MiniCPM-V 4.7 35B-A3B против PixelUMM: всё решает одна лицензия — ещё до того, как это сделают бенчмарки

Есть одно решение, которое вы можете принять между MiniCPM-V 4.7 35B-A3B и PixelUMM, не прочитав ни одного бенчмарка, и, вероятно, именно оно имеет наибольшее значение. MiniCPM-V 4.7 35B-A3B распространяется под Apache-2.0. Чекпоинт модели PixelUMM — нет: он поставляется под лицензией NVIDIA One-Way Noncommercial License, которая разрешает только исследования и оценку, причём для чекпоинта, о котором сама NVIDIA говорит, что он «не был проверен для продакшена или использования в ситуациях с высокими ставками». Если вы создаёте что-то, что собираетесь продавать, одна из этих двух моделей заведомо не подходит, и всё остальное сравнение — чистая теория. Если вы занимаетесь исследованиями, поле открывается, и интересный вопрос становится таким: против чего на самом деле делает ставку дизайн NVIDIA без энкодера — потому что он делает ставку против именно той архитектуры, которую использует MiniCPM-V 4.7.

Обе модели вышли тихо. Веса PixelUMM появились на Hugging Face в 21:40 UTC 1 октября 2026 года — без поста в блоге, без пресс-релиза и без презентации; в URL страницы проекта по-прежнему указано «preview». MiniCPM-V 4.7 появилась 6 октября тем же образом, а OpenBMB не добавила к ней карточку модели, лицензию или раздел с утверждениями до 12 октября. Ни одну из них никто независимо не оценивал, и ни для одной из них нет таблицы бенчмарков, которую читатель мог бы процитировать, — карточка PixelUMM вообще не содержит оценок, а утверждения о производительности MiniCPM-V 4.7 находятся внутри изображений с графиками, а не в тексте. Далее мы отделяем то, что утверждается в репозиториях, от того, что пока не подтвердил никто за пределами этих двух лабораторий.

Что такое PixelUMM, в одном абзаце

PixelUMM — это Transformer только с декодером на 15 199 672 064 параметров с итеративной головой генерации пикселей, построенный на основе Qwen3-8B, привязанного к конкретной ревизии. Его основная идея заявлена в первой строке карточки модели и действительно идёт вразрез с общепринятым: никакого VAE и никакого визуального энкодера. Там, где обычная унифицированная модель имеет два визуальных интерфейса — визуальный трансформер, создающий семантические признаки для понимания, и вариационный автоэнкодер, создающий латентные представления реконструкции для генерации, — PixelUMM не имеет ни того, ни другого. Изображения нарезаются на патчи размером 16×16 пикселей, видео — на четырёхкадровые пространственно-временные тублеты, и и то и другое попадает в backbone только через однослойные линейные проекции, а всю работу по генерации выполняет итеративное шумоподавление. В статье она описывается как Mixture-of-Transformers, сочетающая общее внимание с параметрами, специфичными для задач. Она поддерживает text-to-image, генерацию текста по изображению, понимание с обусловливанием видео и генерацию видео, включая text-to-video при 96 кадрах, 24 fps и четырёх секундах.

Шлейф вокруг него тянулся около четырёх недель, и всё это время было тихо. Репозиторий GitHub nv-tlabs/PixelUMM был создан 4 сентября 2026 года под лицензией Apache-2.0 и большую часть месяца оставался с единственным коммитом. 28–29 сентября появился первоначальный коммит, и arXiv присвоил препринту номер 2609.38597, в списке авторов которого фигурируют NVIDIA и Университет Уотерлу. Сам репозиторий модели появился в 21:40 UTC 1 октября, через восемь минут после последнего коммита на GitHub, добавившего ссылку на статью. В статье нет строки с указанием места публикации — ни конференции, ни пометки «принято в» — что читается как исследовательская команда, выкладывающая артефакт в открытый доступ, а не как запуск продукта, хотя это наблюдение об имеющихся данных, а не утверждение о намерениях.

Что такое MiniCPM-V 4.7 35B-A3B

MiniCPM-V 4.7 35B-A3B — первая MoE-модель OpenBMB в серии MiniCPM-V: 256 экспертов с 8 активными на токен, 40 слоёв, контекстное окно на 262 144 токена и словарь на 248 144 токена, что даёт примерно 3 млрд активных параметров из 35,2 млрд общих. Зрение работает через модуль SigLIP2 с ранней компрессией intra-ViT в LLaVA-UHD v4 и выбираемым смешанным режимом компрессии визуальных токенов 4x/16x — 16x по умолчанию для пропускной способности, 4x, когда важны мелкие детали. Он понимает одиночные изображения, несколько изображений и видео, а отвечает текстом. Он не генерирует изображения.

Главное утверждение карточки состоит в том, что это первая MoE-модель с открытым исходным кодом с инференсом на устройстве без потерь и без задержек, обеспечиваемым Lookahead Expert Scheduling, мелкозернистой послойной квантизацией и спекулятивным сэмплированием через отдельные черновики DSpark, при заявленных 13+ токенах в секунду на iPhone 17 Pro Max. Этот показатель заявлен производителем, не воспроизведён и не имеет оговорок. В карточке также утверждается более высокий общий балл в режиме Instruct, чем у Qwen3.6 35B-A3B, при меньшем времени инференса — утверждение, которое представлено внутри изображения с диаграммой, а значит, это не цитируемое число, и не следует относиться к нему как к таковому.

Там, где MiniCPM-V 4.7 однозначно впереди, — это не какая-либо таблица результатов, а вспомогательная обвязка, и всё это реально и доступно для скачивания: базовые, FP8, int4, AWQ, GPTQ и GGUF веса; поддержка в SGLang, vLLM, llama.cpp, Ollama и OpenVINO; приложения для iOS, Android и HarmonyOS; а также Rockchip, Houmo, Intel, AMD и Arm, заявленные для чипов с первого дня. Шесть недель назад честной критикой этой модели было то, что это недокументированный чекпойнт. Теперь это уже не так — это документированный чекпойнт без бенчмарков. Другая проблема, меньшая.

Аргумент об архитектуре, скрывающийся за сравнением

Две модели расходятся в чём-то фундаментальном, и это стоит обозначить, потому что это та часть данного противостояния, чей срок актуальности дольше, чем у любой из моделей.

• Как зрение достигает языковой модели — PixelUMM использует необработанные пиксели и одну линейную проекцию, без предварительно обученного кодировщика зрения где-либо в стеке; MiniCPM-V 4.7 использует кодировщик SigLIP2 с ранней компрессией внутри ViT и настраиваемым коэффициентом понижающей дискретизации.

• Как работает генерация — PixelUMM итеративно предсказывает пиксели через голову flow-matching, обученную совместно с авторегрессионным предсказанием текста; MiniCPM-V 4.7 генерирует текст и ничего больше.

• Что это даёт — PixelUMM получает один набор весов, который одновременно описывает изображение и создаёт его, ценой лицензии только для исследований и отсутствия проверки в продакшене; MiniCPM-V 4.7 получает небольшую, квантуемую, развёртываемую на телефоне модель, которая может читать мир, но не перерисовывать его.

• Количество параметров — 15,2 млрд, условно плотных, против 35,2 млрд общих при 3 млрд активных. Именно количество активных параметров определяет стоимость инференса, и по этому показателю модель MiniCPM меньше из двух на порядок.

• Веса на диске — репозиторий PixelUMM содержит 491 файл в четырёх вариантах контрольных точек; базовая сборка MiniCPM-V 4.7 — это шестнадцать BF16-шардов общим объёмом примерно 70 ГБ.

• Лицензия — Apache-2.0 против NVIDIA One-Way Noncommercial для чекпоинта, при этом Apache-2.0 применяется только к исходному коду PixelUMM, а база Qwen3-8B отдельно распространяется под Apache-2.0. В карточке PixelUMM также отмечено, что она включает модифицированный код, производный от BAGEL, поэтому поверх применяются условия вышестоящего проекта.

• Публичная оценка — отсутствует, с обеих сторон. MiniCPM-V 4.7 по крайней мере делает заявления о производительности; в карточке PixelUMM вообще не указано ни одной цифры бенчмарков.

Какой из них вы действительно можете показать пользователю

Учитывайте лицензию и историю развёртывания вместе — и выбор в основном сделается сам собой.

PixelUMM — это более интересный исследовательский артефакт и менее пригодный к использованию продукт. Некоммерческий чекпоинт напрямую блокирует очевидные коммерческие применения, на карточке нет рецепта развёртывания, нет квантованной сборки, нет данных о длине контекста, а 83 лайка при нуле зафиксированных скачиваний означают, что по сути никто, кроме авторов, его не запускал. Его ценность прямо сейчас — в сильном, опубликованном аргументе о том, что vision-энкодеры могут быть не нужны в унифицированных моделях. За этим аргументом стоит следить, независимо от того, будете ли вы когда-нибудь загружать веса.

MiniCPM-V 4.7 — это тот, у кого есть путь к продакшену, и путь этот узкий, но реальный. Apache-2.0 снимает вопрос лицензирования. Шесть форматов квантизации и пять сред выполнения инференса означают, что вам не придётся писать собственные ядра. Два или более GPU для неквантованной сборки — это барьер; квантованные сборки и история с работой на устройстве — это обходной путь, и заявление о работе на устройстве — именно то, которое не было независимо подтверждено. Относитесь к ней как к модели, которую можно запустить уже сегодня, и к заявлению о производительности, на которое пока нельзя делать ставку.

Для команд, чей ответ — «ни то, ни другое, мы что-нибудь позовём», ближайший хостинговый аналог конфигурации MiniCPM — это Qwen3.6 35B A3B: те же 35B всего, те же 3B активных, тот же контекст 262K, тот же приём текста, изображений и видео — и он обслуживается через OrcaRouter по прайс-листовой цене провайдера без наценки, $0,25 за миллион входных токенов и $1,48 за миллион выходных токенов, с автоматическим переключением при деградации маршрута провайдера. Это не замена ни одной из моделей в этой статье; это контрольная группа, которая показывает, что на самом деле даёт вам самостоятельный хостинг разреженного мультимодального MoE на 70 ГБ.

Куда это приведёт

Уберите архитектуру — и останутся два тихих релиза, указывающих в противоположных направлениях. NVIDIA опубликовала артефакт уровня научной статьи под лицензией, которая мешает большинству людей им пользоваться, и репозиторий без рецепта, без бенчмарков и без загрузок. OpenBMB опубликовала документированную модель с разрешительной лицензией, поддерживающую несколько сред выполнения, с убедительным заявлением об эффективности и без таблицы оценок, которая бы его подкрепляла.

Единственное, что окончательно решило бы вопрос по каждой из них: для PixelUMM — хоть какое-нибудь независимое воспроизведение; 0 загрузок означают, что во внешнем мире не существует ни одной точки данных, а тезис об отсутствии энкодера — как раз из тех утверждений, которые либо выдерживают проверку, либо разваливаются при столкновении со второй реализацией. Для MiniCPM-V 4.7 — таблица бенчмарков или воспроизведённая длина принятия на драфте DSpark, единственной части семейства, для которой опубликованы числа. Ни того, ни другого пока нет. Обе причины — вот почему эти две модели всё ещё стоит наблюдать, а не отправлять в архив: в своей публичной жизни они находятся на более раннем этапе, чем можно судить по освещению, и ни одну из них лаборатория, создавшая её, не назвала запуском.