Molmo2-4B กับ MiniCPM-V 4.7: ทั้งสองโมเดลไม่ได้อยู่ตรงที่คุณคิด

การจับคู่ในชื่อเรื่องไม่ได้มีอยู่จริงในน้ำหนักของโมเดล Molmo2-4B เป็นเช็กพอยต์เดียวขนาด 4.85B ส่วน MiniCPM-V 4.7 ไม่ใช่โมเดลเดียวแต่เป็นสองโมเดล และไม่มีตัวไหนเป็น 4B เลย: มีตัวแปรแบบ dense ขนาด 1.55B ที่สร้างมาสำหรับโทรศัพท์ และตัวแปรแบบ mixture-of-experts ขนาด 35.2B ที่มีพารามิเตอร์ที่ใช้งานอยู่ราว 3B และมีบริบท 262,144 โทเคน ดังนั้นผู้อ่านที่ค้นหา "Molmo2-4B vs MiniCPM-V 4.7" จริง ๆ แล้วกำลังถามคำถามสามทาง — ช่อง 4B คุ้มที่จะมีอยู่เลยหรือไม่ หรือคุณจะลดลงไปที่ 1B เพื่อขนาดพื้นที่ หรือขึ้นไปที่ MoE เพื่อความสามารถ? นั่นเป็นคำถามที่มีประโยชน์กว่าคำถามที่พิมพ์เข้ามา และมีคำตอบที่ชัดเจนกว่า การตัดสินใจเลือกจากสามโมเดลเป็นปัญหาการจัดเส้นทางก่อนที่จะเป็นปัญหาการสร้างโมเดล DSL สำหรับการจัดเส้นทางจะรวมหลายโมเดลไว้ในการเรียกครั้งเดียว แทนที่จะเป็นสัญญาแยกต่อโมเดล

วันที่ก็สำคัญตรงนี้เช่นกัน เพราะทั้งสองโมเดลมักถูกบรรยายว่าใหม่กว่าที่เป็นจริง Molmo2-4B ถูกประกาศโดย Allen Institute for AI เมื่อวันที่ 11 ธันวาคม 2025 โดยมีเวทบน Hugging Face ตั้งแต่วันที่ 14 ธันวาคม เวทของ MiniCPM-V 4.7 ขึ้นเมื่อวันที่ 6 และ 7 ตุลาคม 2026 การ์ดโมเดลตามมาวันที่ 12 ตุลาคม และข่าวประชาสัมพันธ์ภาษาอังกฤษจาก ModelBest และ OpenBMB เมื่อวันที่ 15 ตุลาคม การเปลี่ยนแปลงล่าสุดฝั่ง Molmo ไม่ใช่โมเดลใหม่: Molmo2 กลายเป็นสถาปัตยกรรมเนทีฟใน Transformers อัปสตรีมเมื่อ PR #43451 ถูก merge เมื่อวันที่ 9 ตุลาคม 2026 และเปิดตัวใน v5.20.0 เมื่อวันที่ 15 ตุลาคม และเมื่อวันที่ 5 พฤศจิกายน Ai2 เผยแพร่ Molmo2-4B แบบ fine-tune สำหรับ testbed ด้านหุ่นยนต์ ไม่ว่าจะอ่านสิ่งใดในสองสิ่งนี้ ก็เป็นเหตุผลให้กลับมาพิจารณาโมเดลอีกครั้ง ทั้งสองไม่ใช่การเปิดตัว

สามจุดตรวจ สามตำแหน่งบนเส้นโค้ง

• พารามิเตอร์ — Molmo2-4B มี 4.85B; MiniCPM-V 4.7-1B มี 1.55B; MiniCPM-V 4.7-35B-A3B มีทั้งหมด 35.2B โดยมีค่าที่ใช้งานจริงประมาณ 3B ต่อโทเคน

สถาปัตยกรรม — Molmo2-4B คือหอ SigLIP 2 ที่ต่อพ่วงกับ Qwen3-4B-Instruct-2507; คู่ MiniCPM-V 4.7 ใช้การบีบอัดระยะแรกภายใน ViT จาก LLaVA-UHD v4 พร้อมการบีบอัดโทเคนภาพแบบผสม 4x/16x และรุ่น 35B เป็น MoE รุ่นแรกในสาย MiniCPM-V

• คอนเท็กซ์ — 36,864 ตำแหน่งสำหรับ Molmo2-4B; 262,144 โทเคนสำหรับทั้งสองเวอร์ชันของ MiniCPM-V 4.7

• รูปแบบข้อมูล — Molmo2-4B รองรับภาพ ภาพหลายภาพ และวิดีโอ และส่งออกพิกัดการชี้ในพื้นที่ภาพ 0–1000; MiniCPM-V 4.7 รองรับภาพเดี่ยว ภาพหลายภาพ และวิดีโอ และตอบกลับเป็นข้อความ

• สัญญาอนุญาต — Molmo2-4B ใช้น้ำหนักโมเดลภายใต้ Apache 2.0 โดยการ์ดโมเดลเตือนว่าข้อมูลที่ใช้ฝึกนั้นจำกัดให้ใช้เพื่อการวิจัยเชิงวิชาการและไม่ใช่เชิงพาณิชย์เท่านั้น ส่วน MiniCPM-V 4.7 ทั้งสองรุ่นย่อยใช้ Apache 2.0

• การเผยแพร่ — Molmo2-4B เป็นไฟล์ safetensors แบบ float32 ขนาด 19.42 GB แบ่งเป็นสี่ส่วน (shard) ไม่มีการควอนไทซ์อย่างเป็นทางการ ส่วน MiniCPM-V 4.7 มีให้เลือกทั้ง GGUF, int4, AWQ, GPTQ, FP8 และ DSpark ในทั้งสองขนาด

แถวการกระจายคือแถวที่ตัดสินโปรเจกต์จริง บริบทขนาด 262,144 โทเคนจะมีประโยชน์ก็ต่อเมื่อคุณมีกำลังพอจะถือมันไว้ และ OpenBMB ได้ทำงานที่ไม่หวือหวาอย่างการเผยแพร่รูปแบบควอนไทซ์ที่ผู้คนนำไปใช้งานจริง — ไฟล์ GGUF 1B อย่างเป็นทางการที่ Q4_K_M มีขนาด 672 MB ซึ่งเป็นความต่างระหว่างเดโมกับสิ่งที่รันได้บนอุปกรณ์ที่คุณมีอยู่แล้ว

จุดที่ 4B ชนะจริง ๆ

กรณีของ Molmo2-4B ตั้งอยู่บนสองสิ่งซึ่งคู่ MiniCPM-V 4.7 ไม่ได้ทำในแบบเดียวกัน ได้แก่ การชี้ตำแหน่งในฐานะเอาต์พุตระดับหลัก และการติดตามวิดีโอพร้อมการประทับเวลา

รูปแบบการชี้ตำแหน่งคือจุดเชิงตัวเลขในช่วงพิกัด 0–1000 ซึ่งห่อด้วยแท็กที่การ์ดโมเดลมี regex มาพร้อมให้ การชี้ตำแหน่งแบบหลายภาพจะถูกแบนให้เป็นรายการของชุดสามค่า ดัชนีเฟรม, x, y นั่นเป็นสัญญาที่แตกต่างจาก "อธิบายว่าวัตถุอยู่ที่ไหน" และมันเปลี่ยนสิ่งที่คุณสร้างได้: ไปป์ไลน์การครอป, การถามต่อเนื่องแบบภูมิภาคที่สนใจ, ลูปนับแล้วตรวจสอบ และเวิร์กโฟลว์ใด ๆ ที่ขั้นตอนปลายน้ำต้องการพิกัดแทนประโยค

วิดีโอคือจุดที่งบประมาณพารามิเตอร์ถูกใช้ไป การ์ดของ Ai2 ระบุชื่อวิดีโอแคปชันนิง QA, วิดีโอซับไทเทิล QA, วิดีโอพอยน์ติง, วิดีโอแทร็กกิง และชุดพอยน์ติงแบบหลายภาพอีกสองชุดไว้ในข้อมูลฝึก และตัวประมวลผลล่วงหน้าสำหรับวิดีโอที่เผยแพร่ใช้ค่าเริ่มต้นที่ 384 เฟรม ความเร็ว 2 fps ที่ขนาด 378×378 พร้อมพูลลิง 3×3 MiniCPM-V 4.7 รองรับวิดีโอจริง — OpenBMB รายงานผล LongVideoBench ที่ 68.9 สำหรับรุ่น 35B-A3B และ 53.4 สำหรับรุ่น 1B — แต่บนเส้นทางนั้นเป็นโมเดลที่ให้เอาต์พุตเป็นข้อความ และวิดีโอยาวต้องแย่งงบประมาณโทเคนเดียวกันกับพรอมต์

จุดที่ MiniCPM-V 4.7 ชนะ สองครั้ง

ที่ปลายล่างของช่วงนี้ 1B เป็นวัตถุคนละประเภทกัน ด้วยพารามิเตอร์ 1.55B จึงมีขนาดประมาณหนึ่งในสามของ Molmo2-4B โดยทำงานบน llama.cpp และ Ollama และ OpenBMB รายงานว่าได้ OCRBench 86.1, MathVista 74.3 และ CharXiv 48.8 สำหรับรุ่นนี้ นั่นเป็นตัวเลขจากผู้ขายบนชุดทดสอบที่ผู้ขายเลือก และควรอ่านในลักษณะนั้น แต่โมเดล 1.55B ที่ทำ OCR ทั้งหน้าได้อย่างน่าเชื่อถือเป็นการตัดสินใจจัดซื้อที่แตกต่างอย่างแท้จริงจากโมเดล 4.85B ที่ต้องใช้ GPU

ที่ปลายบนของช่วงนี้ 35B-A3B ทำให้คำถามเรื่อง 4B ดูเป็นเรื่องแคบ ๆ ไปเลย ตัวเลขที่ OpenBMB เผยแพร่สำหรับรุ่นนี้รวมถึง MMMU 80.2, OCRBench 91.2 ที่ 4x visual tokens และ 90.40 ที่ 16x, CharXiv 75.6, LongVideoBench 68.9, MathVerse 86.5 และ MathVista 88 นอกจากนี้ยังอ้างถึงสิ่งที่น่าสนใจกว่าตัว benchmark นั่นคือ ด้วย Lookahead Expert Scheduling, layer-wise quantization และ DSpark speculative sampling ตัว 35B-A3B ถอดรหัสได้ที่ 13+ tokens/s ในหน่วยความจำประมาณ 3 GB บน iPhone 17 Pro Max ควรถือว่านี่เป็นคำกล่าวอ้างของผู้ขายเกี่ยวกับ toolchain เฉพาะชุดหนึ่ง มากกว่าจะเป็นคุณสมบัติทั่วไปของโมเดล — แต่ถ้ามันเป็นจริง ก็ลบเหตุผลปกติที่ทำให้ต้องเลือก dense 4B บนอุปกรณ์ออกไป

ทั้งหมดนี้เป็นข้อมูลที่ผู้จำหน่ายรายงานเอง ทั้ง OpenBMB และ Ai2 ต่างไม่ได้เผยแพร่ผลลัพธ์ของโมเดลของตนบนชุดแบบทดสอบมาตรฐานของอีกฝ่าย ดังนั้นจึงไม่มีแถวใดข้างต้นเป็นการเปรียบเทียบแบบตัวต่อตัว

เมนูการปรับใช้คือความแตกต่างที่ถูกมองข้าม

MiniCPM-V 4.7 ระบุ SGLang, vLLM, llama.cpp และ Ollama สำหรับการอนุมาน, SWIFT และ LLaMA-Factory สำหรับการปรับแต่งละเอียด และการรองรับตั้งแต่วันแรกสำหรับ Rockchip, Houmo, Intel, AMD และ Arm การ์ดของ Molmo2-4B ระบุ Transformers พร้อม remote code, ส่วนพึ่งพา molmo_utils แยกต่างหาก และ decord2 สำหรับวิดีโอ และเอกสารแพลตฟอร์มของ AI2 เองชี้ไปที่ vLLM nightly แทนที่จะเป็น stable ช่องว่างแคบลงในเดือนตุลาคม เมื่อการรองรับ Transformers แบบเนทีฟมาถึงใน v5.20.0 และข้อกำหนด remote-code กลายเป็นทางเลือก แต่ก็ยังเป็นช่องว่างอยู่: โครงการหนึ่งมีเมทริกซ์การควอนไทซ์ อีกโครงการหนึ่งมีรีลีสงานวิจัย

นี่คือจุดที่ routing พิสูจน์คุณค่าของตัวเองจริง ๆ ไม่ใช่แค่คำขวัญ ทีมที่ต้องการ MiniCPM-V 4.7 1B บนอุปกรณ์สำหรับเส้นทางราคาประหยัด และโมเดลที่ใหญ่กว่าสำหรับเส้นทางที่ยาก ไม่จำเป็นต้องมีสองสัญญาเพื่อทำสิ่งนั้น — routing DSL ประกอบหลายโมเดลไว้หลังปลายทางเดียว และ มาร์กอัป 0% หมายความว่าคุณจ่ายตามราคาตั้งของผู้ให้บริการ ดังนั้นการลดราคาของผู้ขายจึงมีผลในวันเดียวกัน สิ่งนี้สำคัญกว่าสำหรับการตัดสินใจเลือกสามโมเดลแบบนี้มากกว่าการเลือกแบบ A หรือ B ตรง ๆ

วิธีเลือกจริงๆ

หากข้อจำกัดคือหน่วยความจำ ให้เลือก MiniCPM-V 4.7-1B ไม่มีสิ่งใดในแพ็กเกจ Molmo2-4B ที่เข้าใกล้ 672 MB และความแม่นยำในการชี้ไม่ว่าจะมากเพียงใดก็ไม่อาจชดเชยโมเดลที่ไม่พอดีได้

หากข้อจำกัดคือความสามารถต่อค่าใช้จ่าย และคุณสามารถให้บริการ MoE ได้ ให้เลือก MiniCPM-V 4.7-35B-A3B จากตัวเลขของ OpenBMB เอง มันอยู่คนละระดับกับโมเดลที่เล็กกว่าทั้งสองตัว และจำนวนพารามิเตอร์ที่ใช้งานอยู่ทำให้ต้นทุนต่อโทเค็นใกล้เคียงกับ 3B มากกว่า 35B

หากความต้องการคือพิกัด ให้เลือก Molmo2-4B การชี้จุดพร้อมการประทับเวลา การชี้จุดและการติดตามในหลายภาพ คือเหตุผลที่โมเดลนี้มีอยู่ ไม่มีสิ่งใดในเอกสารของ MiniCPM-V 4.7 ที่อธิบายสัญญาเอาต์พุตที่เทียบเท่าได้

และหากคุณต้องการโมเดลอเนกประสงค์ระดับ 4B ที่รองรับภาพ ภาพหลายภาพ และวิดีโอได้จริง โดยไม่ต้องดาวน์โหลดขนาด 19 GB ในรูปแบบ float32 คำตอบที่ตรงไปตรงมาคือ การเปรียบเทียบเฉพาะคู่นี้ไม่มีโมเดลนั้นให้ — Molmo2-4B เป็นโมเดลเดียวในการเปรียบเทียบที่อยู่ในตำแหน่งนั้น และมาพร้อมเครื่องมือสำหรับการดีพลอยที่น้อยที่สุดในบรรดาสามตัว สิ่งที่จะเปลี่ยนสถานการณ์นี้ได้คือ Molmo2-4B แบบควอนไทซ์อย่างเป็นทางการ หรือ MiniCPM-V ระดับ 4B ซึ่งทั้งสองยังไม่มีในปัจจุบัน