MiniCPM-V 4.7 35B-A3B vs InternLumina U2: Twee stille schepen, twee tegenovergestelde antwoorden

Noch MiniCPM-V 4.7 35B-A3B noch InternLumina-U2 werden aangekondigd toen hun gewichten verschenen. Beide zijn open-weight, beide komen uit Chinese labs, beide zijn de grootste multimodale release die hun team dit jaar heeft uitgebracht, en beide bereikten de hub zonder blogpost, zonder keynote en zonder lanceringsdag. Daar houdt de gelijkenis op. MiniCPM-V 4.7 35B-A3B leest afbeeldingen en antwoordt in tekst; InternLumina-U2 leest afbeeldingen, antwoordt in tekst en tekent ook nieuwe, bewerkt ze en rendert 3D-assets. De ene is gebouwd om klein genoeg te zijn om op een telefoon te passen; de andere is 16 miljard parameters aan diffusieonderzoek dat nergens in de buurt van een telefoon zal passen. Naast elkaar gelezen zijn het geen twee vermeldingen in dezelfde categorie — het zijn twee verschillende antwoorden op de vraag waarvoor een vision-languagemodel dient, binnen vijf weken na elkaar gepubliceerd terwijl niemand toekeek.

Wat hier kenbaar is, valt netjes uiteen. Alles over de MiniCPM-kant hieronder komt uit de repository, de modelkaart en het configuratiebestand, die iedereen kan lezen. Alles aan de InternLumina-kant komt uit de eigen modelkaart van het lab en de bestandsboom die het heeft gepubliceerd; de benchmarksectie van de kaart zelf is voorzien van het label 'Voorlopige, gedeeltelijke resultaten' en bevat helemaal geen cijfers. Geen van beide modellen is onafhankelijk geëvalueerd, en niets in dit stuk is een lancering: OpenBMB noemde MiniCPM-V 4.7 pas op 12 oktober een release, en voor zover de openbare gegevens laten zien, heeft Shanghai AI Laboratory InternLumina-U2 nog niet als zodanig bestempeld.

Twee stille schepen, vijf weken uit elkaar

De map MiniCPM-V 4.7 verscheen voor het eerst op Hugging Face op 6 oktober 2026; de hub meldt nu een aanmaaktijdstempel van 7 oktober, en de repository is voor het laatst aangeraakt op 12 oktober. De repository InternLumina-U2 werd op 1 september aangemaakt. Aan geen van beide datums is een aankondiging verbonden. Maar sindsdien zijn de twee verschillend verouderd, en dat verschil is het nuttigste ding in deze vergelijking.

InternLumina-U2 werd op 1 september alleen als code uitgebracht. Die versie was een inferentieharnas, een README en een belofte — de weights waren "binnenkort beschikbaar", de Hugging Face-repository bevatte één .gitattributes-bestand, en het technische rapport was gemarkeerd als aanstaande. Dat is niet langer het geval. De repository bevat nu twee complete hardwarespecifieke checkpoints, één onder ascend/ en één onder nvidia/, elk met zeven safetensors-shards, een eigen remote-code-module, een parallelplan en een tokenizer. De weights kwamen geruisloos binnen en niemand heeft het verhaal bijgewerkt. Op het moment van schrijven staat de repository op 16 likes en nul geregistreerde downloads, en het technische rapport is nog steeds niet uit.

MiniCPM-V 4.7 ging de andere kant op. Het arriveerde in oktober als gewichten zonder modelkaart — de map had geen README, geen licentietag en geen benchmarks, precies wat ons eerdere verslag vastlegde. Tien dagen later heeft het alle drie de eerste dingen en nog steeds niets van het laatste: een Apache-2.0-licentie, een volledige kaart met gebruikshandleidingen, en een sectie met claims die cijfers bevat, maar geen evaluatietabel die een lezer kan citeren. De nauwkeurige samenvatting van beide is dus dat de documentatie arriveerde nadat de gewichten dat deden, in beide gevallen, zonder aankondiging ertussen.

Wat InternLumina-U2 eigenlijk is

De kaart beschrijft een mixture-of-experts-model met 16B parameters en 1B actieve parameters — geschreven als 16B-A1B — gebouwd als een multi-codebook diffusie-large language model. De frase die ertoe doet is "volledig discreet": de centrale gok van InternLumina-U2 is dat taal en visie één tokenvocabulaire zouden moeten delen in plaats van in afzonderlijke stacks voor begrip en generatie te leven, en dat de bottleneck in eerdere unified modellen het visuele vocabulaire zelf was. Het antwoord daarop is een discrete visuele representatie met acht codebooks, gebouwd op AToken, waardoor dezelfde gewichten zowel een afbeelding kunnen interpreteren als er een kunnen synthetiseren.

De scope is bewust breed: tekst-QA, tekst-naar-afbeelding-generatie tot 1024×1024, beeldbegrip van natuurlijke afbeeldingen en dichte grafieken, op instructies gebaseerde beeldbewerking met een optionele dual-CFG-modus, videobegrip over gesamplede frames, en 3D-begrip van GLB- en GLTF-assets. Het 3D-pad is de vreemde eend in de bijt en het meest interessant — assets worden vóór tokenisatie gerenderd naar kleur- en dieptebeelden via een meegeleverde Blender-pipeline, wat een slimme manier is om een beeldmodel voor geometrie te hergebruiken zonder het geometrie te leren.

Twee technische details zijn het vermelden waard omdat ze ongebruikelijk zijn. Ten eerste bevinden beide checkpoints zich in één repository, gesplitst per accelerator: een Ascend-build die is getraind op Huawei-NPU's en een NVIDIA-build die is getraind op GPU's. Dat is een bewuste afdekking tegen export- en leveringsbeperkingen, en het betekent dat "welk checkpoint" een vraag is die gebruikers van InternLumina-U2 als allereerste moeten beantwoorden. Ten tweede vermeldt de modelkaart dat het model Apache-2.0 is zonder voorbehouden — echt permissief, in tegenstelling tot verschillende multimodale releases uit 2026 die onder onderzoeksvoorwaarden zijn uitgebracht.

Wat MiniCPM-V 4.7 35B-A3B nu is

De modelkaart noemt het de eerste MoE in de MiniCPM-V-serie, en het configuratiebestand bevestigt dat: 256 experts met 8 actief per token, 40 lagen, een contextvenster van 262.144 tokens en een vocabulaire van 248.144 tokens. Beeldverwerking verloopt via een SigLIP2-module met LLaVA-UHD v4 vroege intra-ViT-compressie en een gemengde 4x/16x-tokencompressiemodus — standaard 16x voor doorvoer, 4x wanneer je fijne details nodig hebt, gekozen op het moment van aanroepen. Het begrijpt losse afbeeldingen, sets met meerdere afbeeldingen en video; het antwoordt in tekst; het genereert geen afbeeldingen.

De bewering die OpenBMB vetgedrukt maakt, is dat dit het eerste open-source MoE-model is met lossless, vloeiende inferentie op het apparaat zelf, bereikt via drie met naam genoemde technieken: Lookahead Expert Scheduling, fijnmazige kwantisatie per laag, en speculatieve sampling via de afzonderlijke DSpark-drafts. Het cijfer dat eraan hangt, is 13-plus tokens per seconde op een iPhone 17 Pro Max. Dat cijfer is door de leverancier gerapporteerd, niet gereproduceerd en niet nader gespecificeerd — geen kwantisatieformaat, geen build, geen prompt, geen meetmethodologie. De modelkaart beweert ook dat het model in Instruct-modus een hogere totaalscore behaalt dan Qwen3.6 35B-A3B in minder inferentietijd, en die bewering staat in een grafiekafbeelding in plaats van in een tabel, wat betekent dat ze niet als een getal kan worden geciteerd en ook niet als zodanig mag worden behandeld.

Wat geen bewering is, is het distributiewerk, en dat is de praktische reden om het belangrijk te vinden. Base-, FP8-, int4-, AWQ-, GPTQ- en GGUF-gewichten bestaan allemaal; SGLang, vLLM, llama.cpp, Ollama en OpenVINO worden ondersteund met day-zero-entries; iOS-, Android- en HarmonyOS-apps bestaan in de MiniCPM-V-Apps-repository; en Rockchip, Houmo, Intel, AMD en Arm staan allemaal vermeld als day-zero-silicon. Zes weken geleden was de kritiek op dit model dat het een ongedocumenteerd checkpoint was. Die kritiek is nu achterhaald — het is een gedocumenteerd checkpoint zonder benchmarks, wat een ander en kleiner probleem is.

De twee, dimensie voor dimensie

• Wat het doet met een afbeelding — MiniCPM-V 4.7 35B-A3B leest deze en antwoordt in tekst; InternLumina-U2 leest deze, antwoordt in tekst, genereert een nieuwe, bewerkt een bestaande en interpreteert 3D-assets.

• Architectuur — een 35,2B-parameter autoregressief sparse MoE-model met 3B actieve parameters, tegenover een 16B-A1B multi-codebook discreet diffusiemodel. Verschillende families, niet verschillende groottes van één familie.

• Modaliteiten in — tekst, afbeelding en video versus tekst, afbeelding, video en 3D.

• Uitvoermodaliteiten — alleen tekst versus tekst plus gegenereerde afbeeldingen en bewerkte afbeeldingen.

• Grootte van de gewichten — ongeveer 70 GB aan BF16 verdeeld over 16 shards, tegenover zeven shards per hardwarebuild, tweemaal gepubliceerd.

• Licentie — Apache-2.0 bij beide. Dit is de enige dimensie waarin de twee het echt met elkaar eens zijn, en dat is belangrijk, want een permissieve licentie op een generatiemodel van deze schaal is niet gebruikelijk.

• Deploymentverhaal — gekwantiseerde builds, mobiele apps en vijf inferentieruntimes versus een remote-code-module en een shellscript, opgesplitst per accelerator.

• Openbaar bewijs — een kaart met leveranciersclaims zonder evaluatietabel tegenover een kaart die haar benchmarksectie expliciet als voorlopig aanmerkt en er niets in afdrukt.

De kloof tussen hen is geen kwestie van kwaliteit, maar van soort.

Het zou bevredigend zijn om een winnaar uit te roepen, en het zou oneerlijk zijn. Er is geen gedeelde benchmark tussen deze twee modellen, geen enkele derde partij heeft een van beide gedraaid, en de eigen evaluatietabel van MiniCPM-V 4.7 bestaat niet, terwijl die van InternLumina-U2 expliciet als gedeeltelijk is gemarkeerd. Wie ze vandaag rangschikt, rangschikt documentatiekwaliteit, niet modelkwaliteit.

Wat eerlijk kan worden vergeleken, is het bewijsspoor, en daarin schieten de twee in tegenovergestelde richtingen tekort. InternLumina-U2 vertelt je veel over architectuur en vrijwel niets over resultaten — een fascinerend ontwerp zonder aangetoonde capaciteit. MiniCPM-V 4.7 vertelt je in proza veel over resultaten en weigert die als data te publiceren, wat de beweringen moeilijk falsifieerbaar maakt en daarmee moeilijk te vertrouwen. De eerste is een veelbelovend instrument; de tweede is een veelbelovend instrument met een marketinglaag erbovenop.

De praktische interpretatie volgt daaruit. Als wat je nodig hebt een model is dat screenshots, documenten of video opneemt en tekst teruggeeft, en je wilt het zelf draaien, dan is MiniCPM-V 4.7 degene met een servingrecept, zes runtimes en gekwantiseerde gewichten die je vandaag kunt downloaden. Als wat je nodig hebt één model is dat afbeeldingen begrijpt en genereert in dezelfde vocabulaire — voor bewerkingspipelines, synthetische data of onderzoek naar uniforme tokenruimtes — dan is InternLumina-U2 de enige van de twee die dat probeert, en de tweede checkpointmap die na de codedrop van september verscheen, is het eerste teken dat het onderzoek nog in beweging is.

Wat dit betekent als je gewoon iets wilt uitbrengen

Dit zijn beide bestanden die je zelf downloadt en host. Noch MiniCPM-V 4.7 35B-A3B noch InternLumina-U2 komt voor in de gehoste catalogus van OrcaRouter, dus niets hier is een route om ze als endpoint aan te roepen, en geen enkel artikel van ons mag worden gelezen als iets dat het tegendeel beweert. Waar een router in deze situatie nuttig voor is, is de andere helft van het werk: op het moment dat je pipeline een model nodig heeft dat je niet zelf wilt hosten. OrcaRouter zet meer dan 200 gehoste modellen achter één sleutel, geeft de lijstprijs van elke provider rechtstreeks door zonder dat wij er een marge op leggen, en schakelt automatisch over wanneer een provider achteruitgaat — zodat een team dat MiniCPM-V 4.7 lokaal draait voor grootschalige documentanalyse de moeilijke pagina's kan escaleren naar een gehost model zonder een tweede contract of een tweede SDK.

Het dichtstbijzijnde gehoste model met deze vorm is Qwen3.6 35B A3B — ook 35B totaal en 3B actief, ook 262K context, ook tekst, afbeelding en video in met tekst uit — beschikbaar voor $0,25 per miljoen inputtokens en $1,48 per miljoen outputtokens, tegen kostprijs. Dat is een werkelijk nuttige controlegroep: als je beslissing gaat tussen het zelf hosten van een 70 GB sparse multimodale MoE en het aanroepen van een equivalente, dan is de tweede optie vanmiddag meetbaar en de eerste niet.

Wat zou deze vergelijking veranderen?

Twee documenten zouden het meeste ervan beslechten. Een benchmarktabel van OpenBMB zou MiniCPM-V 4.7 van een bewering in een datapunt veranderen, en het DSpark-draftmodel — het enige onderdeel van de familie met gepubliceerde cijfers, in de vorm van geaccepteerde tokens per stap — is de goedkoopste externe route naar een eerste onafhankelijk cijfer. Een technisch rapport van Shanghai AI Laboratory zou hetzelfde doen voor InternLumina-U2, en zou de eerste keer zijn dat iemand zijn vocabulaire van acht codeboeken tegen wat dan ook afgezet ziet worden.

Tot dan is de eerlijke positie deze: een van deze twee kun je inzetten, en de andere kun je alleen bestuderen. Die uitspraak zal waarschijnlijk binnen een maand niet meer waar zijn, en dat is de reden dat geen van beide modellen als vaporware terzijde mag worden geschoven — ze bevinden zich eenvoudigweg eerder in hun publieke leven dan het schrijven erover suggereert.