MiniCPM-V 4.7 35B-A3B vs InternLumina U2: Dwa ciche statki, dwie przeciwne odpowiedzi

Ani MiniCPM-V 4.7 35B-A3B, ani InternLumina-U2 nie zostały zapowiedziane w momencie, gdy pojawiły się ich wagi. Oba mają otwarte wagi, oba pochodzą z chińskich laboratoriów, oba są największym multimodalnym wydaniem, jakie ich zespół wypuścił w tym roku, i oba trafiły do huba bez wpisu na blogu, bez keynote'u i bez dnia premiery. I na tym podobieństwa się kończą. MiniCPM-V 4.7 35B-A3B czyta obrazy i odpowiada tekstem; InternLumina-U2 czyta obrazy, odpowiada tekstem, a także rysuje nowe obrazy, edytuje je i renderuje zasoby 3D. Jeden jest zbudowany tak, by był wystarczająco mały, by zmieścić się w telefonie; drugi to 16 miliardów parametrów badań nad dyfuzją, które nie zmieszczą się nawet blisko telefonu. Czytane obok siebie, nie są dwoma pozycjami w tej samej kategorii — to dwie różne odpowiedzi na pytanie, do czego służy model wizyjno-językowy, opublikowane w odstępie pięciu tygodni, gdy nikt nie patrzył.

To, co można tu poznać, dzieli się wyraźnie. Wszystko po stronie MiniCPM poniżej pochodzi z repozytorium, karty modelu i pliku konfiguracyjnego, które każdy może przeczytać. Wszystko po stronie InternLumina pochodzi z własnej karty modelu laboratorium i opublikowanego przez nie drzewa plików; sekcja benchmarków w samej karcie jest oznaczona jako „Wstępne, częściowe wyniki” i nie zawiera żadnych liczb. Żaden z modeli nie został niezależnie oceniony, a nic w tym tekście nie stanowi premiery: OpenBMB nie nazwał MiniCPM-V 4.7 wydaniem aż do 12 października, a o ile wynika to z publicznych informacji, Shanghai AI Laboratory nie nazwało jeszcze InternLumina-U2 wydaniem.

Dwa ciche statki, pięć tygodni od siebie

Folder MiniCPM-V 4.7 pojawił się po raz pierwszy na Hugging Face 6 października 2026 r.; hub podaje teraz znacznik czasu utworzenia jako 7 października, a repozytorium było ostatnio modyfikowane 12 października. Repozytorium InternLumina-U2 utworzono 1 września. Do żadnej z tych dat nie dołączono ogłoszenia. Ale od tego czasu oba starzały się inaczej, a ta różnica jest najbardziej przydatną rzeczą w tym porównaniu.

InternLumina-U2 została udostępniona 1 września wyłącznie jako kod. Ta wersja była jedynie środowiskiem do wnioskowania, plikiem README i obietnicą — wagi miały pojawić się „wkrótce”, repozytorium Hugging Face zawierało pojedynczy plik .gitattributes, a raport techniczny oznaczono jako w przygotowaniu. To już nie jest prawdą. Repozytorium zawiera teraz dwa kompletne checkpointy dedykowane konkretnemu sprzętowi, jeden w katalogu ascend/, a drugi w katalogu nvidia/, każdy z siedmioma shardami safetensors, własnym modułem remote-code, planem zrównoleglania i tokenizerem. Wagi pojawiły się po cichu i nikt nie zaktualizował narracji. Na moment pisania tego tekstu repozytorium ma 16 polubień i zero odnotowanych pobrań, a raport techniczny wciąż się nie ukazał.

MiniCPM-V 4.7 poszedł w przeciwnym kierunku. Pojawił się w październiku jako wagi bez karty modelu — folder nie zawierał README, znacznika licencji ani benchmarków, co dokładnie odnotowaliśmy w naszym wcześniejszym tekście. Dziesięć dni później ma wszystkie trzy pierwsze rzeczy, a wciąż żadnej z ostatnich: licencję Apache-2.0, pełną kartę z przewodnikami użytkowania i sekcję twierdzeń z liczbami, ale bez tabeli ewaluacyjnej, którą czytelnik mógłby zacytować. Zatem trafne podsumowanie obu przypadków jest takie, że dokumentacja pojawiła się po wagach, w obu przypadkach, bez żadnego ogłoszenia pomiędzy.

Czym właściwie jest InternLumina-U2

Karta opisuje model typu mixture-of-experts o 16 mld parametrów, z czego 1 mld to aktywne parametry — oznaczany jako 16B-A1B — zbudowany jako dyfuzyjny duży model językowy z wieloma codebookami. Kluczowe wyrażenie to „w pełni dyskretny”: główna teza InternLumina-U2 głosi, że język i wizja powinny współdzielić jeden słownik tokenów, zamiast istnieć w oddzielnych stosach rozumienia i generowania, a wąskim gardłem we wcześniejszych zunifikowanych modelach był sam słownik wizualny. Jego odpowiedzią jest dyskretna reprezentacja wizualna z ośmioma codebookami zbudowana na AToken, co pozwala tym samym wagom zarówno interpretować obraz, jak i go syntetyzować.

Zakres jest szeroki z założenia: QA tekstowe, generowanie obrazów na podstawie tekstu do 1024×1024, rozumienie obrazów na naturalnych obrazach i gęstych wykresach, edycja obrazów na podstawie instrukcji z opcjonalnym trybem dual-CFG, rozumienie wideo na próbkowanych klatkach oraz rozumienie 3D na zasobach GLB i GLTF. Ścieżka 3D odstaje od reszty i jest najciekawsza — zasoby są renderowane do widoków koloru i głębi przez dołączony potok Blender przed tokenizacją, co jest sprytnym sposobem ponownego wykorzystania modelu obrazu do geometrii bez uczenia go geometrii.

Dwa szczegóły inżynieryjne warto wyróżnić, ponieważ są nietypowe. Po pierwsze, oba checkpointy znajdują się w jednym repozytorium, podzielone według akceleratora: wersja Ascend wytrenowana na NPU Huawei i wersja NVIDIA wytrenowana na GPU. To celowe zabezpieczenie przed ograniczeniami eksportowymi i podażowymi, co oznacza, że „który checkpoint” to pytanie, na które użytkownicy InternLumina-U2 muszą odpowiedzieć w pierwszej kolejności. Po drugie, karta podaje, że model jest na licencji Apache-2.0 bez żadnych zastrzeżeń — naprawdę permisywny, w przeciwieństwie do kilku wydań multimodalnych z 2026 r., które ukazały się na warunkach wyłącznie badawczych.

Czym jest teraz MiniCPM-V 4.7 35B-A3B

Karta nazywa go pierwszym MoE w serii MiniCPM-V, a plik konfiguracyjny to potwierdza: 256 ekspertów z 8 aktywnymi na token, 40 warstw, okno kontekstu 262 144 tokenów i słownik 248 144 tokenów. Widzenie działa przez moduł SigLIP2 z wczesną kompresją intra-ViT LLaVA-UHD v4 oraz mieszanym trybem kompresji tokenów 4x/16x — domyślnie 16x dla przepustowości, 4x, gdy potrzebujesz drobnych szczegółów, wybieranym w momencie wywołania. Rozumie pojedyncze obrazy, zestawy wielu obrazów i wideo; odpowiada tekstem; nie generuje obrazów.

Twierdzenie, które OpenBMB wysuwa pogrubioną czcionką, głosi, że jest to pierwszy otwartoźródłowy model MoE z bezstratnym, płynnym wnioskowaniem na urządzeniu, osiągniętym dzięki trzem nazwanym technikom: Lookahead Expert Scheduling, drobnoziarnistej kwantyzacji warstwa po warstwie oraz próbkowaniu spekulatywnemu za pośrednictwem oddzielnych szkiców DSpark. Liczba podana przy tym twierdzeniu to ponad 13 tokenów na sekundę na iPhone 17 Pro Max. Ta wartość została zgłoszona przez producenta, nie została odtworzona i nie podano do niej żadnych danych uzupełniających — brak formatu kwantyzacji, brak wersji kompilacji, brak promptu, brak metodologii pomiaru. W karcie modelu twierdzi się również, że w trybie Instruct model uzyskuje wyższy ogólny wynik niż Qwen3.6 35B-A3B w krótszym czasie wnioskowania, a to twierdzenie znajduje się na obrazie wykresu, a nie w tabeli, co oznacza, że nie można go cytować jako liczby i nie należy go traktować jako liczby.

To, co nie jest twierdzeniem, to praca nad dystrybucją i to jest praktyczny powód, by się tym interesować. Wagi Base, FP8, int4, AWQ, GPTQ i GGUF wszystkie istnieją; SGLang, vLLM, llama.cpp, Ollama i OpenVINO są obsługiwane od dnia zerowego; aplikacje na iOS, Androida i HarmonyOS istnieją w repozytorium MiniCPM-V-Apps; a Rockchip, Houmo, Intel, AMD i Arm są wymienione jako układy krzemowe od dnia zerowego. Sześć tygodni temu krytyka tego modelu polegała na tym, że był nieudokumentowanym checkpointem. Ta krytyka jest już nieaktualna — to udokumentowany checkpoint bez benchmarków, co jest innym i mniejszym problemem.

Te dwa, wymiar po wymiarze

• Co robi z obrazem — MiniCPM-V 4.7 35B-A3B odczytuje go i odpowiada tekstem; InternLumina-U2 odczytuje go, odpowiada tekstem, generuje nowy, edytuje istniejący i interpretuje zasoby 3D.

• Architektura — autoregresyjny rzadki MoE o 35,2 mld parametrów i 3 mld aktywnych, w porównaniu z 16B-A1B wielokodekowym dyskretnym modelem dyfuzyjnym. Różne rodziny, a nie różne rozmiary jednej rodziny.

• Modalności wejściowe — tekst, obraz i wideo kontra tekst, obraz, wideo i 3D.

• Modalności wyjściowe — tylko tekst versus tekst plus wygenerowane obrazy i edytowane obrazy.

• Rozmiar wag — około 70 GB w BF16 w 16 shardach w porównaniu z siedmioma shardami na kompilację sprzętową, opublikowanych dwukrotnie.

• Licencja — Apache-2.0 w obu przypadkach. To jedyny wymiar, w którym te dwa naprawdę się zgadzają, i ma to znaczenie, ponieważ permisywna licencja na modelu generatywnym w takiej skali nie jest częsta.

• Historia wdrożenia — skwantyzowane kompilacje, aplikacje mobilne i pięć środowisk uruchomieniowych wnioskowania kontra moduł zdalnego kodu i skrypt powłoki, z podziałem według akceleratora,

• Dowody publiczne — karta z twierdzeniami dostawcy bez tabeli oceny w porównaniu z kartą, która wyraźnie oznacza swoją sekcję benchmarków jako wstępną i nie drukuje w niej nic.

Przepaść między nimi to nie jakość, lecz rodzaj.

Byłoby satysfakcjonujące ogłosić zwycięzcę, ale byłoby to nieuczciwe. Nie istnieje wspólny benchmark dla tych dwóch modeli, żadna strona trzecia nie przetestowała żadnego z nich, a własna tabela ewaluacyjna MiniCPM-V 4.7 nie istnieje, podczas gdy tabela InternLumina-U2 jest wyraźnie oznaczona jako częściowa. Każdy, kto dziś je klasyfikuje, klasyfikuje jakość dokumentacji, a nie jakość modelu.

To, co można uczciwie porównać, to ślad dowodowy — i pod tym względem oba zawodzą w przeciwnych kierunkach. InternLumina-U2 mówi wiele o architekturze i prawie nic o wynikach: fascynujący projekt bez wykazanych możliwości. MiniCPM-V 4.7 mówi wiele o wynikach prozą i odmawia opublikowania ich jako danych, co sprawia, że twierdzenia te trudno sfalsyfikować, a tym samym trudno im zaufać. Pierwszy to obiecujący instrument; drugi to obiecujący instrument z warstwą marketingową na wierzchu.

Praktyczny wniosek z tego wynika. Jeśli potrzebujesz modelu, który przyjmuje zrzuty ekranu, dokumenty lub wideo i zwraca tekst, a chcesz uruchomić go samodzielnie, MiniCPM-V 4.7 jest tym, który ma przepis na serwowanie, sześć środowisk uruchomieniowych i skwantyzowane wagi, które możesz pobrać już dziś. Jeśli potrzebujesz jednego modelu, który rozumie i generuje obrazy w tym samym słowniku — do pipeline'ów edycyjnych, danych syntetycznych lub badań nad ujednoliconymi przestrzeniami tokenów — InternLumina-U2 jest jedynym z tych dwóch, który tego próbuje, a drugi folder punktów kontrolnych, który pojawił się po wrześniowym wydaniu kodu, jest pierwszym znakiem, że badania wciąż się rozwijają.

Co to oznacza, jeśli po prostu próbujesz coś wypuścić?

Oba te modele to pliki, które pobierasz i hostujesz samodzielnie. Ani MiniCPM-V 4.7 35B-A3B, ani InternLumina-U2 nie występują w hostowanym katalogu OrcaRouter, więc nic tutaj nie jest sposobem na wywoływanie ich jako endpointu i żadnego naszego artykułu nie należy odczytywać jako twierdzenia, że jest inaczej. To, do czego router przydaje się w tej sytuacji, to druga połowa zadania: moment, w którym twój potok potrzebuje modelu, którego nie chcesz hostować. OrcaRouter umieszcza ponad 200 hostowanych modeli za jednym kluczem, przekazuje cennik każdego dostawcy bezpośrednio, bez naszej marży, i automatycznie przełącza się na zapas, gdy dostawca zawodzi — dzięki temu zespół uruchamiający MiniCPM-V 4.7 lokalnie do masowego rozumienia dokumentów może przekazać trudne strony do hostowanego modelu bez drugiej umowy czy drugiego SDK.

Najbliższym hostowanym modelem o tym kształcie jest Qwen3.6 35B A3B — również 35B łącznie i 3B aktywnych, również kontekst 262K, również tekst, obraz i wideo na wejściu z tekstem na wyjściu — dostępny po $0.25 za milion tokenów wejściowych i $1.48 za milion tokenów wyjściowych, po kosztach. To naprawdę przydatna grupa kontrolna: jeśli twoja decyzja jest między samodzielnym hostowaniem 70 GB rzadkiego multimodalnego MoE a wywoływaniem równoważnego, druga opcja jest mierzalna dziś po południu, a pierwsza nie.

Co zmieniłoby to porównanie

Dwa dokumenty rozstrzygnęłyby większość z tego. Tabela benchmarków od OpenBMB przekształciłaby MiniCPM-V 4.7 z twierdzenia w punkt danych, a model szkicowy DSpark — jedyna część rodziny z jakimikolwiek opublikowanymi liczbami, w postaci zaakceptowanych tokenów na krok — jest najtańszą zewnętrzną drogą do pierwszego niezależnego wyniku. Raport techniczny z Shanghai AI Laboratory zrobiłby to samo dla InternLumina-U2 i byłby pierwszą okazją, by zobaczyć, jak jej słownik ośmiu książek kodowych wypada na tle czegokolwiek.

Do tego czasu uczciwe stanowisko jest takie: jeden z tych dwóch możesz wdrożyć, a drugi możesz tylko badać. To zdanie prawdopodobnie przestanie być prawdziwe w ciągu miesiąca i właśnie dlatego żaden z tych modeli nie zasługuje na zaszufladkowanie jako vaporware — są po prostu na wcześniejszym etapie swojego publicznego życia, niż sugerują teksty na ich temat.