ghfind сделал MiniCPM-V 4.7 движком своих GitHub-прожарок — и его собственная документация расходится в том, что это меняет

Scroll to the bottom of ghfind.com and there is a small line that did not used to be there: Model sponsor, a MiniCPM mark, and a link out to modelbest.cn. The model behind that mark is MiniCPM-V 4.7, OpenBMB's vision-language release from October 12, 2026. For a product whose entire pitch is a reproducible 0–100 "value and trust" score for any GitHub account, a model sponsorship is not a cosmetic detail — it is a question about what the model is allowed to touch. And ghfind's own documentation gives two different answers to that question. The documented AI failures and agent incidents behind releases like this one are collected in the OrcaRouter AI Incident Archive where each entry carries its own sources, severity, confidence grade and disputed flag.

Вот это и есть история, которую стоит написать, потому что поверхностная версия — «сайт, который прожаривает GitHub, сменил модели» — это пресс-релиз. Версия, лежащая под ней, — о продукте со скорингом, которому нужно убедить людей, что его цифра — не вайбы, и при этом внедрить языковую модель.

Что страница на самом деле показывает, а что — нет

Спонсорская полоса действительно существует и видна на публичной англоязычной главной странице. Она расположена рядом с двумя другими элементами управления: Использовать свою модель / API-ключ и пустыми слотами для логотипов с надписью Здесь может быть ваш логотип. Таким образом, структура, которую продвигает ghfind, — это не «наша модель, обязательно», а спонсор по умолчанию плюс возможность подключить собственный ключ — разумное решение для продукта, который тратит кредиты на модель при каждой «прожарке».

Three things that get repeated about this change are not on the page. First, ghfind publishes no traffic figure anywhere on the site, so any number describing its daily visits is coming from somewhere other than ghfind. Second, the phrase "main model" is not ghfind's — the page says Model sponsor. Third, and most usefully, the open-source repository still ships a different default entirely: its .env.example configures the roast LLM against StepFun's step-3.7-flash, with a D​eepSeek fallback for the case where the primary provider drops or rate-limits before any text streams. Anyone self-hosting ghfind from source gets that configuration, not a MiniCPM endpoint.

Итак, точное утверждение узкое и интереснее широкого: в хостинговом продукте MiniCPM указан как спонсор модели. В открытом коде он не является значением по умолчанию. Это разные утверждения, и только первое подтверждается тем, что может увидеть читатель.

Продукт, до модели

ghfind — это приложение на Next.js под лицензией AGPL-3.0, около 260 звёзд на GitHub, и на момент написания этой статьи оно активно обновлялось всю неделю. В его основе вовсе не LLM. Детерминированный движок на TypeScript — построчно перенесённый из открытого Python-навыка github-account-value, причём тесты на паритет жёстко связывают две реализации — читает публичные данные GitHub и выдаёт оценку по шести взвешенным измерениям: зрелость аккаунта, качество оригинальных проектов, качество вклада, влияние на экосистему, влияние на сообщество и подлинность активности. Из неё вычитаются десять «красных флажков» фермерского поведения, причём с большим весом у сигналов, которые дорого подделать, — например, пул-реквестов, влитых в репозитории, которыми аккаунт не владеет, — и с меньшим у сигналов, которые дёшево купить, вроде звёзд и подписчиков.

Весь смысл этого дизайна — аудируемость. При одном и том же аккаунте GitHub и одной и той же дате сбора число должно быть одним и тем же каждый раз, для всех. Именно это делает оценку пригодной для чего-то вроде триажа очереди задач, что ghfind также делает через GitHub App, который помечает входящие задачи меткой с диапазоном автора.

То, где подключается модель, находится дальше по цепочке: она превращает фиксированный результат в реплику-подколку, набор тегов и письменный отчёт. Именно эту часть пользователи делают скриншоты и делятся ею, и именно к ней естественно привязалась бы спонсорская интеграция.

Противоречие, заслуживающее внимания

Вот где два документа расходятся.

README репозитория описывает два раздельных прохода LLM: судья по фактам может применить ограниченную калибровку ±10, после чего писатель превращает зафиксированный результат в теги, главную строку прожарки и отчёт. Писатель не может изменить оценку.Прочитайте это предложение дважды. Писателю прямо запрещено сдвигать число, а судье прямо разрешено сдвигать его вплоть до десяти пунктов — по стобалльной шкале это десятая часть всего диапазона.

Собственный llms.txt сайта, написанный для агентов и машин, утверждает нечто более категоричное: полностью детерминированный движок … Одни и те же входные данные всегда дают одинаковый балл; ни одна LLM не влияет на число.

Оба утверждения не могут быть верны одновременно. Либо этап судьи присутствует в пути по умолчанию, и граница ±10 реальна — в этом случае оценка детерминирована с точностью до зависящей от модели калибровки, — либо судьи нет в пути по умолчанию, и README описывает опциональный режим. Бесспорно лишь то, что собственный текст репозитория допускает ограниченное влияние модели на это число, тогда как публичное машиночитаемое описание утверждает, что такого влияния нет.

Это важно в большей, а не в меньшей степени, потому что теперь на странице указан спонсор модели. Если модель способна изменить оценку на десять пунктов, то вопрос о том, какая именно модель выполняет оценивание, — это вопрос, который пользователь вправе задать — не потому, что кто-то мошенничает, а потому, что заявления о воспроизводимости сильны лишь настолько, насколько сильна самая слабая задокументированная оговорка. Продукт, публикующий страницу с методологией, обязан своим читателям одним предложением, которое бы устанавливало, какое из двух его описаний является актуальным.

Зачем модель компьютерного зрения для текстового продукта

Выбор мультимодальной модели для сайта, оценивающего GitHub, выглядит странно, пока не посмотришь, что именно передают модели. MiniCPM-V 4.7 не просят читать репозитории; её просят читать промпт. Визуально-языковые модели всё чаще используют как дешёвых универсальных судей, поскольку они обучены на чередующемся вводе и, как правило, хорошо соблюдают инструкции по структурированному выводу, а также потому, что одна модель, которая вдобавок может принимать скриншот, полезна в тот момент, когда пользователь вставляет снимок профиля в поток поддержки.

Есть также логика затрат. Вариант 35B-A3B активирует примерно три миллиарда параметров на токен в смеси из 256 экспертов, а вариант 1B — это плотная модель, достаточно компактная, чтобы работать на телефоне. Для продукта, в котором roast-проход запускается при каждом сканировании профиля, модель, которую можно дешево обслуживать — или запускать самостоятельно, — это иная экономическая модель, чем вызов frontier-API на каждый roast-проход. Именно поэтому сайт предлагает вариант «принеси свой ключ»: счет за модель растет вместе с трафиком, а трафик — это то, что сайт скоринга пытается наращивать.

Если вы сами строите такой конвейер — детерминированное ядро с надстроенным слоем повествования на базе модели — операционный вопрос в том, для скольких провайдеров вы хотите держать ключи. OrcaRouter предоставляет доступ к более чем 200 размещённым моделям через один эндпоинт, совместимый с OpenAI, с наценкой 0%, с прямой передачей цены каждого провайдера по прайс-листу без изменений и автоматическим переключением при деградации провайдера; его DSL маршрутизации позволяет в рамках одного вызова направлять дешёвый проход судьи и более дорогой проход писателя к разным моделям. Одно честное ограничение: MiniCPM-V 4.7 отсутствует в нашем каталоге, поэтому, если вам нужна именно эта модель, обращайтесь на собственную платформу OpenBMB. Роутер — это та часть, которая держит запасной путь наготове, когда единственный спонсируемый эндпоинт — единственное, что отделяет вас от пустого ящика для обжарки.

Что на самом деле представляет собой MiniCPM-V 4.7 по состоянию на эту неделю

Сторона модели заслуживает такой же точности. В репозитории OpenBMB есть запись в разделе News от 2026-10-12: «Выпущен MiniCPM-V 4.7», а репозитории на Hugging Face были созданы за несколько дней до этого — 6 октября для 1B и 7 октября для 35B-A3B, — что характерно для поэтапной загрузки весов. Карточка модели появилась следом. Вторая запись в News от 2026-10-15 анонсировала головки спекулятивного декодирования DSpark в BF16 и GGUF для обоих размеров.

• Размеры — разреженная смесь экспертов 35B-A3B с общим числом параметров 35,21 млрд и плотный вариант 1B с 1,55 млрд параметров.

• Лицензия — Apache 2.0 в обоих случаях, веса доступны для скачивания, без ограничений доступа

• Контекст — 262 144 токена в обоих вариантах

• Архитектура — 256 экспертов, 8 активных на токен в модели 35B; схема внимания 3:1 от линейного к полному на 40 слоях; визуальная башня с шириной скрытого слоя 1152 и входными фрагментами размером 980 пикселей

• Квантование — сборки GGUF, bitsandbytes, AWQ, GPTQ, FP8 и int4, опубликованные вместе с весами BF16

• Обслуживание — SGLang, vLLM, llama.cpp и Ollama указаны как поддерживаемые; у Ollama есть официальная запись

• Заявления производителя — 13+ токенов в секунду при использовании около 3 ГБ памяти на iPhone 17 Pro Max и 5-кратное ускорение на устройстве благодаря Lookahead Expert Scheduling

Распространение — примерно 95 000 ежемесячных загрузок в репозитории 35B-A3B и 46 000 в 1B, при этом около 1 079 и 398 лайков

Всё в этом списке можно проверить по карточке и файлу конфигурации. Пока недоступна независимая оценка. По состоянию на момент написания этого текста в каталоге моделей Artificial Analysis нет записи ни для одного из вариантов MiniCPM-V 4.7, поэтому показатель в 13 токенов в секунду, ускорение в 5 раз и утверждение, что 35B-A3B «достигает более высокого общего балла за меньшее время вывода, чем Qwen3.6 35B-A3B», — всё это заявлено производителем и не воспроизведено. Это нормально для модели, которой восемь дней, и именно поэтому размещение спонсора следует рассматривать как сигнал о структуре затрат ghfind, а не как сигнал о качестве модели.

Та часть, которую пока никто не может проверить

Что сводит две половины этой истории воедино. Кредит доверия ghfind держится на числе, которое, как утверждается, воспроизводимо. Кредит доверия MiniCPM-V 4.7 держится на бенчмарках, опубликованных его поставщиком неделю назад. Спонсорство связывает их без каких-либо опубликованных доказательств того, как модель ведёт себя в роли судьи, — ни показателя согласия с оценками людей, ни измерения дрейфа между версиями модели, ни утверждения о том, изменило бы чью-либо оценку замещение спонсора.

Всё это дёшево публиковать и дорого потом отвечать на вопросы об этом. Конкретное измерение, которое позволило бы это решить, — тест повторной оценки: взять фиксированную выборку аккаунтов, прогнать пайплайн с включённым и отключённым проходом судьи и сообщить распределение разницы. Если оно группируется около нуля, то ±10 — это страховочный ограничитель, который никто не задевает, и фраза «LLM не касается числа» фактически верна. Если распределение расходится, калибровка выполняет реальную работу, и на странице методологии нужно об этом сказать.

До тех пор честная интерпретация такова. ghfind — хорошо сделанный детерминированный скорер с необычно чётким разделением между своей цифрой и своим текстом, и теперь у него есть названный спонсор модели, чья роль в пайплайне документирована непоследовательно в его собственных файлах. MiniCPM-V 4.7 — настоящий мультимодальный релиз под лицензией Apache, действительно нетребовательный к памяти, который появился восемь дней назад с карточкой модели, продолжением DSpark и без независимых бенчмарков. Ни один из этих фактов не скандал. И то и другое — из тех вещей, которые замечаешь, только когда читаешь репозиторий, а не главную страницу, — а для продукта, который оценивает чужую работу, это минимум, который может сделать читатель.

Как конкретно проверить собственный счёт

Если у вас есть профиль на сайте, тестировать нужно детерминированный путь. ghfind предоставляет эндпоинт оценки, который не требует аутентификации и вызова модели, а базовый навык скоринга имеет открытый исходный код, поэтому число, полученное через API, и число, полученное на сайте, должны совпадать. Если они не совпадают, разница связана либо со временем сбора данных — сайт кэширует результат на сутки — либо с этапом калибровки; их можно различить, проверив, стабилен ли разрыв при повторных запусках.

Тем, кто строит похожий инструмент, архитектурный урок ghfind ценнее новостей о модели: числа держите в коде, формулировки — в модели, а границу между ними делайте настолько явной, чтобы читатель мог её проверить. Отказ возникает не из-за использования LLM. Отказ возникает тогда, когда граница документируется в двух местах и эти два описания начинают расходиться.

Список того, за чем следить дальше, невелик. У ghfind есть публичный журнал изменений и репозиторий, который обновляют почти каждый день, так что методическая заметка, примиряющая калибровку ±10 с тезисом «без LLM», появилась бы быстро. На стороне модели первый независимый бенчмарк MiniCPM-V 4.7 — или первый отчёт о том, сколько стоит одна «прожарка» при масштабе, — это та цифра, которая превратила бы спонсорство в аргумент. Ни того, ни другого пока нет. До обоих — одна публикация.