Molmo2-4B против MiniCPM-V 4.7: ни одна из моделей не находится там, где вы думаете

Заявленное в заголовке противостояние не существует в весах. Molmo2-4B — это один чекпоинт на 4,85B. MiniCPM-V 4.7 — не одна модель, а две, и ни одна из них не 4B: плотный вариант на 1,55B, созданный для смартфонов, и вариант со смесью экспертов на 35,2B с примерно 3B активных параметров и контекстом на 262 144 токена. Поэтому читатель, ищущий «Molmo2-4B vs MiniCPM-V 4.7», на самом деле задаёт вопрос о трёх вариантах — стоит ли вообще занимать слот 4B, или спускаться до 1B ради компактности, или подниматься до MoE ради возможностей? Это более полезный вопрос, чем тот, что был набран, и на него есть более ясный ответ. Выбор из трёх моделей — это в первую очередь задача маршрутизации, а уже затем моделирования. DSL маршрутизации объединяет несколько моделей в один вызов вместо отдельного контракта для каждой модели.

Даты здесь тоже важны, потому что обе модели часто описывают как более новые, чем они есть на самом деле. Molmo2-4B была анонсирована Allen Institute for AI 11 декабря 2025 года, а веса появились на Hugging Face 14 декабря. Веса MiniCPM-V 4.7 были выложены 6 и 7 октября 2026 года, карточка модели последовала 12 октября, а английский пресс-релиз от ModelBest и OpenBMB — 15 октября. Недавнее изменение на стороне Molmo — это не новая модель: Molmo2 стала нативной архитектурой в upstream Transformers, когда PR #43451 был влит 9 октября 2026 года, а 15 октября изменение вышло в составе v5.20.0; кроме того, 5 ноября Ai2 опубликовал дообученную версию Molmo2-4B для робототехнического испытательного стенда. Рассматривайте любое из этого как повод вернуться к модели. Ни то, ни другое не является запуском.

Три контрольные точки, три положения на кривой

• Параметры — Molmo2-4B: 4,85 млрд; MiniCPM-V 4.7-1B: 1,55 млрд; MiniCPM-V 4.7-35B-A3B: 35,2 млрд всего, из которых около 3 млрд активных на токен.

• Архитектура — Molmo2-4B представляет собой башню SigLIP 2, присоединённую к Qwen3-4B-Instruct-2507; в паре MiniCPM-V 4.7 используется ранняя компрессия внутри ViT из LLaVA-UHD v4 со смешанным сжатием визуальных токенов 4x/16x, а вариант 35B — первый MoE в линейке MiniCPM-V.

• Контекст — 36 864 позиции для Molmo2-4B; 262 144 токена для обоих вариантов MiniCPM-V 4.7.

• Модальности — Molmo2-4B обрабатывает изображения, несколько изображений и видео, а также выдаёт координаты указания в пространстве изображения 0–1000; MiniCPM-V 4.7 обрабатывает одно изображение, несколько изображений и видео и отвечает текстом.

• Лицензия — Molmo2-4B распространяется под Apache 2.0 на веса, при этом в карточке указано предупреждение, что её обучающие данные предназначены только для академического и некоммерческого исследовательского использования; оба варианта MiniCPM-V 4.7 распространяются под Apache 2.0.

• Дистрибуция — Molmo2-4B поставляется в формате float32 safetensors, 19,42 ГБ, четыре шарда, официальных квантованных версий нет; MiniCPM-V 4.7 доступен в вариантах GGUF, int4, AWQ, GPTQ, FP8 и DSpark для обоих размеров.

Строка дистрибуции — это та, что решает судьбу реальных проектов. Контекст в 262 144 токена полезен, только если вы можете позволить себе его удерживать, и OpenBMB проделал неблагодарную работу, опубликовав квантованные форматы, которые люди действительно развёртывают, — официальный 1B GGUF в Q4_K_M весит 672 МБ, а это разница между демо и чем-то, что запускается на устройстве, которое у вас уже есть.

Где 4B на самом деле выигрывает

Аргумент в пользу Molmo2-4B опирается на две вещи, которые пара MiniCPM-V 4.7 делает иначе: указание как полноправный формат вывода и отслеживание видео с временными метками.

Формат указания точек — это числовая точка в координатах 0–1000, обёрнутая в тег, для которого в карточке модели прилагается регулярное выражение. Указание точек на нескольких изображениях сводится к списку троек «индекс кадра, x, y». Это другой контракт, нежели «опишите, где находится объект», и он меняет то, что вы можете построить: конвейеры обрезки, уточняющие запросы по области интереса, циклы «сначала подсчёт, затем проверка» и любой рабочий процесс, где последующему этапу нужна координата, а не предложение.

Видео — вот куда уходит бюджет параметров. В карточке Ai2 среди обучающих данных перечислены видео-QA по описанию, видео-QA по субтитрам, видео-указание, видео-трекинг и два набора указаний по нескольким изображениям, а выпущенный видеопрепроцессор по умолчанию использует 384 кадра при 2 кадрах/с в разрешении 378×378 с пулингом 3×3. MiniCPM-V 4.7 поддерживает видео — OpenBMB сообщает LongVideoBench 68.9 для 35B-A3B и 53.4 для 1B — но на этом пути это модель с текстовым выводом, и длинное видео конкурирует с промптом за один и тот же бюджет токенов.

Где MiniCPM-V 4.7 побеждает — дважды

В нижней части диапазона 1B — это объект совершенно иного класса. При 1,55 млрд параметров он примерно на треть меньше Molmo2-4B, работает под llama.cpp и Ollama, и OpenBMB сообщает для него OCRBench 86.1, MathVista 74.3 и CharXiv 48.8. Это цифры производителя, полученные на выбранном производителем стенде, и относиться к ним следует именно так — но модель с 1,55 млрд параметров, которая убедительно справляется с OCR полной страницы, — это действительно иное решение о закупке, чем модель с 4,85 млрд параметров, которой нужен GPU.

На верхней границе линейки 35B-A3B заставляет вопрос о 4B выглядеть местечковым. Опубликованные OpenBMB показатели для этой модели включают MMMU 80.2, OCRBench 91.2 при 4-кратном числе визуальных токенов и 90.40 при 16-кратном, CharXiv 75.6, LongVideoBench 68.9, MathVerse 86.5 и MathVista 88. Она также заявляет нечто более интересное, чем результат бенчмарка: с Lookahead Expert Scheduling, послойной квантизацией и спекулятивной выборкой DSpark 35B-A3B декодирует со скоростью 13+ токенов/с, занимая около 3 ГБ памяти, на iPhone 17 Pro Max. Считайте это заявлением вендора о конкретном инструментальном стеке, а не общим свойством модели — но если это подтвердится, исчезает обычная причина предпочитать плотную 4B-модель на устройстве.

Все эти данные приведены производителями. Ни OpenBMB, ни Ai2 не публиковали результаты своей модели на наборе тестов другой стороны, поэтому ни одна строка выше не представляет собой прямое сравнение.

Меню развёртывания — вот недооценённое отличие.

MiniCPM-V 4.7 указывает SGLang, vLLM, llama.cpp и Ollama для инференса, SWIFT и LLaMA-Factory для дообучения, а также поддержку с первого дня для Rockchip, Houmo, Intel, AMD и Arm. Карточка Molmo2-4B указывает Transformers с удалённым кодом, отдельную зависимость molmo_utils и decord2 для видео, а собственные документы платформы AI2 ссылаются на ночную сборку vLLM, а не на стабильную версию. Разрыв сократился в октябре, когда в v5.20.0 появилась нативная поддержка Transformers, а требование удалённого кода стало необязательным, но разрыв всё ещё есть: у одного проекта есть матрица квантования, у другого — исследовательский релиз.

Именно здесь маршрутизация оправдывает своё место, а не остаётся лозунгом. Команде, которая хочет MiniCPM-V 4.7 1B на устройстве для дешёвого пути и более крупную модель для сложного пути, не нужны для этого два контракта — routing DSL объединяет несколько моделей за одной конечной точкой, и 0% наценки означает, что вы платите ровно по прайс-листу провайдера, поэтому снижение цены поставщиком вступает в силу в тот же день. Для такого решения с тремя моделями, как здесь, это важнее, чем для простого выбора между A и B.

Как на самом деле выбрать

Если ограничение — память, берите MiniCPM-V 4.7-1B. Ничто в пакете Molmo2-4B даже близко не приближается к 672 МБ, и никакая точность указания не компенсирует модель, которая не помещается.

Если ограничение — это возможности на доллар, и вы можете обслуживать MoE, выбирайте MiniCPM-V 4.7-35B-A3B. По собственным данным OpenBMB он из совершенно другой лиги по сравнению с любой из меньших моделей, а количество активных параметров удерживает стоимость за токен ближе к 3B, чем к 35B.

Если требуется координата, выбирайте Molmo2-4B. Точки с временными метками, указание и отслеживание на нескольких изображениях — именно ради этого модель и существует; ничто в документации MiniCPM-V 4.7 не описывает эквивалентный контракт вывода.

И если вам действительно нужна универсальная модель класса 4B, которая работает с изображениями, несколькими изображениями и видео без скачивания 19 ГБ в float32, честный ответ таков: в этом конкретном сравнении такой модели нет — Molmo2-4B единственная модель в этой нише среди участников сравнения, и она выходит с самым скромным набором инструментов для развёртывания из всех трёх. Что могло бы это изменить: официальная квантованная Molmo2-4B или MiniCPM-V класса 4B. Ни того, ни другого сегодня не существует.