Molmo2-4B vs MiniCPM-V 4.7：どちらのモデルも、あなたが思うような位置にはない

タイトルの対戦カードは重みの中に存在しない。Molmo2-4B は単一の 4.85B チェックポイントだ。MiniCPM-V 4.7 は1つのモデルではなく2つであり、どちらも4Bではない。スマートフォン向けに作られた1.55Bのdense版と、約3Bの有効パラメータと262,144トークンのコンテキストを持つ35.2Bのmixture-of-experts版だ。したがって「Molmo2-4B vs MiniCPM-V 4.7」を検索する読者は、実際には3択の問いを投げかけている——4Bという枠をそもそも埋める価値があるのか、フットプリントのために1Bまで下げるのか、能力のためにMoEまで上げるのか。それは入力された問いより有用な問いであり、より明確な答えがある。 3モデルの意思決定は、モデリングの問題である前にルーティングの問題だ。 ルーティングDSLは、モデルごとに1つのコントラクトを結ぶのではなく、複数のモデルを1回の呼び出しに合成する。

ここでは日付も重要だ。というのも、どちらのモデルも実際より新しいものとして頻繁に説明されているからだ。Molmo2-4Bは2025年12月11日にAllen Institute for AIが発表し、Hugging Faceでの重み公開は12月14日からだった。MiniCPM-V 4.7の重みは2026年10月6日と7日に公開され、続いて10月12日にモデルカード、10月15日にはModelBestとOpenBMBによる英語のプレスリリースが出た。Molmo側の最近の変化は新しいモデルではない。Molmo2は、2026年10月9日にPR #43451がマージされたことで上流のTransformersにおいてネイティブアーキテクチャとなり、10月15日にv5.20.0でリリースされた。また11月5日にはAi2がロボティクステストベッド向けのMolmo2-4Bファインチューンを公開した。どちらもモデルを見直す理由として受け取ってよい。どちらもローンチではない。

3つのチェックポイント、曲線上の3つの位置

• パラメータ — Molmo2-4B は 4.85B、MiniCPM-V 4.7-1B は 1.55B、MiniCPM-V 4.7-35B-A3B は合計 35.2B で、トークンあたり約 3B がアクティブです。

• アーキテクチャ — Molmo2-4B は SigLIP 2 タワーを Qwen3-4B-Instruct-2507 に接続した構成です。MiniCPM-V 4.7 のペアは LLaVA-UHD v4 による ViT 内部での早期圧縮を採用し、4x/16x の混在ビジュアルトークン圧縮を行っています。また 35B 版は MiniCPM-V シリーズ初の MoE です。

• コンテキスト — Molmo2-4B は 36,864 ポジション、MiniCPM-V 4.7 の両バリアントは 262,144 トークン。

• モダリティ — Molmo2-4B は画像、複数画像、動画を扱い、0～1000 の画像空間でポインティング座標を出力します。MiniCPM-V 4.7 は単一画像、複数画像、動画を扱い、テキストで回答します。

• ライセンス — Molmo2-4B は重みが Apache 2.0 で、モデルカードにはその学習データが学術および非商用の研究利用のみに供される旨の警告がある。MiniCPM-V 4.7 の両バリアントは Apache 2.0 である。

• 配布状況 — Molmo2-4B は float32 の safetensors 形式で 19.42 GB、4 シャード構成、公式の量子化はなし。MiniCPM-V 4.7 は両サイズで GGUF、int4、AWQ、GPTQ、FP8、DSpark の各バリアントを提供。

配布の行こそが、実際のプロジェクトを左右する。262,144トークンのコンテキストは、それを保持する余裕があって初めて役に立つ。OpenBMBは、実際に配備される量子化フォーマットを公開するという地味な仕事をやってのけた。公式の1B GGUF（Q4_K_M）は672 MBで、これはデモと、すでに手元にあるデバイスで動くものとの違いだ。

4Bが実際に優位に立つのはどこか

Molmo2-4Bの強みは、MiniCPM-V 4.7の2モデルが同じようには実現していない2つの点にあります。第一級の出力としてのポインティングと、タイムスタンプ付きの動画トラッキングです。

ポインティング形式は、0～1000座標の数値ポイントを、モデルカードが正規表現を同梱しているタグで囲んだものです。マルチ画像ポインティングは、フレームインデックス、x、yの三つ組のリストに平坦化されます。これは「オブジェクトがどこにあるかを説明する」こととは異なる契約であり、構築できるもの、すなわちクロップパイプライン、関心領域のフォローアップ、カウントして検証するループ、そして下流ステージが文ではなく座標を必要とするあらゆるワークフローを変えます。

動画がパラメータ予算の配分先だ。Ai2のカードは、学習データの中に動画キャプションQA、動画字幕QA、動画ポインティング、動画トラッキング、2つのマルチ画像ポインティングセットを挙げており、公開されている動画プリプロセッサはデフォルトで384フレーム、2 fps、378×378、3×3プーリングだ。MiniCPM-V 4.7は動画をサポートしている——OpenBMBは35B-A3BでLongVideoBench 68.9、1Bで53.4を報告している——が、その経路ではテキスト出力モデルであり、長い動画は同じトークン予算をプロンプトと奪い合う。

MiniCPM-V 4.7が2度勝る点

このレンジの最下位に位置する1Bは、まったく別格の存在だ。1.55Bパラメータで、Molmo2-4Bのおよそ3分の1のサイズであり、llama.cppとOllamaで動作し、OpenBMBはOCRBench 86.1、MathVista 74.3、CharXiv 48.8という数値を報告している。これらはベンダーが選んだハーネス上でのベンダー公表値であり、そういうものとして読むべきだ。しかし、全ページOCRをそれなりにこなす1.55Bモデルは、GPUを必要とする4.85Bモデルとはまったく異なる調達判断となる。

最上位モデルでは、35B-A3B が 4B の話を視野の狭いものに見せる。OpenBMB が公表した数値には、MMMU 80.2、OCRBench 91.2（4倍視覚トークン時）と 90.40（16倍時）、CharXiv 75.6、LongVideoBench 68.9、MathVerse 86.5、MathVista 88 が含まれる。また、ベンチマーク以上に興味深いことも主張している。Lookahead Expert Scheduling、レイヤーワイズ量子化、DSpark 投機的サンプリングを用いると、35B-A3B は iPhone 17 Pro Max 上で約 3 GB のメモリで 13+ tokens/s のデコードを実現するという。これはモデル一般の特性ではなく、特定のツールチェーンに関するベンダー主張として扱うべきだが、もし事実なら、オンデバイスで密な 4B を選ぶ通常の理由がなくなる。

これらはすべてベンダーによる報告です。OpenBMBもAi2も、相手のベンチマークスイートで自社モデルの結果を公開していないため、上記のどの行も直接対決ではありません。

デプロイメニューこそが、過小評価されている違いだ。

MiniCPM-V 4.7は推論用にSGLang、vLLM、llama.cpp、Ollamaを、ファインチューニング用にSWIFTとLLaMA-Factoryを挙げ、Rockchip、Houmo、Intel、AMD、Armへのday-0サポートを提供している。Molmo2-4Bのカードにはリモートコード付きのTransformers、別個のmolmo_utils依存関係、動画用のdecord2が記載されており、AI2自身のプラットフォームドキュメントは安定版ではなくvLLM nightlyを指している。10月にネイティブのTransformersサポートがv5.20.0で導入され、リモートコード要件が任意になったことで差は縮まったが、依然として差はある。一方のプロジェクトには量子化マトリクスがあり、もう一方は研究リリースだ。

ここが、ルーティングがスローガンではなく実際に価値を発揮する場面だ。低コストな経路にはオンデバイスで MiniCPM-V 4.7 1B を、難しい経路にはより大きなモデルを使いたいチームも、そのために2つの契約を結ぶ必要はない。ルーティング DSL は複数のモデルを1つのエンドポイントの背後に構成し、0%のマークアップとは、プロバイダーの定価がそのまま支払額になるという意味なので、ベンダーの値下げは当日に反映される。これは、単純なAかBかの選択よりも、このような3モデルの判断においてより重要だ。

実際に選ぶ方法

メモリが制約条件なら、MiniCPM-V 4.7-1Bを選んでください。Molmo2-4Bパッケージには672 MBに近づくものすらなく、どれほどポインティング精度が高くても、収まらないモデルを補えるものではありません。

コストあたりの性能が制約条件で、MoEを提供できるなら、MiniCPM-V 4.7-35B-A3Bを選ぶべきだ。OpenBMB自身の数値を見れば、これは小さい2モデルのどちらとも次元が違うし、アクティブパラメータ数のおかげでトークンあたりのコストは35Bよりも3Bに近いままに抑えられる。

要件が座標であれば、Molmo2-4Bを選ぶべきです。タイムスタンプ付きのポイント、複数画像のポインティングとトラッキングこそが、このモデルが存在する理由です。MiniCPM-V 4.7のドキュメントには、同等の出力契約について何も記載されていません。

そして、19 GB の float32 ダウンロードなしで画像・複数画像・動画を扱える 4B クラスの汎用モデルが本当に必要な場合、正直に言えば、この特定の組み合わせにはそれがありません。その枠に入っている比較対象は Molmo2-4B だけであり、しかも3つの中で最も薄いデプロイツール群を伴って登場します。これを変えるものは、公式の量子化された Molmo2-4B、あるいは 4B クラスの MiniCPM-V でしょう。どちらも今日は存在しません。