MiniCPM-V 4.7 35B-A3B vs PixelUMM: En licens avgör detta innan benchmarkarna gör det

Det finns ett beslut du kan fatta mellan MiniCPM-V 4.7 35B-A3B och PixelUMM utan att läsa en enda benchmark, och det är förmodligen det beslut som spelar störst roll. MiniCPM-V 4.7 35B-A3B är Apache-2.0. PixelUMMs modellcheckpoint är det inte — den distribueras under NVIDIAs One-Way Noncommercial License, som endast tillåter forskning och utvärdering, på en checkpoint som NVIDIA själva säger ”inte har validerats för produktions- eller högriskbruk”. Om du bygger något som du avser att sälja är en av dessa två modeller inte att tänka på, och resten av jämförelsen är akademisk. Om du bedriver forskning öppnar fältet upp sig, och den intressanta frågan blir vad NVIDIAs encoder-fria design faktiskt satsar emot — för den satsar emot exakt den arkitektur som MiniCPM-V 4.7 använder.

Båda modellerna släpptes i tysthet. PixelUMMs vikter landade på Hugging Face kl. 21:40 UTC den 1 oktober 2026 utan blogginlägg, pressmeddelande eller keynote; URL:en till projektsidan står fortfarande som ”preview”. MiniCPM-V 4.7 dök upp den 6 oktober på samma sätt, och OpenBMB publicerade inget modellkort, ingen licens och inget avsnitt med påståenden på den förrän den 12 oktober. Ingen av dem har blivit oberoende utvärderad av någon, och ingen av dem har en benchmarktabell som en läsare kan citera — PixelUMMs modellkort rapporterar inga poäng alls, och MiniCPM-V 4.7:s prestandapåståenden finns inuti diagrambilder i stället för i text. Det som följer skiljer det som repositorierna uppger från det som ingen utanför de två labben ännu har bekräftat.

Vad PixelUMM är, i ett stycke

PixelUMM är en Transformer med enbart dekoder och 15 199 672 064 parametrar, med ett iterativt huvud för pixelgenerering, byggd på en Qwen3-8B-stomme låst till en specifik revision. Dess tes står i första raden i modellkortet och den är genuint konträr: ingen VAE och ingen visionskodare. Där en konventionell enhetlig modell har två visuella gränssnitt – en vision transformer som producerar semantiska egenskaper för förståelse och en variational autoencoder som producerar rekonstruktionslatenter för generering – har PixelUMM inget av dem. Bilder delas upp i 16×16-pixelpatchar, video i spatiotemporala tubelets om fyra bildrutor, och båda når stommen genom inget mer än enkellagers linjära projektioner, med iterativ avbrusning som utför genereringsarbetet. Artikeln beskriver den som en Mixture-of-Transformers som kombinerar delad uppmärksamhet med uppgiftsspecifika parametrar. Den hanterar text-till-bild, bildbetingad textgenerering, videobetingad förståelse och videogenerering, inklusive text-till-video vid 96 bildrutor, 24 fps och fyra sekunder.

Spåret kring det sträckte sig över ungefär fyra veckor, helt tyst. GitHub-repositoriet nv-tlabs/PixelUMM skapades den 4 september 2026 under Apache-2.0 och låg med en enda commit i större delen av månaden. Den 28–29 september landade den första commiten och arXiv tilldelade preprint 2609.38597, vars författarlista spänner över NVIDIA och University of Waterloo. Själva modellrepositoriet dök upp kl. 21:40 UTC den 1 oktober, åtta minuter efter en sista GitHub-commit som lade till citeringen av artikeln. Artikeln har ingen venue-rad — ingen konferens, inget "accepted to" — vilket framstår som ett forskarlag som lägger ut en artefakt live snarare än en produktlansering, även om det är en iakttagelse om bevisningen och inte ett påstående om avsikt.

Vad MiniCPM-V 4.7 35B-A3B är

MiniCPM-V 4.7 35B-A3B är OpenBMB:s första MoE-post i MiniCPM-V-serien: 256 experter med 8 aktiva per token, 40 lager, ett kontextfönster på 262 144 token och en vokabulär på 248 144 token, vilket ger ungefär 3B aktiva parametrar av totalt 35,2B. Visionen körs genom en SigLIP2-modul med LLaVA-UHD v4-komprimering tidigt i ViT:n och ett valbart blandat 4x/16x-läge för komprimering av visuella token – 16x som standard för genomströmning, 4x när fina detaljer spelar roll. Den förstår enstaka bilder, flera bilder och video, och den svarar i text. Den genererar inte bilder.

Kortets huvudpåstående är att detta är den första öppen källkods-MoE-modellen med förlustfri, smidig inferens på enheten, möjliggjord av Lookahead Expert Scheduling, finkornig lagervis kvantisering och spekulativ sampling via de separata DSpark-utkasten, med en rapporterad hastighet på över 13 tokens per sekund på en iPhone 17 Pro Max. Siffran är leverantörsrapporterad, inte reproducerad och utan förbehåll. Kortet hävdar också en högre sammanlagd poäng i Instruct-läge än Qwen3.6 35B-A3B på kortare inferenstid – ett påstående som förekommer inuti en diagrambild, vilket innebär att det inte är en citerbar siffra och inte bör behandlas som en.

Där MiniCPM-V 4.7 otvetydigt ligger före är inte på någon resultattavla utan i det stödjande ekosystemet, där allt är verkligt och nedladdningsbart: bas-, FP8-, int4-, AWQ-, GPTQ- och GGUF-vikter; stöd i SGLang, vLLM, llama.cpp, Ollama och OpenVINO; iOS-, Android- och HarmonyOS-appar; och Rockchip, Houmo, Intel, AMD och Arm listade för dag-noll-stöd på kisel. För sex veckor sedan var den ärliga kritiken mot den här modellen att den var en odokumenterad checkpoint. Det stämmer inte längre — det är en dokumenterad checkpoint utan benchmarks. Ett annat problem, ett mindre.

Arkitekturargumentet som gömmer sig bakom jämförelsen

De två modellerna är oense om något grundläggande, och det är värt att sätta ord på eftersom det är den del av den här matchningen som har längre livslängd än någon av modellerna.

• Hur vision når språkmodellen — PixelUMM använder råa pixlar och en enda linjär projektion, utan någon förtränad bildkodare någonstans i stacken; MiniCPM-V 4.7 använder en SigLIP2-kodare med tidig komprimering i ViT:n och en konfigurerbar nedsamplingskvot.

• Hur generering fungerar — PixelUMM förutsäger pixlar iterativt genom ett flödesmatchande huvud som tränats tillsammans med autoregressiv textprediktion; MiniCPM-V 4.7 genererar text och inget annat.

• Vad det ger — PixelUMM får en uppsättning vikter som både beskriver en bild och producerar en, till priset av en licens enbart för forskning och ingen produktionsvalidering; MiniCPM-V 4.7 får en liten, kvantiserbar modell som kan driftsättas på telefon och som kan läsa världen men inte rita om den.

• Antal parametrar — 15,2B dense-aktig mot 35,2B totalt med 3B aktiva. Det är antalet aktiva parametrar som förutsäger inferenskostnaden, och i det avseendet är MiniCPM-modellen en storleksordning mindre än den andra.

• Vikter på disk — PixelUMMs repository innehåller 491 filer över fyra checkpoint-varianter; MiniCPM-V 4.7:s basbygge består av sexton BF16-shards på ungefär 70 GB.

• Licens — Apache-2.0 kontra NVIDIA One-Way Noncommercial för checkpointen, där Apache-2.0 endast gäller PixelUMM:s källkod och Qwen3-8B-basen separat är Apache-2.0. PixelUMM-kortet noterar också att det innehåller modifierad kod som härstammar från BAGEL, så uppströmsvillkor gäller ovanpå.

• Offentlig utvärdering – ingen, på båda sidor. MiniCPM-V 4.7 framställer åtminstone prestandapåståenden; PixelUMM:s kort anger inga benchmark-siffror alls.

Vilken man faktiskt kan sätta framför en användare

Följ licensen och driftsättningshistorien tillsammans, så ger sig valet nästan självt.

PixelUMM är den mer intressanta forskningsartefakten och den mindre användbara produkten. En icke-kommersiell checkpoint blockerar de uppenbara kommersiella användningarna helt, det finns inget serveringsrecept på modellkortet, ingen kvantiserad build, ingen angiven kontextlängd, och 83 gillningar mot noll registrerade nedladdningar innebär i stort sett att ingen utanför författarna har kört den. Dess värde just nu är som ett starkt, publicerat argument för att visionskodare kan vara onödiga i enhetliga modeller. Det argumentet är värt att följa oavsett om du någonsin laddar vikterna.

MiniCPM-V 4.7 är den som har en väg till produktion, och vägen är smal men verklig. Apache-2.0 tar bort licensfrågan. Sex kvantiseringsformat och fem körtidsmiljöer för inferens innebär att du inte behöver skriva anpassade kärnor. Två eller fler GPU:er för det okvantiserade bygget är hindret; de kvantiserade byggena och berättelsen om körning på enheten är vägen runt det, och påståendet om körning på enheten är precis det som inte har verifierats oberoende. Se det som en modell du kan köra idag och ett prestandapåstående du ännu inte kan räkna med.

För team vars svar är "ingetdera, vi kommer att anropa något", är den närmaste hostade motsvarigheten till MiniCPM-formen Qwen3.6 35B A3B – samma 35B totalt, samma 3B aktiva, samma 262K kontext, samma intag av text, bild och video – och den serveras via OrcaRouter till leverantörens listpris utan påslag, 0,25 USD per miljon indatatoken och 1,48 USD per miljon utdatatoken, med automatisk failover om en leverantörsväg försämras. Det är inte en ersättning för någon av modellerna i den här artikeln; det är kontrollgruppen som talar om för dig vad självhosting av en 70 GB gles multimodal MoE faktiskt ger dig.

Var detta landar

Tar man bort arkitekturen återstår två tysta utgåvor som pekar i motsatta riktningar. NVIDIA publicerade en artefakt av papperskvalitet under en licens som hindrar de flesta från att använda den, och ett repo utan recept, utan benchmarks och utan nedladdningar. OpenBMB publicerade en dokumenterad, permissivt licensierad modell för flera körmiljöer med ett övertygande effektivitetsanspråk och ingen utvärderingstabell som stöder det.

Det enda som skulle avgöra saken för var och en: för PixelUMM, över huvud taget någon oberoende reproduktion – 0 nedladdningar innebär att det inte existerar någon extern datapunkt, och den encoderfria tesen är precis den typ av påstående som antingen håller eller faller samman vid kontakt med en andra implementation. För MiniCPM-V 4.7: en benchmarktabell, eller en reproducerad acceptanslängd på DSpark-utkastet, som är den enda delen av familjen som har publicerade siffror. Inget av detta finns ännu. Båda är anledningen till att dessa två modeller fortfarande är värda att bevaka i stället för att arkivera – de befinner sig tidigare i sitt offentliga liv än bevakningen antyder, och ingen av dem har kallats en lansering av labbet som skapade den.