MiniCPM-V 4.7 ganhou um Model Card: OpenBMB publicou os benchmarks, a licença e a alegação de execução no dispositivo

Nos primeiros seis dias de sua vida, o MiniCPM-V 4.7 foi uma pasta de 70 GB de tensores bfloat16 sem README — sem cartão de modelo, sem etiqueta de licença, sem tabela de benchmarks, nada que dissesse para que servia. Isso mudou em 12 de outubro de 2026, quando a OpenBMB fez commit de um cartão de modelo completo em openbmb/MiniCPM-V-4.7-35B-A3B, declarou uma licença Apache-2.0, reescreveu o README do repositório MiniCPM-o para abrir com a nova série e anunciou-o como um lançamento de MLLM de código aberto voltado para dispositivos iOS, Android e HarmonyOS. A mesma rodada de documentação também alcançou o irmão de 1B, que agora traz a estrutura de cartão idêntica. Este artigo é sobre o delta — o que o cartão realmente afirma, quais dessas afirmações você pode verificar por conta própria e quais delas existem hoje apenas como pixels em um PNG fornecido pelo fornecedor.

O que chegou em 12 de outubro, e o que já estava lá

Os pesos não se moveram. openbmb/MiniCPM-V-4.7-1B foi criado em 6 de outubro de 2026 às 17:40 UTC e openbmb/MiniCPM-V-4.7-35B-A3B em 7 de outubro às 07:07 UTC; ambos ainda indicam um timestamp de última modificação de 12 de outubro porque esse último dia foi gasto com texto, não com parâmetros. O log de commits no repositório do 35B para 12 de outubro é uma sprint de documentação: adicionar cartão do modelo às 16:08, atualizar cartão do modelo às 16:15, renomear 35BA3B às 16:23, adicionar metadados às 16:26, URLs absolutas dos assets às 16:50, quatro commits de adicionar primeiros passos até 17:07, e vincular documentação LES às 17:09. Tudo abaixo dessa linha no histórico é init. O repositório passou de dezoito arquivos e nenhum cartão para uma versão documentada com imagens, gráficos de avaliação, instruções de implantação e uma licença, no espaço de cerca de uma hora.

Isso importa para como você lê o anúncio, porque um post de lançamento não é a mesma coisa que um lançamento. Nada sobre o checkpoint mudou em 12 de outubro. O que mudou é que o MiniCPM-V 4.7 deixou de ser um upload sem explicação e se tornou um produto que você pode avaliar no papel.

As duas variantes, e por que não são o mesmo lançamento

O anúncio descreve dois modelos, e eles são arquiteturalmente independentes abaixo da torre de visão — um é uma mistura esparsa de especialistas, o outro um pequeno modelo denso.

• MiniCPM-V 4.7 35B-A3B — 35,2 bilhões de parâmetros totais como um MoE esparso, 256 especialistas com 8 ativos por token, 40 camadas de texto, tamanho oculto 2.048, 16 cabeças de consulta contra 2 cabeças de chave/valor, posição máxima de 262.144 tokens, vocabulário de 248.144.

• MiniCPM-V 4.7 1B — um backbone denso qwen3_5_text, 24 camadas com tamanho oculto de 1.024, 8 cabeças de consulta contra 2 cabeças de chave/valor, o mesmo contexto de 262.144 tokens, vocabulário de 248.094, um único arquivo safetensors de 3,1 GB.

• Torre de visão compartilhada — minicpmv4_7_vision, 27 camadas com tamanho oculto de 1.152, tamanho de patch 14, tamanho de imagem 980, inserida na camada 6 da pilha de texto.

• Compressão — subamostragem mista de tokens visuais em 4x e 16x, com a técnica de compressão precoce intra-ViT que a OpenBMB atribui ao LLaVA-UHD v4; o padrão é 16x, e 4x é a configuração de maior detalhe.

• Formato de atenção — um padrão repetitivo de três para um em ambas as variantes: três linear_attention camadas seguidas de uma full_attention camada, dez vezes ao longo das 40 camadas de texto do modelo 35B.

• Licença — Apache-2.0 em ambos, declarada no front matter do cartão, o que é a primeira vez que qualquer um dos repositórios declara termos.

O 35B-A3B é o modelo com que o anúncio abre, e é o que tem a história de engenharia interessante: toda a proposta é que é possível fazer um MoE esparso com 35 bilhões de parâmetros armazenados rodar sem problemas em um celular.

A alegação de que roda no dispositivo é a verdadeira novidade, e isso é um problema de agendamento.

Qualquer pessoa que já tentou executar um MoE em um celular conhece o modo de falha. Os parâmetros totais ficam no armazenamento, apenas alguns são ativados por token e, em um dispositivo sem RAM ou largura de banda para manter todos os especialistas, os pesos são paginados para dentro e para fora. O resultado é decodificado a uma velocidade que torna a conversa impossível. A solução alternativa óbvia — travar o roteador em um subconjunto fixo de especialistas para todo o prompt — deixa tudo rápido e, silenciosamente, remove capacidade, porque os tokens não conseguem mais alcançar os especialistas que o modelo teria escolhido.

A resposta da OpenBMB consiste em três técnicas empilhadas, e o card é excepcionalmente específico sobre o que cada uma faz:

• Lookahead Expert Scheduling (LES) — um preditor de roteamento entre camadas pré-carrega especialistas que provavelmente serão necessários para a próxima camada, priorizando, entre os especialistas, os que o roteador real realmente selecionou e sobrepondo sua computação com o carregamento de tudo o mais que ainda é necessário. O card faz questão de dizer que a predição apenas orienta a pré-busca e o agendamento; a computação ainda segue o roteamento em nível de token do próprio modelo, e os especialistas que a predição não previu são carregados e avaliados normalmente.

• Quantização granulares por camada — reduz o footprint dos pesos dos especialistas e o tráfego de memória, para que o padrão de carregamento se ajuste à memória e à largura de banda do dispositivo.

• Amostragem especulativa DSpark — integra o caminho do modelo de rascunho ao loop de inferência do dispositivo, juntamente com escalonamento e quantização.

O número de destaque é 13+ tokens por segundo em um iPhone 17 Pro Max para o 35B-A3B. Essa é uma medição do fornecedor, em um dispositivo que não vimos, usando um aplicativo que não executamos, e é o único dado neste lançamento que mais vale manter com reservas até que alguém fora do laboratório o reproduza. É também a alegação na qual se baseia todo o enquadramento de "primeiro MoE de código aberto a rodar suavemente no dispositivo sem comprometer o desempenho" — uma alegação que, por definição, é difícil de falsificar, porque "sem comprometer o desempenho" é medido em relação a uma linha de base que o fornecedor escolhe.

A parte do cartão que é informação genuinamente nova: a lista de ecossistemas

Antes de 12 de outubro, não havia nenhuma receita de serving publicada. O card agora nomeia os frameworks com os quais se espera que o modelo funcione, e a lista é ampla o suficiente para ser útil independentemente de como os benchmarks se saírem:

• Inferência — SGLang, vLLM, llama.cpp e Ollama, com um transformers serve caminho para um endpoint local compatível com OpenAI e um caminho OpenVINO para CPU, GPU e NPU Intel.

• Ajuste fino — SWIFT e LLaMA-Factory, além de uma receita de treinamento que a OpenBMB chama de Self-Replay Fine-Tuning, posicionada como uma forma de baixo custo de ampliar capacidades enquanto limita o esquecimento.

• Quantização — GGUF, BNB, AWQ, GPTQ e FP8, com repositórios separados publicados para as variantes AWQ, GPTQ, int4, FP8 e GGUF do modelo 35B.

• Hardware — suporte day-0 declarado para plataformas de chips Rockchip, Houmo, Intel, AMD e Arm, juntamente com implantação em iOS, Android e HarmonyOS.

• Ferramentas — um cookbook com guias de tarefas para chat de imagem única, chat com várias imagens, vídeo, OCR, análise de PDF e visual grounding, além de um repositório de implantação em edge que contém os aplicativos para celular.

• Decodificação especulativa — checkpoints de rascunho DSpark separados para ambos os alvos de 35B e 1B.

O efeito prático é que o MiniCPM-V 4.7 passou de "você teria que escrever o carregador por conta própria" para "existe um caminho documentado em pelo menos quatro stacks de serving". Se você estava esperando pela placa antes de gastar tempo em um teste local, a espera acabou; se estava esperando por evidências independentes de que os números no dispositivo são reais, não acabou.

O que os benchmarks estabelecem e não estabelecem

A seção de avaliação do card é honesta quanto ao que é: relatos do fornecedor, não reproduzidos de forma independente. Duas alegações comparativas são feitas explicitamente, e ambas são apresentadas como comparações, e não como pontuações absolutas. No modo Instruct, afirma-se que o 35B-A3B alcança uma pontuação geral mais alta em menos tempo de inferência do que o Qwen3.6 35B-A3B — uma alegação de desempenho versus latência, não de qualidade bruta. Afirma-se que a variante 1B melhora as capacidades centrais do MiniCPM-V 4.6 e supera substancialmente o Qwen3.5 0.8B tanto na pontuação geral quanto na eficiência de inferência.

Aqui está a parte que vale a pena destacar. Os números reais não estão no texto. A seção de avaliação consiste em cinco imagens vinculadas — um gráfico de desempenho geral para as tarefas de visão-linguagem do modelo 35B, um gráfico de linguagem, o gráfico do 1B, um gráfico de fronteira de desempenho-eficiência e um GIF de comparação de velocidade no dispositivo — e o texto ao redor delas carrega a narrativa, não os números. Não há tabela por benchmark no README, então não há pontuação legível por máquina para citar e, consequentemente, nada para este artigo citar como número. "Pontuação geral mais alta do que o Qwen3.6 35B-A3B" é tão preciso quanto o registro público atualmente consegue ser.

Duas consequências decorrem disto. Primeiro, o MiniCPM-V 4.7 não tem entrada nos rankings neutros de terceiros a que normalmente recorreríamos para uma comparação auditada — nenhum índice de raciocínio, nenhum índice agêntico, nenhuma pontuação multimodal avaliada de forma independente. Segundo, o agregado que a OpenBMB está a traçar é o compósito da própria fornecedora sobre grupos de benchmarks que ela selecionou, o que significa que a afirmação de «pontuação global mais elevada» só é tão significativa quanto a ponderação que lhe está por trás, e essa ponderação também não é publicada. Nada disto torna os números errados. Torna-os não auditados, o que é uma coisa diferente, e a distinção é mais importante exatamente onde os números são mais fortes.

O que você mesmo pode verificar, hoje

Retire o marketing e há um núcleo sólido e verificável, todo ele legível a partir do repositório sem confiar em ninguém:

• Bytes dos pesos — dezesseis fragmentos safetensors no modelo 35B totalizando 70.425.903.448 bytes, consistente com um checkpoint BF16 de 35,2B; o modelo 1B é um único arquivo de 3,1 GB.

• Arquitetura — todos os dados estruturais acima estão em config.json, publicados abertamente, e correspondem ao texto do cartão.

• Licença — Apache-2.0, declarada no front matter do cartão e agora inequívoca. Para uso comercial, esta é a linha mais importante do lançamento, e é nova.

• Variantes quantizadas — repositórios AWQ, GPTQ, int4, FP8 e GGUF existem e podem ser baixados, então o cenário de implantação não é teórico no nível dos pesos.

• Sinais de adoção — o repositório de 35B está com cerca de 166 downloads e 38 curtidas em 13 de outubro, um avanço em relação aos números quase nulos que apresentava quando era um upload inexplicado, mas ainda é um número pequeno para um lançamento alegadamente de fronteira de Pareto.

O que você não pode verificar é a alegação que sustenta o lançamento: que este é o primeiro MoE de código aberto que roda em um telefone sem abrir mão de nada, a mais de 13 tokens por segundo. Isso depende de um terceiro com um iPhone e um cronômetro.

Onde um router se encaixa e onde não

O MiniCPM-V 4.7 não é servido pelo OrcaRouter. Ele é um checkpoint de pesos abertos, o que significa que o modelo em si é algo que você hospeda — em uma estação de trabalho, em uma máquina com GPU ou no celular para o qual o cartão aponta. O lugar onde uma camada de roteamento se justifica está do outro lado desse arranjo: o ponto em que um modelo de visão auto-hospedado decide que está além de sua capacidade e entrega o frame difícil para algo maior. O OrcaRouter coloca mais de 200 modelos hospedados atrás de uma única chave, repassa o preço de tabela de cada provedor com 0% de margem para que uma mudança de preço de um fornecedor entre em vigor no mesmo dia, e faz failover automaticamente quando um provedor degrada — que é o formato de que uma configuração híbrida precisa, com o modelo local barato fazendo o trabalho de rotina e um modelo hospedado absorvendo os casos que ele não consegue dar conta.

O que assistir a seguir

Três coisas transformariam este lançamento de uma afirmação documentada em um fato estabelecido. Uma medição independente no dispositivo do modelo de 35B — alguém com um iPhone 17 Pro Max, o aplicativo publicado e sua própria medição de tempo — estabeleceria o número no qual todo o argumento se baseia. Uma tabela por benchmark com pontuações reais, em vez de gráficos, permitiria verificar a alegação de Pareto contra a linha de base que ela nomeia. E uma execução em um ranking neutro colocaria o MiniCPM-V 4.7 ao lado de modelos avaliados sob condições que ele não escolheu. Até então, o resumo honesto é que a OpenBMB lançou um modelo real, Apache-2.0, bem documentado, com uma história de eficiência crível e não comprovada, e que a diferença entre essas duas coisas é exatamente a diferença entre uma ficha e um benchmark.