MiniCPM-V 4.7 35B-A3B กับ PixelUMM: สัญญาอนุญาตฉบับเดียวตัดสินเรื่องนี้ก่อนที่การทดสอบประสิทธิภาพจะตัดสิน

มีการตัดสินใจหนึ่งอย่างที่คุณสามารถทำได้ระหว่าง MiniCPM-V 4.7 35B-A3B กับ PixelUMM โดยไม่ต้องอ่านผลทดสอบสักตัวเดียว และมันอาจเป็น Entscheidungที่สำคัญที่สุดก็ได้ MiniCPM-V 4.7 35B-A3B อยู่ภายใต้ Apache-2.0 ส่วนเช็กพอยต์โมเดลของ PixelUMM ไม่ได้เป็นเช่นนั้น — มันเผยแพร่ภายใต้ NVIDIA's One-Way Noncommercial License ซึ่งอนุญาตให้ใช้เพื่อการวิจัยและการประเมินผลเท่านั้น บนเช็กพอยต์ที่ NVIDIA เองบอกว่า "ยังไม่ผ่านการตรวจสอบให้ใช้ในงานโปรดักชันหรือการใช้งานที่มีความเสี่ยงสูง" หากคุณกำลังสร้างสิ่งที่ตั้งใจจะขาย โมเดลหนึ่งในสองนี้จะใช้ไม่ได้ตั้งแต่แรก และการเปรียบเทียบที่เหลือก็เป็นเพียงเรื่องทางทฤษฎี หากคุณทำงานวิจัย ขอบเขตก็จะเปิดกว้างขึ้น และคำถามที่น่าสนใจก็กลายเป็นว่าการออกแบบที่ไม่มีเอนโคเดอร์ของ NVIDIA กำลังเดิมพันสวนทางกับอะไรกันแน่ — เพราะมันกำลังเดิมพันสวนทางกับสถาปัตยกรรมที่ MiniCPM-V 4.7 ใช้อยู่นั่นเอง

ทั้งสองโมเดลเปิดตัวออกมาอย่างเงียบ ๆ น้ำหนักของ PixelUMM ขึ้นไปอยู่บน Hugging Face เมื่อเวลา 21:40 UTC ของวันที่ 1 ตุลาคม 2026 โดยไม่มีโพสต์บล็อก ไม่มีการแถลงข่าว และไม่มีคีย์โน้ต ส่วน URL ของหน้าโปรเจกต์ยังคงขึ้นว่า "preview" อยู่ MiniCPM-V 4.7 ปรากฏตัวขึ้นเมื่อวันที่ 6 ตุลาคมในลักษณะเดียวกัน และ OpenBMB ก็ไม่ได้ใส่การ์ดโมเดล ใบอนุญาต หรือส่วนข้อกล่าวอ้างใด ๆ ลงไปจนกระทั่งวันที่ 12 ตุลาคม ทั้งสองยังไม่ได้รับการประเมินอย่างเป็นอิสระจากผู้ใดเลย และทั้งคู่ก็ไม่มีตาราง benchmark ที่ผู้อ่านจะนำไปอ้างอิงได้ — การ์ดของ PixelUMM ไม่รายงานคะแนนใด ๆ เลย ขณะที่ข้อกล่าวอ้างด้านประสิทธิภาพของ MiniCPM-V 4.7 อยู่ในรูปภาพแผนภูมิแทนที่จะเป็นข้อความ เนื้อหาต่อจากนี้จะแยกให้เห็นว่าสิ่งใดที่คลังโค้ดระบุไว้ กับสิ่งใดที่ยังไม่มีใครนอกสองแล็บนี้ยืนยันได้

PixelUMM คืออะไร ในย่อหน้าเดียว

PixelUMM เป็น Transformer แบบ decoder-only ที่มีพารามิเตอร์ 15,199,672,064 ตัว พร้อมหัวสร้างพิกเซลแบบวนซ้ำ สร้างบนโครงหลัก Qwen3-8B ที่ปักหมุดไว้ที่ revision เฉพาะ แนวคิดหลักของมันระบุไว้ในบรรทัดแรกของการ์ดโมเดล และมันเป็นแนวคิดที่สวนทางอย่างแท้จริง: ไม่มี VAE และไม่มีตัวเข้ารหัสภาพ ในขณะที่โมเดลแบบรวมทั่วไปมีอินเทอร์เฟซภาพสองอย่าง — ทรานส์ฟอร์มเมอร์ภาพที่สร้างคุณลักษณะเชิงความหมายสำหรับการเข้าใจ และตัวเข้ารหัสอัตโนมัติแบบแปรผันที่สร้าง latent สำหรับการสร้างใหม่ — PixelUMM กลับไม่มีทั้งสองอย่าง รูปภาพถูกตัดเป็นแพตช์พิกเซลขนาด 16x16 วิดีโอเป็นท่อกาลอวกาศสี่เฟรม และทั้งคู่ไปถึงโครงหลักผ่านเพียงการฉายเชิงเส้นชั้นเดียว โดยการลดสัญญาณรบกวนแบบวนซ้ำทำหน้าที่สร้าง บทความอธิบายว่ามันเป็น Mixture-of-Transformers ที่จับคู่แอตเทนชันที่ใช้ร่วมกันกับพารามิเตอร์เฉพาะงาน มันรองรับ text-to-image, การสร้างข้อความโดยมีภาพเป็นเงื่อนไข, การเข้าใจโดยมีวิดีโอเป็นเงื่อนไข และการสร้างวิดีโอ รวมถึง text-to-video ที่ 96 เฟรม 24 fps และสี่วินาที

ร่องรอยที่ล้อมรอบมันกินเวลาราวสี่สัปดาห์ และเงียบสนิทตลอดช่วงนั้น คลัง GitHubnv-tlabs/PixelUMMถูกสร้างขึ้นเมื่อวันที่ 4 กันยายน 2026 ภายใต้สัญญาอนุญาต Apache-2.0 และคงอยู่ด้วยคอมมิตเพียงครั้งเดียวเป็นเวลาส่วนใหญ่ของเดือนนั้น เมื่อวันที่ 28–29 กันยายน คอมมิตเริ่มต้นก็ถูกส่งขึ้น และ arXiv ได้กำหนดหมายเลข preprint 2609.38597 ซึ่งรายชื่อผู้เขียนกระจายอยู่ระหว่าง NVIDIA และมหาวิทยาลัยวอเทอร์ลู ตัวคลังโมเดลปรากฏขึ้นเมื่อเวลา 21:40 UTC ของวันที่ 1 ตุลาคม ห่างจากคอมมิตสุดท้ายบน GitHub ที่เพิ่มการอ้างอิงบทความเพียงแปดนาที บทความนี้ไม่มีบรรทัดระบุสถานที่จัดงาน — ไม่มีชื่องานประชุม ไม่มีคำว่า "accepted to" — ซึ่งอ่านได้เหมือนทีมวิจัยที่ผลักชิ้นงานออกมาใช้งานจริงมากกว่าการเปิดตัวผลิตภัณฑ์ ถึงแม้ว่านั่นจะเป็นข้อสังเกตเกี่ยวกับหลักฐาน ไม่ใช่ข้อกล่าวอ้างเกี่ยวกับเจตนา

MiniCPM-V 4.7 35B-A3B คืออะไร

MiniCPM-V 4.7 35B-A3B เป็นโมเดล MoE รุ่นแรกของ OpenBMB ในซีรีส์ MiniCPM-V: ประกอบด้วยผู้เชี่ยวชาญ 256 ตัว โดยเปิดใช้งาน 8 ตัวต่อโทเค็น, 40 เลเยอร์, หน้าต่างบริบทขนาด 262,144 โทเค็น และคลังคำศัพท์ขนาด 248,144 โทเค็น, ให้พารามิเตอร์ที่เปิดใช้งานประมาณ 3B จากทั้งหมด 35.2B ระบบการมองเห็นทำงานผ่านโมดูล SigLIP2 ที่มีการบีบอัดเริ่มต้นภายใน ViT (intra-ViT early compression) ของ LLaVA-UHD v4 และโหมดบีบอัดโทเค็นภาพแบบผสม 4x/16x ที่เลือกได้ — โดยค่าเริ่มต้นเป็น 16x เพื่อปริมาณงาน, 4x เมื่อต้องการรายละเอียดที่ละเอียดอ่อน มันเข้าใจภาพเดี่ยว, ภาพหลายภาพ และวิดีโอ, และตอบเป็นข้อความ มันไม่สร้างภาพ

ข้ออ้างหลักของการ์ดคือ นี่คือโมเดล MoE โอเพนซอร์สตัวแรกที่มีการอนุมานบนอุปกรณ์ที่ราบรื่นและไม่สูญเสียข้อมูล โดยขับเคลื่อนด้วย Lookahead Expert Scheduling, การควอนไทซ์แบบละเอียดระดับชั้น และการสุ่มตัวอย่างเชิงคาดการณ์ผ่านดราฟต์ DSpark แยกต่างหาก ด้วยอัตราที่รายงานว่า 13+ โทเค็นต่อวินาทีบน iPhone 17 Pro Max ตัวเลขดังกล่าวเป็นตัวเลขที่ผู้ขายรายงาน ยังไม่มีการทำซ้ำ และไม่ได้รับการรับรอง การ์ดยังอ้างว่ามีคะแนนโหมด Instruct โดยรวมสูงกว่า Qwen3.6 35B-A3B โดยใช้เวลาการอนุมานน้อยกว่า — ข้ออ้างที่ปรากฏภายในภาพแผนภูมิ ซึ่งหมายความว่ามันไม่ใช่ตัวเลขที่สามารถอ้างอิงได้ และไม่ควรถือเป็นเช่นนั้น

จุดที่ MiniCPM-V 4.7 นำหน้าอย่างชัดเจนไม่ใช่บนกระดานคะแนนใด ๆ แต่เป็นบรรดาองค์ประกอบสนับสนุนรอบตัว ซึ่งทั้งหมดมีอยู่จริงและดาวน์โหลดได้: น้ำหนัก base, FP8, int4, AWQ, GPTQ และ GGUF; การรองรับใน SGLang, vLLM, llama.cpp, Ollama และ OpenVINO; แอป iOS, Android และ HarmonyOS; และ Rockchip, Houmo, Intel, AMD และ Arm ที่ระบุไว้สำหรับซิลิคอนวันแรก หกสัปดาห์ก่อน คำวิจารณ์ที่ตรงไปตรงมาต่อโมเดลนี้คือมันเป็นเช็กพอยต์ที่ไม่มีเอกสารประกอบ ตอนนี้ไม่จริงอีกต่อไป — มันเป็นเช็กพอยต์ที่มีเอกสารประกอบแต่ไม่มีเบนช์มาร์ก เป็นปัญหาคนละแบบ และเป็นปัญหาที่เล็กกว่า

ข้อโต้แย้งเชิงสถาปัตยกรรมที่ซ่อนอยู่เบื้องหลังการเปรียบเทียบ

โมเดลทั้งสองขัดแย้งกันในเรื่องพื้นฐานบางอย่าง และมันคุ้มค่าที่จะเอ่ยถึง เพราะมันเป็นส่วนของการจับคู่ครั้งนี้ที่มีอายุยืนยาวกว่าตัวโมเดลแต่ละตัว

• วิธีที่ภาพไปถึงโมเดลภาษา — PixelUMM ใช้พิกเซลดิบและการฉายเชิงเส้นเพียงครั้งเดียว โดยไม่มีตัวเข้ารหัสภาพที่ผ่านการฝึกมาก่อนที่ใดในสแต็ก; MiniCPM-V 4.7 ใช้ตัวเข้ารหัส SigLIP2 พร้อมการบีบอัดระยะแรกภายใน ViT และอัตราส่วนดาวน์แซมเปิลที่กำหนดค่าได้

• การทำงานของการสร้างเป็นอย่างไร — PixelUMM ทำนายพิกเซลแบบวนซ้ำผ่านหัว flow-matching ที่ฝึกพร้อมกันกับการทำนายข้อความแบบ autoregressive; MiniCPM-V 4.7 สร้างเฉพาะข้อความและไม่มีอย่างอื่น

• สิ่งที่ได้มา — PixelUMM ได้ชุดน้ำหนักชุดเดียวที่ทั้งอธิบายภาพและสร้างภาพขึ้นมาได้ โดยแลกกับสัญญาอนุญาตสำหรับงานวิจัยเท่านั้น และไม่มีการตรวจสอบความพร้อมสำหรับการใช้งานจริง; MiniCPM-V 4.7 ได้โมเดลขนาดเล็กที่ทำควอนไทซ์ได้และติดตั้งบนโทรศัพท์ได้ ซึ่งอ่านโลกได้แต่ไม่สามารถวาดมันขึ้นมาใหม่ได้

• จำนวนพารามิเตอร์ — 15.2B แบบ dense-ish เทียบกับ 35.2B ทั้งหมด โดยมี 3B ที่ทำงานอยู่ จำนวนพารามิเตอร์ที่ทำงานอยู่คือค่าที่ใช้ทำนายต้นทุนการอนุมาน และในแกนนี้ โมเดล MiniCPM เป็นโมเดลที่เล็กกว่าในสองตัวนี้ถึงหนึ่งลำดับขนาด

• น้ำหนักบนดิสก์ — รีโพซิทอรีของ PixelUMM มี 491 ไฟล์กระจายอยู่ในตัวแปรเช็กพอยต์ 4 รูปแบบ; บิลด์พื้นฐานของ MiniCPM-V 4.7 คือแชร์ด BF16 จำนวน 16 ชิ้น รวมขนาดประมาณ 70 GB

• สัญญาอนุญาต — Apache-2.0 เทียบกับ NVIDIA One-Way Noncommercial สำหรับเช็กพอยต์ โดย Apache-2.0 ใช้บังคับเฉพาะกับซอร์สโค้ดของ PixelUMM และฐาน Qwen3-8B เป็น Apache-2.0 แยกต่างหาก การ์ดของ PixelUMM ยังระบุด้วยว่ามีโค้ดดัดแปลงที่ได้มาจาก BAGEL ดังนั้นข้อกำหนดต้นทางจึงมีผลใช้บังคับเพิ่มเติมซ้อนขึ้นไปอีก

• การประเมินสาธารณะ — ไม่มีเลย ทั้งสองฝ่าย MiniCPM-V 4.7 อย่างน้อยก็มีข้ออ้างเรื่องประสิทธิภาพ ส่วนการ์ดของ PixelUMM ไม่ได้ระบุตัวเลข benchmark ใด ๆ เลย

อันไหนที่คุณสามารถเอาไปวางไว้ตรงหน้าผู้ใช้ได้จริง

พิจารณาสัญญาอนุญาตและแนวทางการนำไปใช้งานไปพร้อมกัน แล้วทางเลือกก็จะชัดเจนขึ้นมาเองโดยแทบไม่ต้องคิดมาก

PixelUMM เป็นชิ้นงานวิจัยที่น่าสนใจกว่า และเป็นผลิตภัณฑ์ที่ใช้งานได้น้อยกว่า เช็กพอยต์แบบไม่ใช้เพื่อการพาณิชย์ปิดกั้นการใช้งานเชิงพาณิชย์ที่ชัดเจนไปเลย ไม่มีสูตรการให้บริการบนการ์ด ไม่มีบิลด์แบบควอนไทซ์ ไม่มีตัวเลขความยาวบริบท และ 83 ไลก์เทียบกับยอดดาวน์โหลดที่บันทึกไว้เป็นศูนย์ หมายความว่าแทบไม่มีใครนอกกลุ่มผู้เขียนได้ลองรันมัน คุณค่าของมันในตอนนี้คือการเป็นข้อโต้แย้งที่ทรงพลังและได้รับการเผยแพร่แล้วว่า ตัวเข้ารหัสภาพอาจไม่จำเป็นในโมเดลแบบรวม ข้อโต้แย้งนั้นคุ้มค่าที่จะติดตาม ไม่ว่าคุณจะโหลดเวตหรือไม่ก็ตาม

MiniCPM-V 4.7 เป็นตัวที่มีเส้นทางสู่การใช้งานจริง และเส้นทางนั้นแคบแต่มีอยู่จริง Apache-2.0 ตัดปัญหาด้านสัญญาอนุญาตออกไป รูปแบบการควอนไทซ์หกแบบและรันไทม์การอนุมานห้าแบบหมายความว่าคุณไม่ต้องเขียนเคอร์เนลเอง การต้องใช้ GPU สองตัวขึ้นไปสำหรับบิลด์ที่ไม่ควอนไทซ์คืออุปสรรค บิลด์ที่ควอนไทซ์และเรื่องราวบนอุปกรณ์คือทางเลี่ยง และคำกล่าวอ้างเรื่องบนอุปกรณ์ก็เป็นสิ่งที่ยังไม่ได้รับการตรวจสอบยืนยันอย่างเป็นอิสระโดย precisely นั้น มองมันเป็นโมเดลที่คุณรันได้วันนี้ และเป็นคำกล่าวอ้างเรื่องประสิทธิภาพที่คุณยังฝากความเชื่อถือไว้ไม่ได้ในตอนนี้

สำหรับทีมที่คำตอบคือ "ไม่ใช่ทั้งคู่ เราจะเรียกใช้อะไรสักอย่างแทน" ตัวเลือกแบบ hosted ที่ใกล้เคียงที่สุดกับรูปแบบของ MiniCPM คือ Qwen3.6 35B A3B — ขนาดรวม 35B เท่ากัน, active 3B เท่ากัน, context 262K เท่ากัน, รับข้อความ-ภาพ-วิดีโอเหมือนกัน — และมันให้บริการผ่าน OrcaRouter ในราคาตามรายการของผู้ให้บริการโดยไม่บวกราคาเพิ่ม $0.25 ต่อล้านโทเคนอินพุต และ $1.48 ต่อล้านโทเคนเอาต์พุต พร้อมการ failover อัตโนมัติหากเส้นทางของผู้ให้บริการเริ่มมีปัญหา นั่นไม่ใช่ตัวแทนของโมเดลใดโมเดลหนึ่งในสองตัวในบทความนี้ แต่เป็นกลุ่มควบคุมที่บอกคุณว่าการ self-hosting sparse multimodal MoE ขนาด 70 GB นั้นให้อะไรกับคุณจริง ๆ

ที่ที่สิ่งนี้ไปถึง

ถ้าตัดเรื่องสถาปัตยกรรมออกไป สิ่งที่เหลืออยู่คือการเปิดตัวแบบเงียบ ๆ สองครั้งที่ชี้ไปคนละทิศทาง NVIDIA เผยแพร่อาร์ติแฟกต์ระดับเปเปอร์ภายใต้สัญญาอนุญาตที่ทำให้คนส่วนใหญ่ใช้มันไม่ได้ พร้อมรีโพซิทอรีที่ไม่มีสูตรการใช้งาน ไม่มีเบนช์มาร์ก และไม่มีดาวน์โหลด OpenBMB เผยแพร่โมเดลที่มีเอกสารประกอบ ใช้สัญญาอนุญาตแบบเปิดกว้าง และรองรับหลายรันไทม์ พร้อมคำกล่าวอ้างเรื่องประสิทธิภาพที่น่าดึงดูด แต่ไม่มีตารางผลการประเมินมาสนับสนุน

สิ่งเดียวที่จะทำให้แต่ละตัวจบข้อสงสัยได้: สำหรับ PixelUMM การทำซ้ำโดยอิสระใด ๆ ก็ตาม — ยอดดาวน์โหลด 0 หมายความว่าไม่มีจุดข้อมูลจากภายนอกอยู่จริง และแนวคิดแบบไร้เอนโคเดอร์ก็เป็นข้อกล่าวอ้างประเภทที่จะยืนหยัดได้หรือพังทลายลงเมื่อเจอกับการนำไปใช้จริงครั้งที่สอง สำหรับ MiniCPM-V 4.7 ตารางเบนช์มาร์ก หรือความยาวการยอมรับที่ทำซ้ำได้บน DSpark draft ซึ่งเป็นส่วนเดียวของตระกูลที่มีการเผยแพร่ตัวเลข ยังไม่มีทั้งสองอย่าง ทั้งสองอย่างนี้เป็นเหตุผลที่โมเดลสองตัวนี้ยังน่าจับตามองมากกว่าที่จะเก็บเข้ากรุ — พวกมันยังอยู่ในช่วงต้นของชีวิตสาธารณะมากกว่าที่การรายงานข่าวบ่งชี้ และไม่มีตัวไหนที่ถูกแล็บที่สร้างมันขึ้นมาเรียกว่าเป็นการเปิดตัว