MiniCPM-V 4.7 35B-A3B kontra PixelUMM: jedna licencja rozstrzyga to, zanim zrobią to benchmarki

Istnieje decyzja, którą możesz podjąć między MiniCPM-V 4.7 35B-A3B a PixelUMM, nie czytając ani jednego benchmarku, i prawdopodobnie jest to decyzja, która ma największe znaczenie. MiniCPM-V 4.7 35B-A3B jest na licencji Apache-2.0. Checkpoint modelu PixelUMM nie jest — jest dostarczany na licencji NVIDIA One-Way Noncommercial License, która zezwala wyłącznie na badania i ocenę, na checkpointcie, o którym sam NVIDIA mówi, że „nie został zweryfikowany do użytku produkcyjnego ani do zastosowań o wysokim ryzyku”. Jeśli budujesz coś, co zamierzasz sprzedać, jeden z tych dwóch modeli odpada na starcie, a reszta porównania ma charakter akademicki. Jeśli prowadzisz badania, dziedzina się otwiera, a interesujące pytanie brzmi, przeciwko czemu tak naprawdę obstawia projekt NVIDII bez enkodera — ponieważ obstawia przeciwko dokładnie tej architekturze, której używa MiniCPM-V 4.7.

Oba modele zostały wydane po cichu. Wagi PixelUMM trafiły na Hugging Face o 21:40 UTC 1 października 2026 r. bez wpisu na blogu, komunikatu prasowego czy prezentacji; adres URL strony projektu wciąż widnieje jako „preview”. MiniCPM-V 4.7 pojawił się 6 października w ten sam sposób, a OpenBMB nie umieścił przy nim karty modelu, licencji ani sekcji z twierdzeniami aż do 12 października. Żaden z nich nie został przez nikogo niezależnie oceniony i żaden nie ma tabeli benchmarków, którą czytelnik mógłby zacytować — karta PixelUMM nie podaje żadnych wyników, a twierdzenia o wydajności MiniCPM-V 4.7 znajdują się w obrazach wykresów, a nie w tekście. To, co następuje, oddziela to, co podają repozytoria, od tego, czego nikt spoza tych dwóch laboratoriów jeszcze nie potwierdził.

Czym jest PixelUMM, w jednym akapicie

PixelUMM to 15 199 672 064-parametrowy Transformer wyłącznie z dekoderem, z głowicą iteracyjnego generowania pikseli, zbudowany na szkielecie Qwen3-8B przypiętym do konkretnej rewizji. Jego teza jest sformułowana w pierwszej linii karty modelu i jest autentycznie kontrariańska: ani VAE, ani enkodera wizyjnego. Podczas gdy konwencjonalny model zunifikowany ma dwa interfejsy wizualne — transformer wizyjny generujący cechy semantyczne do rozumienia i wariacyjny autoenkoder generujący latenty rekonstrukcyjne do generowania — PixelUMM nie ma żadnego z nich. Obrazy są cięte na fragmenty 16 na 16 pikseli, wideo na czteroklatkowe czasoprzestrzenne tubelety, a jedno i drugie dociera do szkieletu wyłącznie przez jednowarstwowe projekcje liniowe, przy czym iteracyjne odszumianie wykonuje pracę generowania. Artykuł opisuje go jako Mixture-of-Transformers łączący wspólną atencję z parametrami specyficznymi dla zadania. Obsługuje text-to-image, generowanie tekstu warunkowane obrazem, rozumienie warunkowane wideo i generowanie wideo, w tym text-to-video przy 96 klatkach, 24 fps i czterech sekundach.

Ślad wokół tego ciągnął się przez około cztery tygodnie i przez cały ten czas było cicho. Repozytorium GitHub nv-tlabs/PixelUMM utworzono 4 września 2026 r. na licencji Apache-2.0 i przez większość miesiąca miało tylko jeden commit. W dniach 28–29 września pojawił się początkowy commit, a arXiv przypisał preprintowi numer 2609.38597, którego lista autorów obejmuje osoby z NVIDIA i University of Waterloo. Samo repozytorium modelu pojawiło się 1 października o 21:40 UTC, osiem minut po ostatnim commicie na GitHubie dodającym cytowanie pracy. Praca nie zawiera informacji o miejscu publikacji — żadnej konferencji, żadnego „accepted to” — co wygląda tak, jakby zespół badawczy wypuszczał artefakt na żywo, a nie jak premiera produktu, choć to spostrzeżenie na temat dowodów, a nie twierdzenie o intencjach.

Czym jest MiniCPM-V 4.7 35B-A3B

MiniCPM-V 4.7 35B-A3B to pierwszy model MoE OpenBMB w serii MiniCPM-V: 256 ekspertów z 8 aktywnymi na token, 40 warstw, okno kontekstowe 262 144 tokenów i słownik 248 144 tokenów, co daje około 3 mld aktywnych parametrów z łącznie 35,2 mld. Komponent wizyjny wykorzystuje moduł SigLIP2 z wczesną kompresją intra-ViT w LLaVA-UHD v4 oraz wybieralny mieszany tryb kompresji tokenów wizualnych 4x/16x — domyślnie 16x dla przepustowości, 4x, gdy liczą się drobne szczegóły. Rozumie pojedyncze obrazy, wiele obrazów i wideo, a odpowiada tekstem. Nie generuje obrazów.

Głównym twierdzeniem karty jest to, że jest to pierwszy otwartoźródłowy model MoE z bezstratnym, płynnym wnioskowaniem na urządzeniu, dostarczanym przez Lookahead Expert Scheduling, drobnoziarnistą kwantyzację warstwową i próbkowanie spekulacyjne poprzez oddzielne wersje robocze DSpark, przy zgłaszanej prędkości ponad 13 tokenów na sekundę na iPhone 17 Pro Max. Ta liczba jest zgłoszona przez dostawcę, nieodtworzona i bez zastrzeżeń. Karta twierdzi również, że ma wyższy ogólny wynik w trybie Instruct niż Qwen3.6 35B-A3B w krótszym czasie wnioskowania — twierdzenie, które pojawia się wewnątrz obrazu wykresu, co oznacza, że nie jest to liczba, którą można cytować i nie należy jej tak traktować.

Tam, gdzie MiniCPM-V 4.7 jest jednoznacznie z przodu, nie chodzi o żadną tabelę wyników, lecz o obsadę wspierającą, a wszystko to jest prawdziwe i dostępne do pobrania: wagi base, FP8, int4, AWQ, GPTQ i GGUF; wsparcie dla SGLang, vLLM, llama.cpp, Ollama i OpenVINO; aplikacje na iOS, Androida i HarmonyOS; oraz Rockchip, Houmo, Intel, AMD i Arm wymienione wśród układów obsługiwanych od dnia zero. Sześć tygodni temu uczciwą krytyką tego modelu było to, że jest nieudokumentowanym checkpointem. To już nieprawda — to udokumentowany checkpoint bez benchmarków. Inny problem, mniejszy.

Argument architektoniczny kryjący się za porównaniem

Te dwa modele nie zgadzają się co do czegoś fundamentalnego i warto to nazwać, ponieważ to właśnie ta część tego starcia ma dłuższy termin przydatności niż którykolwiek z modeli.

• Jak wizja trafia do modelu językowego — PixelUMM używa surowych pikseli i pojedynczej projekcji liniowej, bez żadnego wstępnie wytrenowanego enkodera wizji w całym stosie; MiniCPM-V 4.7 używa enkodera SigLIP2 z wczesną kompresją wewnątrz ViT i konfigurowalnym współczynnikiem podpróbkowania.

• Jak działa generowanie — PixelUMM iteracyjnie przewiduje piksele za pomocą głowicy dopasowującej przepływ, trenowanej wspólnie z autoregresyjnym przewidywaniem tekstu; MiniCPM-V 4.7 generuje tekst i nic więcej.

• Co to daje — PixelUMM otrzymuje jeden zestaw wag, który jednocześnie opisuje obraz i go tworzy, za cenę licencji wyłącznie badawczej i braku walidacji produkcyjnej; MiniCPM-V 4.7 otrzymuje mały, kwantyzowalny, możliwy do wdrożenia na telefonie model, który potrafi czytać świat, ale nie potrafi go przerysować.

• Liczba parametrów — 15,2B w modelu w większości gęstym w porównaniu z 35,2B łącznie przy 3B aktywnych. To liczba aktywnych parametrów pozwala przewidzieć koszt wnioskowania, a pod tym względem model MiniCPM jest mniejszym z dwóch o rząd wielkości.

• Wagi na dysku — repozytorium PixelUMM zawiera 491 plików w czterech wariantach checkpointów; bazowa kompilacja MiniCPM-V 4.7 to szesnaście shardów BF16 o łącznym rozmiarze około 70 GB.

• Licencja — Apache-2.0 versus NVIDIA One-Way Noncommercial dla checkpointu, przy czym Apache-2.0 dotyczy wyłącznie kodu źródłowego PixelUMM, a baza Qwen3-8B jest objęta osobno licencją Apache-2.0. Karta PixelUMM zauważa również, że zawiera zmodyfikowany kod pochodzący z BAGEL, więc dodatkowo obowiązują warunki upstreamu.

• Publiczna ocena — brak, po obu stronach. MiniCPM-V 4.7 przynajmniej podaje twierdzenia o wydajności; karta PixelUMM nie podaje w ogóle żadnych liczb benchmarkowych.

Który z nich możesz faktycznie pokazać użytkownikowi?

Śledź łącznie licencję i historię wdrożenia, a wybór w większości sam się narzuca.

PixelUMM jest ciekawszym artefaktem badawczym i mniej użytecznym produktem. Niekomercyjny checkpoint całkowicie blokuje oczywiste zastosowania komercyjne, na karcie nie ma przepisu na serwowanie, nie ma skwantyzowanej wersji ani podanej długości kontekstu, a 83 polubienia przy zerowej liczbie zarejestrowanych pobrań oznaczają, że praktycznie nikt poza autorami go nie uruchomił. Jego obecna wartość polega na tym, że jest mocnym, opublikowanym argumentem, iż enkodery wizji mogą być niepotrzebne w modelach zunifikowanych. Ten argument warto śledzić niezależnie od tego, czy kiedykolwiek załadujesz wagi.

MiniCPM-V 4.7 to ten, który ma ścieżkę do wdrożenia produkcyjnego, a ta ścieżka jest wąska, ale realna. Apache-2.0 usuwa kwestię licencji. Sześć formatów kwantyzacji i pięć środowisk wykonawczych inferencji oznacza, że nie piszesz własnych jąder. Dwa lub więcej GPU dla niekwantyzowanej wersji to bariera; skwantyzowane wersje i historia działania na urządzeniu to obejście, a twierdzenie o działaniu na urządzeniu jest dokładnie tym, które nie zostało niezależnie zweryfikowane. Traktuj go jako model, który możesz uruchomić już dziś, i twierdzenie o wydajności, na którym nie możesz jeszcze polegać.

Dla zespołów, których odpowiedź brzmi „żadne z nich, wybierzemy coś", najbliższym hostowanym odpowiednikiem modelu o kształcie MiniCPM jest Qwen3.6 35B A3B — te same 35B łącznie, te same 3B aktywne, ten sam kontekst 262K, ten sam zakres wejścia tekst-obraz-wideo — i jest udostępniany przez OrcaRouter w cenie katalogowej dostawcy, bez marży, 0,25 USD za milion tokenów wejściowych i 1,48 USD za milion tokenów wyjściowych, z automatycznym przełączeniem awaryjnym, jeśli trasa dostawcy ulegnie pogorszeniu. To nie jest zamiennik któregokolwiek z modeli opisanych w tym artykule; to grupa kontrolna, która pokazuje, co tak naprawdę daje samodzielne hostowanie 70 GB rzadkiego multimodalnego MoE.

Gdzie to trafi

Odejmij architekturę, a pozostaną dwa ciche wydania wskazujące w przeciwnych kierunkach. NVIDIA opublikowała artefakt klasy publikacji naukowej na licencji, która uniemożliwia większości ludzi korzystanie z niego, oraz repozytorium bez instrukcji, bez benchmarków i bez plików do pobrania. OpenBMB opublikowała udokumentowany model na permisywnej licencji, obsługujący wiele środowisk uruchomieniowych, z przekonującym twierdzeniem o efektywności i bez tabeli ewaluacyjnej, która by je potwierdzała.

Jedna rzecz, która rozstrzygnęłaby sprawę w każdym przypadku: dla PixelUMM – jakakolwiek niezależna reprodukcja; 0 pobrań oznacza, że nie istnieje żaden zewnętrzny punkt danych, a teza o braku enkodera to dokładnie ten rodzaj twierdzenia, które albo się utrzymuje, albo rozpada się przy zetknięciu z drugą implementacją. Dla MiniCPM-V 4.7 – tabela benchmarków albo odtworzona długość akceptacji w wersji roboczej DSpark, która jako jedyna w rodzinie ma opublikowane liczby. Ani jedna, ani druga jeszcze nie istnieje. Obie te rzeczy są powodem, dla którego te dwa modele wciąż warto obserwować, a nie odkładać do archiwum – są na wcześniejszym etapie swojego publicznego życia, niż sugerują doniesienia, i żaden z nich nie został nazwany premierą przez laboratorium, które go stworzyło.