MiniCPM-V 4.7 35B-A3B vs InternLumina U2: два тихих корабля, два противоположных ответа

Ни MiniCPM-V 4.7 35B-A3B, ни InternLumina-U2 не были анонсированы, когда появились их веса. Обе модели имеют открытые веса, обе вышли из китайских лабораторий, обе — крупнейший мультимодальный релиз, выпущенный их командой в этом году, и обе добрались до хаба без блог-поста, без кейноута и без дня запуска. На этом сходство заканчивается. MiniCPM-V 4.7 35B-A3B читает изображения и отвечает текстом; InternLumina-U2 читает изображения, отвечает текстом, а ещё рисует новые, редактирует их и рендерит 3D-ассеты. Одна создана настолько компактной, чтобы уместиться на телефоне; другая — это 16 миллиардов параметров диффузионного исследования, которые не поместятся даже близко к нему. Если читать их бок о бок, это не две записи в одной категории — это два разных ответа на вопрос о том, для чего нужна визуально-языковая модель, опубликованные с разницей в пять недель, пока никто не смотрел.

То, что здесь можно узнать, чётко делится на две части. Всё о стороне MiniCPM ниже взято из репозитория, карточки модели и файла конфигурации, которые может прочитать любой желающий. Всё, что относится к стороне InternLumina, взято из собственной карточки модели лаборатории и опубликованного ею дерева файлов; раздел с бенчмарками в самой карточке помечен как «Preliminary, partial results» и не содержит вообще никаких числовых данных. Ни одна из моделей не проходила независимой оценки, и ничто в этом материале не является анонсом релиза: лишь 12 октября OpenBMB назвала MiniCPM-V 4.7 релизом, а, насколько можно судить по публичным данным, Shanghai AI Laboratory пока не называла InternLumina-U2 релизом.

Два тихих корабля с разницей в пять недель

Папка MiniCPM-V 4.7 впервые появилась на Hugging Face 6 октября 2026 года; теперь хаб сообщает временную метку создания 7 октября, а репозиторий последний раз изменялся 12 октября. Репозиторий InternLumina-U2 был создан 1 сентября. Ни одна из этих дат не сопровождается объявлением. Но с тех пор эти два проекта старели по-разному, и это различие — самое полезное в данном сравнении.

InternLumina-U2 был выпущен 1 сентября только как код. Та версия была средой для вывода, README и обещанием — веса были «скоро», репозиторий Hugging Face содержал единственный файл .gitattributes, а технический отчёт был помечен как готовящийся. Это уже не так. Теперь репозиторий содержит две полные аппаратно-специфичные контрольные точки, одну в ascend/ и одну в nvidia/, каждую с семью шардами safetensors, собственным модулем remote-code, параллельным планом и токенизатором. Веса появились тихо, и никто не обновил историю. На момент написания у репозитория 16 лайков и ноль зафиксированных загрузок, а технический отчёт всё ещё не вышел.

MiniCPM-V 4.7 пошёл в другом направлении. Он появился в октябре в виде весов без карточки модели — в папке не было ни README, ни тега лицензии, ни бенчмарков, что в точности совпадает с тем, что было записано в нашей более ранней публикации. Десять дней спустя у него есть все три первых пункта и по-прежнему ни одного из последних: лицензия Apache-2.0, полная карточка с руководствами по использованию и раздел с заявлениями, в котором есть цифры, но нет таблицы оценок, которую читатель мог бы процитировать. Так что точное резюме для обоих таково: документация появилась после весов, в обоих случаях без объявления между ними.

Что на самом деле представляет собой InternLumina-U2

В карточке описывается модель смеси экспертов с 16 млрд параметров и 1 млрд активных параметров — обозначаемая как 16B-A1B — построенная как диффузионная большая языковая модель с несколькими кодовыми книгами. Ключевая фраза — «полностью дискретная»: центральная ставка InternLumina-U2 состоит в том, что язык и зрение должны совместно использовать один словарь токенов, а не существовать в отдельных стеках понимания и генерации, и что узким местом в более ранних унифицированных моделях был сам визуальный словарь. Её ответ — дискретное визуальное представление из восьми кодовых книг, построенное на AToken, которое позволяет одним и тем же весам и интерпретировать изображение, и синтезировать его.

Охват намеренно широк: вопросно-ответные задачи по тексту, генерация изображений по тексту вплоть до 1024×1024, понимание изображений на естественных изображениях и насыщенных диаграммах, редактирование изображений по инструкциям с необязательным режимом dual-CFG, понимание видео по выборочным кадрам и понимание 3D по ассетам GLB и GLTF. Путь 3D стоит особняком — и он самый интересный: ассеты рендерятся в цвето-глубинные представления через поставляемый в комплекте конвейер Blender перед токенизацией, что представляет собой остроумный способ повторно использовать модель изображений для геометрии, не обучая её геометрии.

Стоит отметить две инженерные детали, потому что они необычны. Во-первых, оба чекпоинта находятся в одном репозитории и разделены по ускорителю: сборка Ascend, обученная на NPU Huawei, и сборка NVIDIA, обученная на GPU. Это сознательная страховка от экспортных ограничений и ограничений поставок, и это означает, что вопрос «какой чекпоинт» пользователям InternLumina-U2 приходится решать в первую очередь. Во-вторых, в карточке указано, что модель имеет лицензию Apache-2.0 без каких-либо оговорок — по-настоящему разрешительная, в отличие от нескольких мультимодальных релизов 2026 года, выпущенных на условиях только для исследований.

Что теперь представляет собой MiniCPM-V 4.7 35B-A3B

В карточке он назван первой MoE в серии MiniCPM-V, и файл конфигурации это подтверждает: 256 экспертов, 8 активных на токен, 40 слоёв, окно контекста в 262 144 токена и словарь в 248 144 токена. Зрение работает через модуль SigLIP2 с ранним сжатием intra-ViT из LLaVA-UHD v4 и смешанным режимом сжатия токенов 4x/16x — по умолчанию 16x для пропускной способности, 4x, когда нужна мелкая детализация, — режим выбирается во время вызова. Он понимает одиночные изображения, наборы из нескольких изображений и видео; отвечает текстом; изображения не генерирует.

В выделенном жирным шрифтом утверждении OpenBMB говорится, что это первая MoE-модель с открытым исходным кодом, обеспечивающая плавный инференс на устройстве без потерь, достигаемый благодаря трём названным техникам: опережающему планированию экспертов, мелкозернистой послойной квантизации и спекулятивной выборке через отдельные черновики DSpark. Сопутствующее этому число — 13 с лишним токенов в секунду на iPhone 17 Pro Max. Эта цифра заявлена производителем, не воспроизведена и не снабжена уточнениями — не указаны ни формат квантизации, ни сборка, ни промпт, ни методология измерений. В карточке также утверждается, что в режиме Instruct модель набирает более высокий общий балл, чем Qwen3.6 35B-A3B, за меньшее время инференса, причём это утверждение находится внутри изображения с диаграммой, а не в таблице, а значит, его нельзя приводить как число и не следует рассматривать как таковое.

Что не является заявлением, так это работа по дистрибуции, и именно она даёт практическую причину этим интересоваться. Веса Base, FP8, int4, AWQ, GPTQ и GGUF существуют; SGLang, vLLM, llama.cpp, Ollama и OpenVINO поддерживаются с первого дня; приложения для iOS, Android и HarmonyOS есть в репозитории MiniCPM-V-Apps; а Rockchip, Houmo, Intel, AMD и Arm все указаны как аппаратные платформы с поддержкой с первого дня. Шесть недель назад эту модель критиковали за то, что это недокументированный чекпойнт. Теперь эта критика устарела — это документированный чекпойнт без бенчмарков, а это другая и меньшая проблема.

Эти двое, измерение за измерением

• Что он делает с изображением — MiniCPM-V 4.7 35B-A3B читает его и отвечает текстом; InternLumina-U2 читает его, отвечает текстом, создаёт новое, редактирует существующее и интерпретирует 3D-ассеты.

• Архитектура — авторегрессионная разреженная MoE на 35,2 млрд параметров с 3 млрд активных против дискретной диффузионной модели 16B-A1B с несколькими кодовыми книгами. Разные семейства, а не разные размеры одного семейства.

• Модальности на входе — текст, изображение и видео против текста, изображения, видео и 3D.

• Модальности вывода — только текст против текста плюс сгенерированные изображения и отредактированные изображения.

• Размер весов — примерно 70 ГБ в BF16, разбитых на 16 шардов, против семи шардов на аппаратную сборку, опубликовано дважды.

• Лицензия — Apache-2.0 у обоих. Это единственное измерение, в котором эти двое действительно совпадают, и это важно, потому что разрешительная лицензия на генеративную модель такого масштаба — редкость.

• Сценарий развёртывания — квантованные сборки, мобильные приложения и пять сред выполнения инференса против модуля удалённого кода и shell-скрипта, с разбивкой по ускорителям.

Публичные доказательства — карточка с заявлениями вендора без таблицы оценок против карточки, которая явно помечает свой раздел бенчмарков как предварительный и ничего в нём не печатает.

Разрыв между ними — не качество, а род.

Было бы приятно объявить победителя, и это было бы нечестно. Между этими двумя моделями нет общего бенчмарка, ни одна третья сторона не тестировала ни одну из них, а собственной таблицы оценки MiniCPM-V 4.7 не существует, тогда как у InternLumina-U2 она явно помечена как частичная. Все, кто ранжирует их сегодня, ранжируют качество документации, а не качество моделей.

Честно сравнивать можно только цепочку доказательств, и здесь эти двое терпят неудачу в противоположных направлениях. InternLumina-U2 много сообщает об архитектуре и почти ничего — о результатах: увлекательный дизайн без продемонстрированных возможностей. MiniCPM-V 4.7 много сообщает о результатах в прозе и отказывается публиковать их как данные, из-за чего эти утверждения трудно опровергнуть и, соответственно, трудно счесть заслуживающими доверия. Первый — многообещающий инструмент; второй — многообещающий инструмент с маркетинговой надстройкой сверху.

Практический вывод следует из этого. Если вам нужна модель, которая принимает на вход скриншоты, документы или видео и возвращает текст, и вы хотите запускать её самостоятельно, то MiniCPM-V 4.7 — это та, для которой есть рецепт развёртывания, шесть сред выполнения и квантованные веса, которые можно скачать уже сегодня. Если вам нужна одна модель, которая понимает и генерирует изображения в одном и том же словаре — для пайплайнов редактирования, синтетических данных или исследований унифицированных токенных пространств — InternLumina-U2 — единственная из двух, которая это пытается делать, а вторая папка с чекпоинтами, появившаяся после сентябрьского релиза кода, — первый признак того, что исследования всё ещё продолжаются.

Что это значит, если вы просто пытаетесь что-то выпустить

Оба они — это файлы, которые вы скачиваете и раздаёте сами. Ни MiniCPM-V 4.7 35B-A3B, ни InternLumina-U2 не входят в размещённый каталог OrcaRouter, так что ничто здесь не даёт способа вызывать их как эндпоинт, и ни одну нашу статью не следует понимать так, будто в ней утверждается обратное. Чем роутер полезен в этой ситуации — это вторая половина задачи: тот момент, когда вашему пайплайну нужна модель, которую вы не хотите хостить сами. OrcaRouter помещает более 200 размещённых моделей за одним ключом, пропускает прайс-листовую цену каждого провайдера напрямую, без нашей наценки, и автоматически переключается при деградации провайдера — поэтому команда, которая локально запускает MiniCPM-V 4.7 для массового анализа документов, может передать сложные страницы размещённой модели без второго контракта и второго SDK.

Ближайшая размещённая модель с такой конфигурацией — Qwen3.6 35B A3B: тоже 35B общих параметров и 3B активных, тоже контекст 262K, тоже принимает текст, изображения и видео, а выводит текст — доступна по цене $0.25 за миллион входных токенов и $1.48 за миллион выходных токенов, по себестоимости. Это по-настоящему полезная контрольная группа: если ваш выбор — между самостоятельным хостингом 70-гигабайтного разреженного мультимодального MoE и вызовом эквивалентной модели, второй вариант можно измерить уже сегодня днём, а первый — нет.

Что бы изменило это сравнение?

Двух документов хватило бы, чтобы закрыть большую часть вопросов. Таблица бенчмарков от OpenBMB превратила бы MiniCPM-V 4.7 из заявления в точку данных, а черновая модель DSpark — единственная часть семейства, по которой есть хоть какие-то опубликованные числа, в виде числа принятых токенов на шаг, — представляет собой самый дешёвый внешний путь к первой независимой цифре. Технический отчёт от Shanghai AI Laboratory сделал бы то же самое для InternLumina-U2 и стал бы первым случаем, когда кто-либо увидел бы, как его словарь из восьми кодовых книг оценивают хоть с чем-нибудь.

До тех пор честная позиция такова: одну из этих двух моделей можно развернуть, а другую можно только изучать. Это утверждение, вероятно, перестанет быть верным уже через месяц, и именно поэтому ни одну из моделей не стоит списывать со счетов как вейпорвер — они просто находятся на более раннем этапе своей публичной жизни, чем предполагают тексты о них.