Molmo2-4B vs MiniCPM-V 4.7: Nenhum dos modelos está onde você pensa que está

O confronto do título não existe nos pesos. O Molmo2-4B é um único checkpoint de 4,85B. O MiniCPM-V 4.7 não é um modelo, mas dois, e nenhum deles é 4B: uma variante densa de 1,55B feita para celulares e uma variante de mistura de especialistas de 35,2B com cerca de 3B de parâmetros ativos e um contexto de 262.144 tokens. Portanto, um leitor que pesquisa "Molmo2-4B vs MiniCPM-V 4.7" está, na verdade, fazendo uma pergunta de três vias — vale a pena ocupar a faixa de 4B, ou você desce para 1B pela pegada ou sobe para o MoE pela capacidade? Essa é uma pergunta mais útil do que a que foi digitada, e tem uma resposta mais clara. Uma decisão entre três modelos é um problema de roteamento antes de ser um problema de modelagem. A DSL de roteamento compõe vários modelos em uma única chamada, em vez de um contrato por modelo.

As datas também importam aqui, porque ambos os modelos são frequentemente descritos como mais novos do que são. O Molmo2-4B foi anunciado pelo Allen Institute for AI em 11 de dezembro de 2025, com pesos no Hugging Face a partir de 14 de dezembro. Os pesos do MiniCPM-V 4.7 foram disponibilizados em 6 e 7 de outubro de 2026, o cartão do modelo veio em seguida, em 12 de outubro, e um comunicado de imprensa em inglês da ModelBest e da OpenBMB, em 15 de outubro. A mudança recente do lado do Molmo não é um novo modelo: o Molmo2 tornou-se uma arquitetura nativa no Transformers upstream quando o PR #43451 foi mesclado em 9 de outubro de 2026 e foi incluído na v5.20.0 em 15 de outubro, e, em 5 de novembro, a Ai2 publicou um ajuste fino do Molmo2-4B para uma bancada de testes de robótica. Considere qualquer um deles como um motivo para revisitar o modelo. Nenhum dos dois é um lançamento.

Três pontos de verificação, três posições na curva

• Parâmetros — o Molmo2-4B tem 4,85B; o MiniCPM-V 4.7-1B tem 1,55B; o MiniCPM-V 4.7-35B-A3B tem 35,2B no total, com cerca de 3B ativos por token.

Arquitetura — o Molmo2-4B é uma torre SigLIP 2 acoplada ao Qwen3-4B-Instruct-2507; o par MiniCPM-V 4.7 usa compressão precoce intra-ViT do LLaVA-UHD v4 com compressão mista de tokens visuais 4x/16x, e a variante de 35B é o primeiro MoE da linha MiniCPM-V.

• Contexto — 36.864 posições para o Molmo2-4B; 262.144 tokens para ambas as variantes do MiniCPM-V 4.7.

• Modalidades — o Molmo2-4B processa imagem, múltiplas imagens e vídeo, e emite coordenadas de apontamento no espaço de imagem 0–1000; o MiniCPM-V 4.7 processa imagem única, múltiplas imagens e vídeo, e responde em texto.

Licença — o Molmo2-4B é Apache 2.0 nos pesos, com o cartão alertando que seus dados de treinamento estão sujeitos a uso apenas para pesquisa acadêmica e não comercial; ambas as variantes do MiniCPM-V 4.7 são Apache 2.0.

• Distribuição — o Molmo2-4B é float32 safetensors, 19,42 GB, quatro shards, sem quantizações oficiais; o MiniCPM-V 4.7 vem com variantes GGUF, int4, AWQ, GPTQ, FP8 e DSpark em ambos os tamanhos.

A linha de distribuição é a que decide projetos reais. Um contexto de 262.144 tokens só é útil se você puder arcar com mantê-lo, e a OpenBMB fez o trabalho pouco glamouroso de publicar os formatos quantizados que as pessoas realmente implantam — o GGUF oficial de 1B em Q4_K_M tem 672 MB, o que é a diferença entre uma demonstração e algo que roda em um dispositivo que você já tem.

Onde o 4B realmente vence

O caso do Molmo2-4B baseia-se em duas coisas que o par MiniCPM-V 4.7 não faz da mesma forma: apontamento como saída de primeira classe e rastreamento de vídeo com marcas temporais.

O formato de apontamento é um ponto numérico em coordenadas de 0–1000, envolvido em uma tag para a qual o cartão do modelo traz uma regex. O apontamento com várias imagens é achatado em uma lista de triplas índice do quadro, x, y. Esse é um contrato diferente de "descrever onde o objeto está", e muda o que você pode construir: pipelines de recorte, acompanhamentos de região de interesse, loops de contar e depois verificar, e qualquer fluxo de trabalho em que uma etapa posterior precise de uma coordenada em vez de uma frase.

O vídeo é onde o orçamento de parâmetros é gasto. Os nomes dos cards da Ai2 incluem QA de legendagem de vídeo, QA de legendas de vídeo, apontamento em vídeo, rastreamento em vídeo e dois conjuntos de apontamento multi-imagem entre seus dados de treinamento, e o pré-processador de vídeo lançado usa por padrão 384 quadros a 2 fps em 378×378 com pooling 3×3. O MiniCPM-V 4.7 oferece suporte a vídeo — a OpenBMB reporta LongVideoBench 68,9 para o 35B-A3B e 53,4 para o 1B —, mas é um modelo de saída de texto nesse caminho, e um vídeo longo compete com o prompt pelo mesmo orçamento de tokens.

Onde o MiniCPM-V 4.7 vence, duas vezes

Na base da faixa, o 1B é uma classe de objeto diferente. Com 1,55B de parâmetros, ele tem cerca de um terço do tamanho do Molmo2-4B, roda em llama.cpp e Ollama, e a OpenBMB reporta OCRBench 86,1, MathVista 74,3 e CharXiv 48,8 para ele. Esses são números do fornecedor em um conjunto de avaliação escolhido pelo fornecedor, e devem ser lidos assim — mas um modelo de 1,55B que faz OCR de página inteira de forma crível é uma decisão de aquisição genuinamente diferente de um modelo de 4,85B que precisa de uma GPU.

No topo da linha, o 35B-A3B faz a questão do 4B parecer provinciana. Os números publicados pela OpenBMB para ele incluem MMMU 80.2, OCRBench 91.2 com 4x tokens visuais e 90.40 com 16x, CharXiv 75.6, LongVideoBench 68.9, MathVerse 86.5 e MathVista 88. Também alega algo mais interessante do que um benchmark: com Lookahead Expert Scheduling, quantização por camada e amostragem especulativa DSpark, o 35B-A3B decodifica a 13+ tokens/s em cerca de 3 GB de memória em um iPhone 17 Pro Max. Trate isso como uma alegação do fornecedor sobre uma cadeia de ferramentas específica, e não como uma propriedade geral do modelo — mas, se se confirmar, elimina o motivo habitual para preferir um 4B denso no dispositivo.

Todos esses resultados são divulgados pelos fornecedores. Nem a OpenBMB nem a Ai2 publicaram resultados de seu modelo no conjunto de benchmarks da outra, portanto nenhuma linha acima é uma comparação direta.

O menu de implantação é a diferença subestimada

O MiniCPM-V 4.7 lista SGLang, vLLM, llama.cpp e Ollama para inferência, SWIFT e LLaMA-Factory para ajuste fino, e suporte day-0 para Rockchip, Houmo, Intel, AMD e Arm. O card do Molmo2-4B lista Transformers com código remoto, uma dependência separada molmo_utils e decord2 para vídeo, e a documentação da própria plataforma da AI2 aponta para o vLLM nightly em vez do estável. A lacuna diminuiu em outubro, quando o suporte nativo ao Transformers chegou na v5.20.0 e o requisito de código remoto se tornou opcional, mas ainda é uma lacuna: um projeto tem uma matriz de quantização, o outro tem um lançamento de pesquisa.

É aqui que o roteamento ganha seu lugar em vez de ser um slogan. Uma equipe que quer o MiniCPM-V 4.7 1B no dispositivo para o caminho barato e um modelo maior para o caminho difícil não precisa de dois contratos para isso — o DSL de roteamento compõe vários modelos atrás de um único endpoint, e 0% de acréscimo significa que o preço de tabela do provedor é o que você paga, então um corte de preço do fornecedor entra em vigor no mesmo dia. Isso importa mais para uma decisão entre três modelos como esta do que para uma escolha direta entre A ou B.

Como escolher de verdade

Se a restrição for memória, escolha o MiniCPM-V 4.7-1B. Nada no pacote Molmo2-4B chega perto de 672 MB, e nenhuma quantidade de precisão de apontamento compensa um modelo que não cabe.

Se a restrição for capacidade por dólar e você puder servir um MoE, escolha o MiniCPM-V 4.7-35B-A3B. Nos próprios números da OpenBMB, ele está em outra liga em relação a qualquer um dos modelos menores, e a contagem de parâmetros ativos mantém o custo por token mais próximo de um 3B do que de um 35B.

Se o requisito for uma coordenada, escolha o Molmo2-4B. Pontos com carimbos de data e hora, apontamento e rastreamento em múltiplas imagens são as razões pelas quais o modelo existe; nada na documentação do MiniCPM-V 4.7 descreve um contrato de saída equivalente.

E se você realmente precisa de um generalista de classe 4B que faça imagem, múltiplas imagens e vídeo sem um download de 19 GB em float32, a resposta honesta é que esta comparação específica não oferece um — Molmo2-4B é o único modelo da comparação nessa posição, e entra com o ferramental de implantação mais enxuto dos três. O que mudaria isso: um Molmo2-4B quantizado oficial, ou um MiniCPM-V de classe 4B. Nenhum dos dois existe hoje.