MiniCPM-V 4.7 35B-A3B vs InternLumina U2: Två tysta skepp, två motsatta svar

Varken MiniCPM-V 4.7 35B-A3B eller InternLumina-U2 annonserades när vikterna dök upp. Båda har öppna vikter, båda kommer från kinesiska labb, båda är det största multimodala släppet deras team har gjort i år, och båda nådde hubben utan blogginlägg, utan keynote och utan lanseringsdag. Det är där likheten upphör. MiniCPM-V 4.7 35B-A3B läser bilder och svarar i text; InternLumina-U2 läser bilder, svarar i text och ritar även nya bilder, redigerar dem och renderar 3D-tillgångar. Den ena är byggd för att vara liten nog att få plats på en telefon; den andra är 16 miljarder parametrar av diffusionsforskning som inte kommer i närheten av att få plats på en. Lästa sida vid sida är de inte två poster i samma kategori – de är två olika svar på frågan vad en visionsspråkmodell är till för, publicerade inom fem veckor från varandra utan att någon höll koll.

Det som är möjligt att veta här delar sig tydligt. Allt om MiniCPM-sidan nedan kommer från repositoriet, modellkortet och konfigurationsfilen, som vem som helst kan läsa. Allt på InternLumina-sidan kommer från labbets eget modellkort och det filträd det har publicerat; kortets egen benchmark-sektion är märkt "Preliminära, delvisa resultat" och innehåller inga siffror alls. Ingen av modellerna har utvärderats oberoende, och inget i den här texten är en lansering: OpenBMB kallade inte MiniCPM-V 4.7 för en release förrän den 12 oktober, och såvitt den offentliga dokumentationen visar har Shanghai AI Laboratory ännu inte kallat InternLumina-U2 för en sådan.

Två tysta fartyg, fem veckor isär

MiniCPM-V 4.7-mappen dök först upp på Hugging Face den 6 oktober 2026; hubben rapporterar nu en skapandetidsstämpel på 7 oktober, och repositoryt ändrades senast den 12 oktober. InternLumina-U2-repositoryt skapades den 1 september. Inget av datumen kommer med ett tillkännagivande kopplat till sig. Men de två har åldrats olika sedan dess, och skillnaden är det mest användbara i den här jämförelsen.

InternLumina-U2 släpptes den 1 september som enbart kod. Den versionen var ett inferensramverk, en README och ett löfte — vikterna skulle "komma snart", Hugging Face-repot innehöll en enda .gitattributes-fil, och den tekniska rapporten markerades som kommande. Det stämmer inte längre. Repot innehåller nu två kompletta hårdvaruspecifika checkpoints, en under ascend/ och en under nvidia/, var och en med sju safetensors-shards, en egen fjärrkodmodul, en parallell plan och en tokenizer. Vikterna landade tyst och ingen uppdaterade berättelsen. I skrivande stund har repot 16 likes och noll registrerade nedladdningar, och den tekniska rapporten är fortfarande inte ute.

MiniCPM-V 4.7 gick i motsatt riktning. Den anlände i oktober som vikter utan ett modellkort – mappen hade ingen README, ingen licenstagg och inga benchmarks, vilket är exakt vad vår tidigare genomgång dokumenterade. Tio dagar senare har den alla tre av de första sakerna och fortfarande ingen av den sista: en Apache-2.0-licens, ett fullständigt kort med användarguider och ett avsnitt med påståenden som innehåller siffror, men ingen utvärderingstabell som en läsare kan citera. Så den korrekta sammanfattningen av båda är att dokumentationen anlände efter vikterna, i båda fallen, utan något tillkännagivande däremellan.

Vad InternLumina-U2 egentligen är

Kortet beskriver en mixture-of-experts-modell med 16B parametrar och 1B aktiva parametrar – skrivet som 16B-A1B – byggd som en stor språkmodell för multi-codebook-diffusion. Frasen som spelar roll är ”helt diskret”: InternLumina-U2:s centrala satsning är att språk och vision bör dela en och samma tokenvokabulär i stället för att leva i separata stackar för förståelse och generering, och att flaskhalsen i tidigare enhetliga modeller var den visuella vokabulären i sig. Dess svar är en diskret visuell representation med åtta kodböcker byggd på AToken, vilket är det som gör att samma vikter både kan tolka en bild och syntetisera en.

Omfattningen är medvetet bred: text-QA, text-till-bild-generering upp till 1024×1024, bildförståelse av naturliga bilder och täta diagram, instruktionsbaserad bildredigering med ett valfritt dual-CFG-läge, videoförståelse över samplade bildrutor och 3D-förståelse av GLB- och GLTF-tillgångar. 3D-vägen är den udda fågeln och den mest intressanta – tillgångar renderas till färg- och djupvyer genom en medföljande Blender-pipeline före tokenisering, vilket är ett smart sätt att återanvända en bildmodell för geometri utan att lära den geometri.

Två tekniska detaljer är värda att lyfta fram eftersom de är ovanliga. För det första ligger båda checkpoints i ett och samma repository, uppdelade efter accelerator: en Ascend-build tränad på Huawei NPU:er och en NVIDIA-build tränad på GPU:er. Det är en medveten gardering mot export- och leveransrestriktioner, och det innebär att ”vilken checkpoint” är en fråga som användare av InternLumina-U2 måste besvara innan något annat. För det andra anger kortet att modellen är Apache-2.0 utan förbehåll — genuint tillåtande, i kontrast till flera multimodala lanseringar 2026 som släpptes under villkor för enbart forskning.

Vad MiniCPM-V 4.7 35B-A3B är nu

Kortet kallar den för den första MoE:n i MiniCPM-V-serien, och konfigurationsfilen bekräftar det: 256 experter med 8 aktiva per token, 40 lager, ett kontextfönster på 262 144 token och en vokabulär på 248 144 token. Visionen körs genom en SigLIP2-modul med tidig komprimering intra-ViT i LLaVA-UHD v4 och ett blandat 4x/16x-läge för tokenkomprimering – 16x som standard för genomströmning, 4x när du behöver fin detaljrikedom, valt vid anropstillfället. Den förstår enskilda bilder, uppsättningar med flera bilder och video; den svarar i text; den genererar inte bilder.

Det påstående som OpenBMB gör med fet stil är att detta är den första öppen källkods-MoE-modellen med förlustfri, smidig inferens på enheten, uppnådd genom tre namngivna tekniker: Lookahead Expert Scheduling, finmaskig lagervis kvantisering och spekulativ sampling via de separata DSpark-utkasten. Siffran som kopplas till det är 13-plus tokens per sekund på en iPhone 17 Pro Max. Den siffran är leverantörsrapporterad, icke reproducerad och utan förbehåll — inget kvantiseringsformat, ingen build, ingen prompt, ingen mätmetodik. Kortet hävdar också att modellen i Instruct-läge får en högre totalpoäng än Qwen3.6 35B-A3B på kortare inferenstid, och det påståendet finns inuti en diagrambild snarare än en tabell, vilket innebär att det inte kan citeras som en siffra och inte bör behandlas som en sådan.

Det som inte är ett påstående är distributionsarbetet, och det är det praktiska skälet att bry sig. Base-, FP8-, int4-, AWQ-, GPTQ- och GGUF-vikter finns alla; SGLang, vLLM, llama.cpp, Ollama och OpenVINO stöds med day-zero-poster; iOS-, Android- och HarmonyOS-appar finns under MiniCPM-V-Apps-repositoriet; och Rockchip, Houmo, Intel, AMD och Arm listas alla som day-zero-silikon. För sex veckor sedan var kritiken mot den här modellen att den var en odokumenterad checkpoint. Den kritiken är nu föråldrad – det är en dokumenterad checkpoint utan benchmarks, vilket är ett annat och mindre problem.

De två, dimension för dimension

• Vad den gör med en bild — MiniCPM-V 4.7 35B-A3B läser den och svarar i text; InternLumina-U2 läser den, svarar i text, genererar en ny, redigerar en befintlig och tolkar 3D-tillgångar.

• Arkitektur — en autoregressiv sparse MoE med 35,2B parametrar och 3B aktiva, mot en 16B-A1B multi-codebook diskret diffusionsmodell. Olika familjer, inte olika storlekar på en och samma familj.

• Modaliteter som ingår — text, bild och video kontra text, bild, video och 3D.

• Modaliteter ut — endast text kontra text plus genererade bilder och redigerade bilder.

• Vikternas storlek — ungefär 70 GB BF16 över 16 shards jämfört med sju shards per hårdvarubyggnation, publicerat två gånger om.

• Licens — Apache-2.0 på båda. Detta är den enda dimensionen där de två verkligen är överens, och det spelar roll, eftersom en tillåtande licens för en generativ modell i den här skalan inte är vanlig.

• Driftsättningshistoria — kvantiserade byggen, mobilappar och fem inferensmotorer mot en fjärrkodmodul och ett shell-skript, uppdelat per accelerator.

• Offentliga bevis — ett kort med leverantörspåståenden utan utvärderingstabell kontra ett kort som uttryckligen märker sin bench-sektion som preliminär och inte skriver ut något i den.

Klyftan mellan dem är inte kvalitet, det är sort

Det vore tillfredsställande att utse en vinnare, och det vore oärligt. Det finns ingen gemensam benchmark mellan dessa två modeller, ingen tredje part har kört någon av dem, och MiniCPM-V 4.7:s egen utvärderingstabell existerar inte, medan InternLumina-U2:s uttryckligen är markerad som partiell. Den som rangordnar dem i dag rangordnar dokumentationskvalitet, inte modellkvalitet.

Det som ärligt går att jämföra är beviskedjan, och där misslyckas de två åt motsatta håll. InternLumina-U2 berättar mycket om arkitektur och nästan inget om resultat – en fascinerande design utan påvisad förmåga. MiniCPM-V 4.7 berättar mycket om resultat i prosa och vägrar publicera dem som data, vilket gör påståendena svåra att falsifiera och följaktligen svåra att lita på. Den första är ett lovande instrument; den andra är ett lovande instrument med ett marknadsföringslager ovanpå.

Den praktiska slutsatsen följer av det. Om det du behöver är en modell som tar in skärmbilder, dokument eller video och returnerar text, och du vill köra den själv, är MiniCPM-V 4.7 den som har ett serveringsrecept, sex körtidsmiljöer och kvantiserade vikter som du kan ladda ner redan idag. Om det du behöver är en enda modell som förstår och genererar bilder med samma vokabulär – för redigeringspipelines, syntetisk data eller forskning om enhetliga token-rymder – är InternLumina-U2 den enda av de två som försöker sig på det, och den andra checkpoint-mappen som dök upp efter kodsläppet i september är det första tecknet på att forskningen fortfarande rör på sig.

Vad detta innebär om du bara försöker få ut något

Båda dessa är filer som du laddar ner och serverar själv. Varken MiniCPM-V 4.7 35B-A3B eller InternLumina-U2 finns i OrcaRouters hostade katalog, så inget här är en väg till att anropa dem som en slutpunkt, och ingen artikel från oss bör läsas som att den säger något annat. Det en router är användbar till i den här situationen är den andra halvan av jobbet: i samma stund som din pipeline behöver en modell som du inte vill hosta. OrcaRouter sätter över 200 hostade modeller bakom en enda nyckel, skickar varje leverantörs listpris rakt igenom utan något påslag från oss, och växlar automatiskt över när en leverantör får problem — så att ett team som kör MiniCPM-V 4.7 lokalt för storskalig dokumentförståelse kan eskalera de svåra sidorna till en hostad modell utan ett andra avtal eller ett andra SDK.

Den hostade modell som ligger närmast den här formen är Qwen3.6 35B A3B – också 35B totalt och 3B aktiva, också 262K kontext, också text, bild och video in med text ut – tillgänglig för $0.25 per miljon indatatoken och $1.48 per miljon utdatatoken, till självkostnad. Det är en genuint användbar kontrollgrupp: om ditt beslut står mellan att självhosta en 70 GB gles multimodal MoE och att anropa en motsvarande, är det andra alternativet mätbart i eftermiddag och det första inte.

Vad skulle ändra denna jämförelse

Två dokument skulle avgöra det mesta. En benchmarktabell från OpenBMB skulle förvandla MiniCPM-V 4.7 från ett påstående till en datapunkt, och DSpark-draftmodellen – den enda delen av familjen med några publicerade siffror, i form av accepterade tokens per steg – är den billigaste externa vägen till en första oberoende siffra. En teknisk rapport från Shanghai AI Laboratory skulle fylla samma funktion för InternLumina-U2 och skulle vara första gången någon har sett dess ordbok med åtta kodböcker utvärderas mot något.

Fram till dess är den ärliga hållningen denna: en av dessa två kan du driftsätta, och den andra kan du bara studera. Den meningen kommer antagligen att sluta vara sann inom en månad, och det är anledningen till att ingen av modellerna förtjänar att avfärdas som vaporware – de befinner sig helt enkelt tidigare i sitt offentliga liv än skriverierna om dem antyder.