ目のチェックポイントフォルダは、研究がまだ動き続けている最初の兆候だ。

ただ何かを出荷しようとしているだけなら、これが意味すること

これらはどちらも、ご自身でダウンロードしてご自身で配信するファイルです。MiniCPM-V 4.7 35B-A3B も InternLumina-U2 も OrcaRouter のホスト型カタログには掲載されていないため、ここに書かれていることは、これらをエンドポイントとして呼び出すための経路にはなりません。また、当社の記事のいずれも、そうであるかのように読まれるべきではありません。このような状況でルーターが役立つのは、仕事のもう半分の部分です。つまり、あなたのパイプラインが、自分ではホストしたくないモデルを必要としたその瞬間です。OrcaRouter は、200 以上のホスト型モデルを 1 つのキーの背後に置き、各プロバイダーの定価を当社のマークアップなしでそのまま通し、プロバイダーが劣化したときには自動的にフェイルオーバーします — そのため、大量の文書理解のために MiniCPM-V 4.7 をローカルで実行しているチームは、2 つ目の契約や 2 つ目の SDK なしで、難しいページをホスト型モデルにエスカレーションできます。

この形に最も近いホスト型モデルは Qwen3.6 35B A3B です — 同じく総パラメータ35B・アクティブ3B、同じく262Kコンテキスト、同じくテキスト・画像・動画を入力してテキストを出力 — 入力トークン100万あたり0.25ドル、出力トークン100万あたり1.48ドルで、原価で利用できます。これは実に有用な対照群です。70 GBのスパースなマルチモーダルMoEをセルフホストするか、同等のものを呼び出すかで判断するなら、後者の選択肢は今日の午後には測定できますが、前者はできません。

この比較を変えるものは何でしょうか？

2つの文書があれば、その大半は決着するだろう。OpenBMBによるベンチマーク表があれば、MiniCPM-V 4.7は主張からデータポイントへと変わる。そしてDSparkドラフトモデル——このファミリーで唯一、ステップあたりの受理トークン数という形で公開数値がある部分——は、最初の独立した数値を得るための最も安価な外部ルートだ。Shanghai AI Laboratoryによる技術レポートはInternLumina-U2にとっても同じ役割を果たし、その8コードブック語彙が何かと比較して採点されるのを誰かが目にするのは、初めてのことになるだろう。

それまでは、正直に言えばこうだ。この2つのうち、一方は実運用に投入でき、もう一方は研究するしかない。その一文はおそらく1か月以内に真実ではなくなる。そしてそれこそ、どちらのモデルもベイパーウェアとして片付けられるに値しない理由だ——両者は、それらについて書かれた文章が示唆するよりも、公の場での歩みがまだ早い段階にあるにすぎない。