Molmo2-4B vs MiniCPM-V 4.7: Ingen av modellerna befinner sig där du tror att den gör

Matchen i titeln finns inte i vikterna. Molmo2-4B är en enda checkpoint på 4,85B. MiniCPM-V 4.7 är inte en modell utan två, och ingen av dem är en 4B: en tät variant på 1,55B byggd för telefoner och en mixture-of-experts-variant på 35,2B med ungefär 3B aktiva parametrar och en kontext på 262 144 token. Så en läsare som söker på "Molmo2-4B vs MiniCPM-V 4.7" ställer egentligen en fråga med tre val – är 4B-platsen värd att fylla över huvud taget, eller går man ner till 1B för utrymmets skull eller upp till MoE för kapaciteten? Det är en mer användbar fråga än den som skrevs, och den har ett tydligare svar. Ett beslut mellan tre modeller är ett routingproblem innan det är ett modelleringsproblem. Routnings-DSL:en sätter samman flera modeller till ett anrop i stället för ett kontrakt per modell.

Även datumen spelar roll här, eftersom båda modellerna ofta beskrivs som nyare än de är. Molmo2-4B tillkännagavs av Allen Institute for AI den 11 december 2025, med vikter på Hugging Face från den 14 december. MiniCPM-V 4.7:s vikter publicerades den 6 och 7 oktober 2026, modellkortet följde den 12 oktober och ett engelskt pressmeddelande från ModelBest och OpenBMB kom den 15 oktober. Den senaste förändringen på Molmo-sidan är inte en ny modell: Molmo2 blev en inbyggd arkitektur i uppströms Transformers när PR #43451 slogs samman den 9 oktober 2026 och släpptes i v5.20.0 den 15 oktober, och den 5 november publicerade Ai2 en finjusterad Molmo2-4B för en testbädd för robotik. Läs någon av dessa som ett skäl att återvända till modellen. Ingen av dem är en lansering.

Tre kontrollpunkter, tre positioner på kurvan

• Parametrar — Molmo2-4B är 4,85B; MiniCPM-V 4.7-1B är 1,55B; MiniCPM-V 4.7-35B-A3B är 35,2B totalt med cirka 3B aktiva per token.

• Arkitektur — Molmo2-4B är ett SigLIP 2-torn fastsatt på Qwen3-4B-Instruct-2507; MiniCPM-V 4.7-paret använder tidig kompression inom ViT från LLaVA-UHD v4 med blandad 4x/16x visuell tokenkompression, och 35B-varianten är den första MoE:n i MiniCPM-V-serien.

• Kontext — 36 864 positioner för Molmo2-4B; 262 144 tokens för båda varianterna av MiniCPM-V 4.7.

• Modaliteter – Molmo2-4B hanterar bild, flera bilder och video och avger pekkoordinater i bildrummet 0–1000; MiniCPM-V 4.7 hanterar enstaka bilder, flera bilder och video och svarar med text.

• Licens — Molmo2-4B är Apache 2.0 för vikterna, med varningen i modellkortet att dess träningsdata endast får användas för akademisk och icke-kommersiell forskning; båda varianterna av MiniCPM-V 4.7 är Apache 2.0.

• Distribution — Molmo2-4B är float32-safetensors, 19,42 GB, fyra shards, inga officiella kvantiseringar; MiniCPM-V 4.7 levereras med GGUF-, int4-, AWQ-, GPTQ-, FP8- och DSpark-varianter i båda storlekarna.

Distributionsraden är den som avgör verkliga projekt. Ett kontextfönster på 262 144 token är bara användbart om man har råd att hålla det, och OpenBMB har gjort det oglamorösa arbetet att publicera de kvantiserade format som folk faktiskt driftsätter – den officiella 1B GGUF i Q4_K_M är 672 MB, vilket är skillnaden mellan en demo och något som körs på en enhet du redan äger.

Där 4B faktiskt vinner

Molmo2-4B:s styrka vilar på två saker som MiniCPM-V 4.7-paret inte hanterar på samma sätt: pekning som en förstklassig utdata, och videospårning med tidsstämplar.

Pekformatet är en numerisk punkt i 0–1000-koordinater, inramad i en tagg som modellkortet tillhandahåller ett reguljärt uttryck för. Pekning över flera bilder plattas ut till en lista med trippler av bildruteindex, x, y. Det är ett annat kontrakt än "beskriv var objektet finns", och det förändrar vad du kan bygga: beskärningspipelines, uppföljningar för intresseområden, räkna-och-verifiera-loopar och alla arbetsflöden där ett efterföljande steg behöver en koordinat i stället för en mening.

Video är där parameterbudgeten går. Ai2:s kort anger video captioning-QA, video subtitle-QA, video pointing, video tracking och två multi-image pointing-set bland sina träningsdata, och den släppta videoförbehandlaren har som standard 384 bildrutor vid 2 fps i 378×378 med 3×3 pooling. MiniCPM-V 4.7 stöder visserligen video – OpenBMB rapporterar LongVideoBench 68,9 för 35B-A3B och 53,4 för 1B – men på den vägen är det en modell med textutdata, och en lång video konkurrerar med prompten om samma tokenbudget.

Där MiniCPM-V 4.7 vinner, två gånger

Längst ner i intervallet är 1B en annan klass av objekt. Med 1,55B parametrar är den ungefär en tredjedel av Molmo2-4B:s storlek, den körs under llama.cpp och Ollama, och OpenBMB rapporterar OCRBench 86,1, MathVista 74,3 och CharXiv 48,8 för den. Det är leverantörssiffror på en av leverantören vald testrigg, och de bör läsas så — men en modell på 1,55B som på ett trovärdigt sätt klarar OCR av hela sidor är ett genuint annat upphandlingsbeslut än en modell på 4,85B som kräver en GPU.

I toppen av intervallet får 35B-A3B 4B-frågan att framstå som snäv. OpenBMB:s publicerade siffror för den inkluderar MMMU 80,2, OCRBench 91,2 vid 4x visuella tokens och 90,40 vid 16x, CharXiv 75,6, LongVideoBench 68,9, MathVerse 86,5 och MathVista 88. Den hävdar också något mer intressant än ett benchmark: med Lookahead Expert Scheduling, lagervis kvantisering och DSpark spekulativ sampling avkodar 35B-A3B vid 13+ tokens/s i cirka 3 GB minne på en iPhone 17 Pro Max. Behandla det som ett leverantörspåstående om en specifik verktygskedja snarare än en generell egenskap hos modellen – men om det håller eliminerar det det vanliga skälet att föredra en tät 4B på enheten.

Alla dessa är leverantörsrapporterade. Varken OpenBMB eller Ai2 har publicerat resultat för sin modell på den andras benchmark-svit, så ingen rad ovan är en direkt jämförelse.

Driftsättningsmenyn är den underskattade skillnaden

MiniCPM-V 4.7 listar SGLang, vLLM, llama.cpp och Ollama för inferens, SWIFT och LLaMA-Factory för finjustering samt support från dag ett för Rockchip, Houmo, Intel, AMD och Arm. Molmo2-4B:s modellkort listar Transformers med fjärrkod, ett separat molmo_utils-beroende och decord2 för video, och AI2:s egna plattformsdokument hänvisar till vLLM nightly snarare än stable. Klyftan minskade i oktober, då inbyggt stöd för Transformers kom i v5.20.0 och kravet på fjärrkod blev valfritt, men det är fortfarande en klyfta: det ena projektet har en kvantiseringsmatris, det andra har en forskningsversion.

Det är här routning förtjänar sin plats i stället för att bara vara en slogan. Ett team som vill ha MiniCPM-V 4.7 1B på enheten för den billiga vägen och en större modell för den svåra vägen behöver inte två avtal för att göra det — routnings-DSL:en komponerar flera modeller bakom en enda endpoint, och 0 % påslag innebär att leverantörens listpris är det du betalar, så en prissänkning från leverantören slår igenom samma dag. Det spelar större roll för ett beslut med tre modeller som detta än för ett rakt A-eller-B.

Hur man faktiskt väljer

Om begränsningen är minnet, välj MiniCPM-V 4.7-1B. Inget i Molmo2-4B-paketet är i närheten av 672 MB, och hur bra pekprecisionen än är kompenserar den inte för en modell som inte får plats.

Om begränsningen är kapacitet per dollar och du kan köra en MoE, välj MiniCPM-V 4.7-35B-A3B. Enligt OpenBMB:s egna siffror är den i en helt annan liga än någon av de mindre modellerna, och antalet aktiva parametrar håller kostnaden per token närmare en 3B än en 35B.

Om kravet är en koordinat, välj Molmo2-4B. Punkter med tidsstämplar, pekning och spårning över flera bilder är anledningarna till att modellen finns; ingenting i dokumentationen för MiniCPM-V 4.7 beskriver ett likvärdigt utdataavtal.

Och om du verkligen behöver en generalist i 4B-klassen som klarar bild, flera bilder och video utan en nedladdning på 19 GB i float32, så är det ärliga svaret att just den här jämförelsen inte erbjuder någon sådan — Molmo2-4B är den enda modellen i jämförelsen på den platsen, och den kommer med det minst utbyggda driftsättningsverktyget av de tre. Vad som skulle ändra på det: en officiell kvantiserad Molmo2-4B, eller en MiniCPM-V i 4B-klassen. Ingen av dem finns i dag.