MiniCPM-V 4.7 vs North Micro Vision Instruct: Cohere ส่งมอบโมเดล 2.4B ที่มีเอกสารประกอบ; OpenBMB ส่งมอบความว่างเปล่าขนาด 70 GB

MiniCPM-V 4.7 และ North Micro Vision Instruct ต่างเป็นคำตอบจากแล็บเล็ก ๆ ต่อโจทย์เดียวกัน — โมเดลวิชัน-ภาษาขนาดกะทัดรัดที่คุณไฟน์จูนและดีพลอยเองได้ — แต่มีเพียงตัวเดียวเท่านั้นที่เสร็จสมบูรณ์ North Micro Vision Instruct ของ Cohere เปิดตัวเมื่อวันที่ 10 สิงหาคม 2026 ในฐานะโมเดลความละเอียดเนทีฟที่มีพารามิเตอร์ 2.4 พันล้าน ภายใต้สัญญาอนุญาต Apache-2.0 พร้อมโพสต์บล็อกทางเทคนิคที่อธิบายสถาปัตยกรรม และการ์ดที่ระบุว่าโมเดลนี้มีไว้ทำอะไร MiniCPM-V 4.7 เปิดตัวเมื่อวันที่ 6 ตุลาคม 2026 ในฐานะเช็กพอยต์แบบ sparse mixture-of-experts ที่มีพารามิเตอร์ 35.2 พันล้าน แบ่งเป็นสิบหกแชร์ด ไม่มี README ไม่มีฟิลด์สัญญาอนุญาต และไม่มีผลทดสอบมาตรฐานใด ๆ การเปรียบเทียบที่น่าสนใจไม่ใช่ "ตัวไหนฉลาดกว่า" แต่คือการที่ทั้งสองรุ่นเปิดตัวด้วยท่าทีที่ตรงกันข้ามต่อชุมชนที่ต้องนำไปใช้งาน

สองรีลีส และสิ่งที่มาพร้อมกับแต่ละรีลีส

North Micro Vision Instruct เป็นโมเดลภาษา-ภาพแบบน้ำหนักเปิดขนาด 2.4B จาก CohereLabs เผยแพร่ภายใต้สัญญาอนุญาต Apache-2.0 โดยถูกวางตำแหน่งไว้อย่างชัดเจนว่าเป็นฐานรากขนาดกะทัดรัดสำหรับการสร้างต้นแบบ การปรับแต่งละเอียดสำหรับงานเฉพาะ และงานมัลติโมดัลเฉพาะทาง จุดเด่นที่นิยามตัวมันคือการประมวลผลภาพที่ความละเอียดเนทีฟ ซึ่งรักษาอัตราส่วนภาพและรายละเอียดทางภาพอันละเอียดอ่อน แทนที่จะรีแซมเปิลลงสู่กริดขนาดคงที่ และบัตรโมเดลระบุว่ามีความสามารถครอบคลุม VQA การสร้างคำบรรยายภาพ การระบุตำแหน่งอ้างอิง (grounding) OCR แผนภูมิ และเอกสาร รองรับหลายภาพต่อหนึ่งบทสนทนา และสิบเอ็ดภาษา ได้แก่ อังกฤษ เยอรมัน ฝรั่งเศส สเปน อิตาลี โปรตุเกส ฮินดี ญี่ปุ่น เกาหลี จีน และอาหรับ น้ำหนักโมเดลมี 2,484,847,856 พารามิเตอร์ในรูปแบบ BF16 และนับตั้งแต่เปิดตัว ชุมชน MLX ได้ผลิตเวอร์ชันแปลง 4-bit, 5-bit, 6-bit, 8-bit, mxfp8, mxfp4, nvfp4 และ bf16 ออกมา ซึ่งเป็นสิ่งที่การเปิดตัวโมเดลขนาดเล็กที่แข็งแรงควรเป็นแบบนี้หลังจากผ่านไปสองสามเดือน มียอดดาวน์โหลดราว 166,500 ครั้ง และ 150 ไลก์

MiniCPM-V 4.7 คือ openbmb/MiniCPM-V-4.7-35B-A3B: พารามิเตอร์ 35,212,875,824 ตัวใน BF16, 70.4 GB กระจายอยู่บน safetensors 16 shard, คลาส MiniCPMV4_7ForConditionalGeneration, บันทึกโดย Transformers 5.2.0 และอัปโหลดเมื่อวันที่ 6 ตุลาคม 2026

แกนกลางข้อความของมันคือ MoE แบบเบาบางที่ได้มาจาก Qwen3.5 — ผู้เชี่ยวชาญ 256 คน เลือก 8 คนต่อโทเคน — โดยมี 40 เลเยอร์ที่ทำงานตามรูปแบบความสนใจแบบ three-linear-to-one-full คงที่, บริบท 256K, และ vision tower 27 เลเยอร์ที่พัฒนาเองภายในด้วยการดาวน์แซมปลิง 16× ไม่มี model card รีโพซิทอรีมีสามไลก์และไม่มีดาวน์โหลด

เทียบเคียงกัน ในหกสิ่งที่สำคัญ

• พารามิเตอร์ — North Micro Vision Instruct: 2.48B แบบหนาแน่น, ทุกพารามิเตอร์ทำงานต่อโทเค็น MiniCPM-V 4.7: 35.2B ทั้งหมด, 8 จาก 256 แบบเบาบาง ไม่ใช่ตัวเลขที่เปรียบเทียบกันได้โดยตรง

• สัญญาอนุญาต — North Micro Vision Instruct: Apache-2.0 ติดแท็กและระบุไว้แล้ว MiniCPM-V 4.7: ไม่ได้ประกาศไว้ ซึ่งโดยค่าเริ่มต้นหมายถึงสงวนสิทธิ์ทั้งหมด

• จุดเด่นด้านการปรับแต่งละเอียด — North Micro Vision Instruct: ออกแบบมาโดยเฉพาะให้เป็นฐานสำหรับการปรับแต่งละเอียดตามงานเฉพาะ โดยมีควอนไทเซชันจากชุมชนพร้อมใช้งานแล้ว MiniCPM-V 4.7: เช็กพอยต์ BF16 ขนาด 70 GB ที่ไม่มีควอนไทเซชันและไม่มีสูตรการฝึกอบรมระบุไว้

• การจัดการความละเอียด — North Micro Vision Instruct: ความละเอียดเนทีฟ โดยรักษาอัตราส่วนภาพ MiniCPM-V 4.7: downsample_mode: "16x" พร้อม max_slice_nums: 9 ซึ่งเป็นเส้นทางความละเอียดสูงแบบอิงสไลเซอร์

• ความครอบคลุมด้านภาษา — North Micro Vision Instruct: มีการระบุภาษาทั้งหมดสิบเอ็ดภาษาบนการ์ด MiniCPM-V 4.7: ไม่ได้ระบุไว้ที่ใดเลย

• บริบท — North Micro Vision Instruct: ปรับขนาดให้เหมาะกับคลาสการปรับใช้ 2.4B ของตน MiniCPM-V 4.7: max_position_embeddings: 262144, 256K

• หลักฐานด้านคุณภาพ — North Micro Vision Instruct: การ์ดโมเดลที่เผยแพร่แล้ว บทความบล็อกทางเทคนิค การแปลงโดยชุมชน และการนำไปใช้อย่างแพร่หลาย MiniCPM-V 4.7: ไม่มีอะไรให้อ้างอิง

ความไม่สมมาตรที่ทำให้การเปรียบเทียบนี้ไม่สมดุล

มีบทความเปรียบเทียบประเภทหนึ่งที่เขียนได้ง่ายมากตรงนี้: ดึงตัวเลขของ MiniCPM-V 4.6 จาก GitHub ของ OpenBMB มาบอกว่ามันเอาชนะกลุ่มโมเดลขนาดเล็กที่เทียบเท่าได้ และสื่อเป็นนัยว่า 4.7 สืบทอดความสามารถนั้นมา นั่นจะเป็นการไม่ซื่อสัตย์ และเหตุผลก็ควรค่าแก่การกล่าวอย่างแม่นยำ MiniCPM-V 4.7 ไม่ใช่เวอร์ชันที่ใหญ่ขึ้นของ 4.6 มันทิ้ง backbone แบบ dense ขนาด 1.3B Qwen3.5-0.8B ไปใช้ Qwen-MoE แบบ sparse ขนาด 35B เปลี่ยนรูปแบบ attention เป็น 3:1 linear-to-full และเปลี่ยนค่าดีฟอลต์ของการบีบอัดภาพเป็น 16x ทุกสิ่งเหล่านั้นเป็นการเปลี่ยนแปลงส่วนของโมเดลที่กำหนดความแม่นยำ สายสัมพันธ์ในตระกูลไม่ใช่เกณฑ์มาตรฐาน

อีกทิศทางหนึ่งของความไม่ซื่อสัตย์นั้นละเอียดอ่อนกว่า นั่นคือการมองว่าการไม่มีการ์ดเป็นหลักฐานของปัญหา ซึ่งไม่ใช่ OpenBMB ได้เปิดตัว MiniCPM-V เก้ารุ่นตั้งแต่ปี 2024 หลายรุ่นยอดเยี่ยมจริง ๆ เมื่อเทียบกับขนาดของมัน และช่วงเวลา 12 นาทีระหว่างการสร้างรีโพซิทอรีกับคอมมิตครั้งสุดท้าย คือสิ่งที่อาร์ติแฟกต์ที่เตรียมไว้ก่อนแล้วค่อยเผยแพร่ดูเป็น ไม่ใช่สิ่งที่อาร์ติแฟกต์ที่พังดูเป็น การตีความที่ถูกต้องของ MiniCPM-V 4.7 คือ “ไม่ทราบ” และ “ไม่ทราบ” เป็นคนละเรื่องกับ “แย่”

ฝ่ายของ Cohere ก็มีข้อกำหนดเรื่องความซื่อสัตย์ของตัวเองเช่นกัน

คำกล่าวอ้างด้านคุณภาพของการ์ด North Micro Vision เป็นผลการวัดของ Cohere เอง และการวิเคราะห์เชิงลึกทางเทคนิคก็เขียนโดยทีมเดียวกัน การที่ชุมชนสร้างควอนไทเซชัน MLX ถึงสิบหกแบบภายในไม่กี่วันเป็นหลักฐานการยอมรับ ไม่ใช่หลักฐานความแม่นยำ — ผู้คนแปลงโมเดลที่แปลงง่าย และการเปิดตัว 2.4B Apache-2.0 ที่สะอาดก็แปลงง่าย ทั้งจำนวนดาวน์โหลดและการกระจายของควอนไทเซชันไม่ควรถูกตีความเป็นคะแนน

แต่ละอย่างใช้ทำอะไรจริงๆ

North Micro Vision Instruct เป็นเป้าหมายสำหรับการปรับแต่งละเอียด (fine-tuning) นั่นคือบรีฟการออกแบบทั้งหมด ตามถ้อยคำของการ์ดเอง: รากฐานขนาดกะทัดรัดสำหรับการสร้างต้นแบบและแอปพลิเคชันเฉพาะทาง หากคุณมีงานแคบ ๆ อย่างการแยกวิเคราะห์เอกสาร การดึงข้อมูลจากแผนภูมิ หรือการสร้างคำบรรยายหลายภาษา และมีตัวอย่างที่มีป้ายกำกับไม่กี่พันตัวอย่าง โมเดล 2.4B ภายใต้ Apache-2.0 ที่มีอินพุตความละเอียดดั้งเดิมและการควอนไทซ์ระดับแปดบิตขึ้นไปก็เป็นจุดเริ่มต้นที่สมเหตุสมผล และคุณสามารถย้ายมันไปยังอุปกรณ์เอดจ์หรือ GPU ระดับกลางเพียงตัวเดียวได้เมื่อมันทำงานได้

MiniCPM-V 4.7 หากใช้งานได้จริง ก็ไม่ใช่แบบนั้น ที่ 70 GB แบบไม่ควอนไทซ์ มันเป็นโมเดลระดับเซิร์ฟเวอร์ และคุณสมบัติที่โดดเด่นของมัน — หน้าต่าง 256K และ linear attention ที่ทำให้ KV cache คงที่ — ชี้ไปที่เวิร์กโหลดมัลติโมดัลบริบทยาว: บทถอดเสียงวิดีโอยาวหนึ่งชั่วโมง ชุดเอกสารขนาดใหญ่ การวิเคราะห์หลายรอบแบบขยายที่มีรูปภาพอยู่ในประวัติ เหล่านั้นเป็นเวิร์กโหลดจริง และสถาปัตยกรรมนี้เป็นการเดิมพันที่สมเหตุสมผลกับสิ่งเหล่านั้น เพียงแต่การเดิมพันนั้นยังไม่ถูกวัดผล

มีจุดละเอียดอ่อนเกี่ยวกับกลยุทธ์การบีบอัดทั้งสองแบบที่ควรจดจำไว้ ความละเอียดแบบดั้งเดิมและการดาวน์แซมเปลิง 16× ไม่ได้เป็นเพียงแค่ดีกว่าหรือแย่กว่าเท่านั้น เอนโคเดอร์ความละเอียดแบบดั้งเดิมใช้โทเคนเพื่อรักษารายละเอียดเล็ก ๆ ซึ่งเป็นสิ่งที่ OCR และ grounding จำเป็นต้องใช้ การดาวน์แซมเปลิล 16× ใช้โทเคนน้อยลงและเสี่ยงต่อการสูญเสียรายละเอียดนั้นไปพอดี ว่าอะไรถูกต้องนั้นขึ้นอยู่กับว่างานของคุณเป็นการอ่านแบบฟอร์มที่ข้อมูลแน่นหรือการบรรยายฉาก และโหมด 4x/16x ที่สลับได้ของ MiniCPM-V 4.6 มีอยู่ก็เพราะคำตอบเปลี่ยนไปตามงาน ว่า 4.7 ยังคงสวิตช์นั้นไว้หรือไม่ เป็นหนึ่งในสิ่งที่คอนฟิกไม่ได้บอกไว้

จุดที่เราเตอร์เหมาะ และจุดที่มันไม่เหมาะ

ทั้งสองโมเดลนี้เป็นเวตที่คุณให้บริการเอง ทั้ง North Micro Vision Instruct และ MiniCPM-V 4.7 ต่างไม่ใช่โมเดลที่โฮสต์บน OrcaRouter และไม่มีสิ่งใดในที่นี้ที่ควรถูกตีความว่าเป็นข้ออ้างว่าเป็นเช่นนั้น คำถามเรื่องการจัดเส้นทางจะเข้ามาอีกหนึ่งขั้นถัดมา เมื่อโมเดลขนาดเล็กที่โฮสต์เองกำลังทำงานประจำ และบางสิ่งที่ใหญ่กว่าต้องจัดการกับกรณีที่โมเดลนั้นล้มเหลว การส่งต่อนี้คือสิ่งที่เราเตอร์แบบใช้คีย์เดียวมีไว้สำหรับ —โมเดลกว่า 200 รายการจากหลากผู้ให้บริการ โดยแต่ละตัวคิดตามราคาที่ประกาศไว้ โดยไม่มีการบวกเพิ่มจากฝั่งเรา พร้อมการสลับไปใช้ระบบสำรองอัตโนมัติเมื่อผู้ให้บริการรายใดรายหนึ่งมีประสิทธิภาพลดลง — และการทำให้อินเทอร์เฟซเรียบร้อยก่อนที่คุณจะต้องใช้มันก็คุ้มค่า เพราะวันที่การประเมิน 4.7 ของคุณประสบความสำเร็จคือวันที่คุณต้องการเอนด์พอยต์ที่สองโดยไม่ต้องทำสัญญาฉบับที่สอง

คำตัดสิน และสิ่งที่อาจทำให้มันเปลี่ยนแปลง

Cohere เปิดตัวโมเดล OpenBMB เปิดตัวเช็กพอยต์ บนทุกแกนที่ผู้อ่านสามารถนำไปปฏิบัติได้ — สัญญาอนุญาต ความชัดเจนของสัญญาอนุญาต พฤติกรรมที่มีเอกสารกำกับ ความพร้อมสำหรับการปรับแต่งละเอียด การควอนไทเซชัน ความครอบคลุมของภาษา — North Micro Vision Instruct คือคำตอบในวันนี้ และไม่ได้ใกล้เคียงเลย นั่นไม่ใช่ข้อกล่าวอ้างเกี่ยวกับความสามารถ เพราะไม่สามารถเปรียบเทียบความสามารถได้ MiniCPM-V 4.7 มีจำนวนพารามิเตอร์ประมาณสิบเท่าของโมเดลที่ถูกนำมาเปรียบเทียบ และไม่ได้เผยแพร่สิ่งใดเพื่อสนับสนุนหรือหักล้างขนาดนั้น ท่าทีที่ซื่อตรงคือปฏิบัติต่อมันเสมือนว่ายังค้างอยู่: อาร์ติแฟกต์จริงจากแล็บที่มีประวัติผลงานจริง ตั้งอยู่ในรีโพซิทอรีที่ขาดไฟล์หนึ่งไฟล์ซึ่งจะเปลี่ยนทุกสิ่งไป — ไฟล์ README