Molmo2-4B kontra MiniCPM-V 4.7: Żaden z modeli nie jest tam, gdzie myślisz

Pojedynek z tytułu nie istnieje w wagach. Molmo2-4B to pojedynczy checkpoint 4,85B. MiniCPM-V 4.7 to nie jeden model, lecz dwa, i żaden z nich nie ma 4B: gęsty wariant 1,55B zbudowany z myślą o telefonach oraz wariant mixture-of-experts 35,2B z około 3B aktywnych parametrów i kontekstem 262 144 tokenów. Zatem czytelnik szukający „Molmo2-4B vs MiniCPM-V 4.7” tak naprawdę zadaje pytanie trójstronne — czy warto w ogóle zajmować miejsce 4B, czy zejść do 1B ze względu na rozmiar, czy wejść do MoE ze względu na możliwości? To pytanie użyteczniejsze niż to, które zostało wpisane, i ma jaśniejszą odpowiedź. Decyzja dotycząca trzech modeli to najpierw problem routingu, a dopiero potem modelowania. DSL routingu łączy kilka modeli w jedno wywołanie zamiast jednego kontraktu na model.

Daty mają tu również znaczenie, ponieważ oba modele są często opisywane jako nowsze, niż są w rzeczywistości. Molmo2-4B został ogłoszony przez Allen Institute for AI 11 grudnia 2025 r., a wagi na Hugging Face udostępniono od 14 grudnia. Wagi MiniCPM-V 4.7 pojawiły się 6 i 7 października 2026 r., 12 października ukazała się karta modelu, a 15 października angielski komunikat prasowy od ModelBest i OpenBMB. Najnowsza zmiana po stronie Molmo nie jest nowym modelem: Molmo2 stał się natywną architekturą w upstreamowym Transformers, gdy 9 października 2026 r. scalono PR #43451, i został udostępniony w wersji v5.20.0 15 października, a 5 listopada Ai2 opublikował dostrojoną wersję Molmo2-4B dla stanowiska testowego robotyki. Każdą z tych informacji można potraktować jako powód, by ponownie przyjrzeć się modelowi. Żadna z nich nie jest premierą.

Trzy punkty kontrolne, trzy pozycje na krzywej

• Parametry — Molmo2-4B ma 4,85 mld; MiniCPM-V 4.7-1B ma 1,55 mld; MiniCPM-V 4.7-35B-A3B ma łącznie 35,2 mld, z około 3 mld aktywnymi na token.

• Architektura — Molmo2-4B to wieża SigLIP 2 przykręcona do Qwen3-4B-Instruct-2507; para MiniCPM-V 4.7 wykorzystuje wczesną kompresję intra-ViT z LLaVA-UHD v4 z mieszaną kompresją tokenów wizualnych 4x/16x, a wariant 35B jest pierwszym MoE w linii MiniCPM-V.

• Kontekst — 36 864 pozycji dla Molmo2-4B; 262 144 tokenów dla obu wariantów MiniCPM-V 4.7.

• Modalności — Molmo2-4B obsługuje obrazy, wiele obrazów i wideo oraz zwraca współrzędne wskazywania w przestrzeni obrazu 0–1000; MiniCPM-V 4.7 obsługuje pojedynczy obraz, wiele obrazów i wideo, a odpowiada tekstem.

• Licencja — Molmo2-4B jest objęty licencją Apache 2.0 w zakresie wag, przy czym karta ostrzega, że jego dane treningowe mogą być wykorzystywane wyłącznie do badań akademickich i niekomercyjnych; oba warianty MiniCPM-V 4.7 są objęte licencją Apache 2.0.

• Dystrybucja — Molmo2-4B to float32 safetensors, 19,42 GB, cztery shardy, brak oficjalnych kwantyzacji; MiniCPM-V 4.7 jest udostępniany w wariantach GGUF, int4, AWQ, GPTQ, FP8 i DSpark w obu rozmiarach.

Wiersz dystrybucji to ten, który decyduje o prawdziwych projektach. Kontekst o rozmiarze 262 144 tokenów jest przydatny tylko wtedy, gdy możesz sobie pozwolić na jego utrzymanie, a OpenBMB wykonało niewdzięczną pracę, publikując formaty skwantyzowane, które ludzie faktycznie wdrażają — oficjalny 1B GGUF w Q4_K_M waży 672 MB, co stanowi różnicę między demem a czymś, co działa na urządzeniu, które już posiadasz.

Gdzie 4B faktycznie wygrywa

Przewaga Molmo2-4B opiera się na dwóch rzeczach, których para MiniCPM-V 4.7 nie robi w ten sam sposób: wskazywaniu jako wyniku pierwszej klasy oraz śledzeniu wideo ze znacznikami czasu.

Format wskazywania to punkt liczbowy we współrzędnych 0–1000, opakowany w tag, dla którego karta modelu udostępnia wyrażenie regularne. Wskazywanie na wielu obrazach sprowadza się do listy trójek: indeks klatki, x, y. To inny kontrakt niż „opisz, gdzie znajduje się obiekt” i zmienia to, co możesz zbudować: potoki kadrowania, dopytywania o obszar zainteresowania, pętle zliczania i weryfikacji oraz dowolny przepływ pracy, w którym dalszy etap potrzebuje współrzędnej, a nie zdania.

To na wideo trafia budżet parametrów. Karta modelu Ai2 wymienia wśród danych treningowych QA dotyczące opisywania wideo, QA dotyczące napisów do wideo, wskazywanie w wideo, śledzenie w wideo oraz dwa zestawy wskazywania na wielu obrazach, a udostępniony preprocesor wideo domyślnie przyjmuje 384 klatki przy 2 fps w rozmiarze 378×378 z pulowaniem 3×3. MiniCPM-V 4.7 obsługuje wideo — OpenBMB podaje LongVideoBench 68,9 dla 35B-A3B i 53,4 dla 1B — ale w tym trybie jest modelem z wyjściem tekstowym, a długie wideo konkuruje z promptem o ten sam budżet tokenów.

Gdzie MiniCPM-V 4.7 wygrywa — dwukrotnie

Na dole tego zakresu 1B jest obiektem zupełnie innej klasy. Przy 1,55 mld parametrów ma około jednej trzeciej rozmiaru Molmo2-4B, działa pod llama.cpp i Ollama, a OpenBMB podaje dla niego OCRBench 86,1, MathVista 74,3 i CharXiv 48,8. To liczby dostawcy uzyskane w wybranym przez dostawcę środowisku testowym i tak należy je odczytywać — ale model o 1,55 mld parametrów, który wiarygodnie wykonuje OCR całych stron, to zasadniczo inna decyzja zakupowa niż model o 4,85 mld parametrów wymagający GPU.

Na szczycie zakresu 35B-A3B sprawia, że kwestia 4B wygląda zaściankowo. Opublikowane przez OpenBMB wyniki dla niego obejmują MMMU 80,2, OCRBench 91,2 przy 4x tokenach wizualnych i 90,40 przy 16x, CharXiv 75,6, LongVideoBench 68,9, MathVerse 86,5 i MathVista 88. Twierdzi też coś ciekawszego niż benchmark: dzięki Lookahead Expert Scheduling, kwantyzacji warstwowej i próbkowaniu spekulatywnemu DSpark 35B-A3B dekoduje z prędkością ponad 13 tokenów/s w około 3 GB pamięci na iPhone 17 Pro Max. Traktuj to jako twierdzenie dostawcy o konkretnym łańcuchu narzędzi, a nie ogólną właściwość modelu — ale jeśli się potwierdzi, znika zwykły powód, by preferować gęsty 4B na urządzeniu.

Wszystkie te dane pochodzą od dostawców. Ani OpenBMB, ani Ai2 nie opublikowały wyników swojego modelu w zestawie testów drugiej strony, więc żaden wiersz powyżej nie jest bezpośrednim porównaniem.

Menu wdrożeń jest niedocenianą różnicą.

MiniCPM-V 4.7 wymienia SGLang, vLLM, llama.cpp i Ollama do wnioskowania, SWIFT i LLaMA-Factory do dostrajania oraz wsparcie od pierwszego dnia dla Rockchip, Houmo, Intel, AMD i Arm. Karta Molmo2-4B wymienia Transformers z kodem zdalnym, osobną zależność molmo_utils i decord2 do wideo, a własna dokumentacja platformy AI2 wskazuje na vLLM nightly, a nie na wersję stabilną. Luka zmniejszyła się w październiku, gdy natywne wsparcie Transformers trafiło do v5.20.0, a wymóg kodu zdalnego stał się opcjonalny, ale to nadal luka: jeden projekt ma matrycę kwantyzacji, drugi to wydanie badawcze.

To tutaj routing zasługuje na swoje miejsce, a nie jest tylko sloganem. Zespół, który chce MiniCPM-V 4.7 1B na urządzeniu dla taniej ścieżki i większy model dla trudnej ścieżki, nie potrzebuje do tego dwóch umów — DSL routingu składa kilka modeli za jednym punktem końcowym, a 0% narzutu oznacza, że płacisz dokładnie cenę katalogową dostawcy, więc obniżka ceny przez dostawcę obowiązuje tego samego dnia. Ma to większe znaczenie przy decyzji o trzech modelach, takiej jak ta, niż przy prostym wyborze A albo B.

Jak tak naprawdę wybrać

Jeśli ograniczeniem jest pamięć, wybierz MiniCPM-V 4.7-1B. Nic w pakiecie Molmo2-4B nie zbliża się do 672 MB, a żadna dokładność wskazywania nie zrekompensuje modelu, który się nie mieści.

Jeśli ograniczeniem są możliwości na dolara i możesz obsługiwać MoE, wybierz MiniCPM-V 4.7-35B-A3B. Według własnych danych OpenBMB jest w innej lidze niż którykolwiek z mniejszych modeli, a liczba aktywnych parametrów sprawia, że koszt na token jest bliższy modelowi 3B niż 35B.

Jeśli wymaganiem są współrzędne, wybierz Molmo2-4B. Punkty ze znacznikami czasu, wskazywanie na wielu obrazach i śledzenie to powody, dla których ten model istnieje; nic w dokumentacji MiniCPM-V 4.7 nie opisuje równoważnego kontraktu wyjściowego.

A jeśli naprawdę potrzebujesz generalisty klasy 4B, który obsługuje obrazy, wiele obrazów i wideo bez pobierania 19 GB w float32, uczciwa odpowiedź brzmi: to konkretne zestawienie nie oferuje takiego modelu — Molmo2-4B jest jedynym modelem w porównaniu w tej kategorii i wchodzi do niego z najuboższym oprzyrządowaniem wdrożeniowym z całej trójki. Co mogłoby to zmienić: oficjalny skwantyzowany Molmo2-4B albo MiniCPM-V klasy 4B. Żaden z nich dziś nie istnieje.