ghfind đặt MiniCPM-V 4.7 phía sau những lời chế giễu trên GitHub — và tài liệu của chính nó lại không thống nhất về việc điều đó thay đổi điều gì

Scroll to the bottom of ghfind.com and there is a small line that did not used to be there: Model sponsor, a MiniCPM mark, and a link out to modelbest.cn. The model behind that mark is MiniCPM-V 4.7, OpenBMB's vision-language release from October 12, 2026. For a product whose entire pitch is a reproducible 0–100 "value and trust" score for any GitHub account, a model sponsorship is not a cosmetic detail — it is a question about what the model is allowed to touch. And ghfind's own documentation gives two different answers to that question. The documented AI failures and agent incidents behind releases like this one are collected in the OrcaRouter AI Incident Archive where each entry carries its own sources, severity, confidence grade and disputed flag.

Đó là câu chuyện đáng để viết, bởi vì phiên bản bề mặt — “một trang web châm biếm GitHub đã đổi mô hình” — chỉ là một thông cáo báo chí. Phiên bản ẩn sâu bên dưới là về một sản phẩm chấm điểm phải thuyết phục mọi người rằng con số của nó không phải cảm tính, đồng thời áp dụng một mô hình ngôn ngữ.

Những gì trang thực sự hiển thị và những gì trang không hiển thị

Dải tài trợ là có thật và hiển thị trên trang chủ tiếng Anh công khai. Nó nằm cạnh hai điều khiển khác: một Dùng mô hình / khóa API của riêng bạn tùy chọn, cùng các ô logo trống được đánh dấu Logo của bạn tại đây. Vậy nên cấu trúc mà ghfind đang quảng bá không phải là “mô hình của chúng tôi, bắt buộc” — mà là một nhà tài trợ mặc định cộng với lối thoát tự mang khóa riêng, đây là một thiết kế hợp lý cho một sản phẩm tiêu tốn tín dụng mô hình ở mỗi lượt roast.

Three things that get repeated about this change are not on the page. First, ghfind publishes no traffic figure anywhere on the site, so any number describing its daily visits is coming from somewhere other than ghfind. Second, the phrase "main model" is not ghfind's — the page says Model sponsor. Third, and most usefully, the open-source repository still ships a different default entirely: its .env.example configures the roast LLM against StepFun's step-3.7-flash, with a D​eepSeek fallback for the case where the primary provider drops or rate-limits before any text streams. Anyone self-hosting ghfind from source gets that configuration, not a MiniCPM endpoint.

Vậy nên phát biểu chính xác thì hẹp hơn và thú vị hơn phát biểu rộng: trên sản phẩm lưu trữ, MiniCPM là nhà tài trợ mô hình được nêu đích danh. Trong mã nguồn mở, nó không phải là mặc định. Đó là những khẳng định khác nhau, và chỉ khẳng định đầu tiên là có cơ sở từ những gì người đọc có thể thấy.

Sản phẩm, trước mô hình

ghfind là một ứng dụng Next.js, AGPL-3.0, khoảng 260 sao trên GitHub, được push liên tục trong suốt tuần mà bài viết này ra đời. Phần lõi của nó hoàn toàn không phải là một LLM. Một engine TypeScript tất định — được chuyển từng dòng từ một kỹ năng Python mã nguồn mở có tên github-account-value, với các bài kiểm thử parity khóa chặt hai bản triển khai vào nhau — đọc dữ liệu công khai trên GitHub và tạo ra điểm số trên sáu chiều có trọng số: độ chín muồi của tài khoản, chất lượng dự án gốc, chất lượng đóng góp, tác động hệ sinh thái, ảnh hưởng cộng đồng và tính xác thực của hoạt động. Mười dấu hiệu cảnh báo đỏ về hành vi cày điểm sẽ bị trừ khỏi điểm đó, với trọng số nghiêng về những tín hiệu tốn kém để làm giả, chẳng hạn như các pull request được merge vào những kho lưu trữ mà tài khoản không sở hữu, và nghiêng khỏi những tín hiệu rẻ tiền để mua, như sao và người theo dõi.

Toàn bộ mục đích của thiết kế đó là khả năng kiểm toán. Với cùng một tài khoản GitHub và cùng ngày thu thập, con số được kỳ vọng sẽ luôn là cùng một con số, với mọi người. Đó chính là điều khiến một điểm số trở nên hữu dụng cho những việc như phân loại sàng lọc hàng đợi issue, điều mà ghfind cũng làm thông qua một GitHub App gắn nhãn cho các issue đến bằng dải điểm của tác giả.

Phần mà mô hình tham gia nằm ở khâu sau: biến một kết quả cố định thành một câu châm chọc, một loạt nhãn và một bản báo cáo bằng văn bản. Đó chính là phần mà người dùng chụp màn hình rồi chia sẻ, và cũng là phần mà một nhà tài trợ sẽ đương nhiên muốn gắn vào.

Mâu thuẫn đáng chú ý

Đây là điểm mà hai tài liệu tách hướng.

README của kho lưu trữ mô tả hai lượt LLM tách biệt: một giám khảo về tính xác thực có thể áp dụng hiệu chỉnh ±10 có giới hạn, sau đó một người viết biến kết quả đã cố định thành thẻ, dòng châm biếm hàng đầu và báo cáo. Người viết không thể thay đổi điểm số. Hãy đọc câu đó hai lần. Người viết bị cấm rõ ràng việc dịch chuyển con số, còn giám khảo được phép rõ ràng dịch chuyển nó tới mười điểm — trên thang điểm một trăm, đó là một phần mười của toàn bộ khoảng giá trị.

Tệp llms.txt của chính trang web, được viết cho các tác nhân và máy móc, lại nói một điều mạnh mẽ hơn: một động cơ hoàn toàn tất định … Cùng một đầu vào luôn cho ra cùng một điểm số; không có LLM nào can thiệp vào con số đó.

Không thể cả hai cùng đúng một lúc. Hoặc là lượt chấm của judge tồn tại trong đường thực thi mặc định và giới hạn ±10 là thật, khi đó điểm số là tất định cho đến một hiệu chuẩn phụ thuộc vào mô hình — hoặc judge không nằm trong đường thực thi mặc định và README đang mô tả một chế độ tùy chọn. Điều không gây tranh cãi là văn bản của chính kho lưu trữ có tính đến việc một mô hình có ảnh hưởng có giới hạn lên con số, trong khi phần mô tả dạng máy đọc được hướng tới công chúng lại nói rằng nó không có ảnh hưởng nào.

Điều này càng quan trọng hơn, chứ không phải ít hơn, vì hiện nay tên nhà tài trợ mô hình đã được nêu trên trang. Nếu một mô hình có thể làm lệch điểm số tới mười điểm, thì việc mô hình nào đang đảm nhận việc chấm điểm là câu hỏi mà người dùng có quyền đặt ra — không phải vì ai đó gian lận, mà vì các tuyên bố về khả năng tái lập chỉ mạnh bằng ngoại lệ được ghi chép yếu nhất của chúng. Một sản phẩm công bố trang phương pháp luận nợ độc giả của mình một câu để xác định mô tả nào trong hai mô tả của nó là hiện hành.

Tại sao lại chọn mô hình thị giác cho một sản phẩm văn bản?

Việc chọn một mô hình đa phương thức cho một trang chấm điểm GitHub có vẻ kỳ lạ cho đến khi bạn xem thứ thực sự được đưa cho mô hình. MiniCPM-V 4.7 không được yêu cầu đọc các kho mã; nó được yêu cầu đọc một prompt. Các mô hình ngôn ngữ-thị giác ngày càng được dùng làm giám khảo tổng quát giá rẻ vì chúng được huấn luyện trên đầu vào xen kẽ và có xu hướng tuân thủ tốt các chỉ dẫn đầu ra có cấu trúc, và vì một mô hình duy nhất cũng có thể nhận ảnh chụp màn hình sẽ hữu ích ngay khi người dùng dán ảnh chụp hồ sơ vào một luồng hỗ trợ.

Còn một logic chi phí nữa. Biến thể 35B-A3B kích hoạt khoảng ba tỷ tham số mỗi token trong một hỗn hợp 256 chuyên gia, còn biến thể 1B là một mô hình dense đủ nhỏ để chạy trên điện thoại. Với một sản phẩm mà mỗi lần quét hồ sơ đều kích hoạt một lượt roast, một mô hình có thể phục vụ với chi phí thấp — hoặc tự chạy — là một đề xuất kinh tế khác với việc gọi API frontier cho mỗi lượt roast. Đó cũng là lý do trang cung cấp lối tự mang khóa riêng: hóa đơn mô hình tăng theo lưu lượng, mà lưu lượng chính là thứ một trang chấm điểm đang cố gắng tăng trưởng.

Nếu bạn tự xây dựng loại pipeline đó — một lõi tất định với lớp tường thuật dựa trên mô hình ở phía trên — thì câu hỏi vận hành là bạn muốn giữ khóa cho bao nhiêu nhà cung cấp. OrcaRouter đưa hơn 200 mô hình được lưu trữ phía sau một endpoint tương thích OpenAI với mức phụ phí 0%, với giá niêm yết của từng nhà cung cấp được chuyển thẳng qua và tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm; DSL định tuyến của nó có thể gửi lượt giám định rẻ và lượt viết đắt hơn đến các mô hình khác nhau trong cùng một lệnh gọi. Một giới hạn trung thực: MiniCPM-V 4.7 không có trong danh mục của chúng tôi, vì vậy nếu đó là mô hình bạn muốn, bạn phải đến nền tảng riêng của OpenBMB để dùng nó. Router là phần giữ cho đường dự phòng luôn sẵn sàng khi một endpoint được tài trợ duy nhất là thứ duy nhất đứng giữa bạn và một hộp rang trống rỗng.

MiniCPM-V 4.7 thực chất là gì, tính đến tuần này

Phía mô hình cũng đáng được đối xử với độ chính xác tương tự. Kho lưu trữ của OpenBMB có một mục Tin tức ghi ngày 2026-10-12 với nội dung "MiniCPM-V 4.7 đã phát hành", và các kho lưu trữ trên Hugging Face được tạo trong những ngày trước đó — ngày 6 tháng 10 đối với bản 1B và ngày 7 tháng 10 đối với bản 35B-A3B — đúng như dạng một đợt tải trọng số lên theo từng giai đoạn. Thẻ mô hình được công bố sau đó. Mục Tin tức thứ hai vào ngày 2026-10-15 công bố các đầu giải mã suy đoán DSpark ở định dạng BF16 và GGUF cho cả hai kích cỡ.

• Kích thước — hỗn hợp chuyên gia thưa 35B-A3B với tổng cộng 35,21 tỷ tham số, và một biến thể dày đặc 1B với 1,55 tỷ

Giấy phép — Apache 2.0 cho cả hai, trọng số có thể tải xuống, không có cổng chặn

• Ngữ cảnh — 262,144 token trên cả hai biến thể

• Kiến trúc — 256 chuyên gia với 8 chuyên gia hoạt động trên mỗi token trong mô hình 35B; mô hình attention tuyến tính và attention đầy đủ theo tỷ lệ 3:1 xuyên suốt 40 lớp; tháp thị giác có chiều rộng ẩn 1152 với các ô đầu vào 980 pixel

• Lượng tử hoá — các bản dựng GGUF, bitsandbytes, AWQ, GPTQ, FP8 và int4 được phát hành cùng với trọng số BF16

• Phục vụ — SGLang, vLLM, llama.cpp và Ollama được liệt kê là được hỗ trợ; Ollama có mục chính thức từ chính hãng

• Tuyên bố của nhà cung cấp — 13+ token mỗi giây với khoảng 3 GB bộ nhớ trên iPhone 17 Pro Max, và tốc độ nhanh hơn 5× trên thiết bị nhờ Lookahead Expert Scheduling

• Phân phối — khoảng 95.000 lượt tải xuống mỗi tháng trên kho 35B-A3B và 46.000 trên 1B, với khoảng 1.079 và 398 lượt thích

Mọi thứ trong danh sách đó đều có thể kiểm chứng từ card và tệp cấu hình. Điều chưa có là đánh giá độc lập. Danh mục mô hình của Artificial Analysis không có mục nào cho cả hai biến thể MiniCPM-V 4.7 tính đến thời điểm viết bài này, nên con số 13 token mỗi giây, mức tăng tốc 5× và tuyên bố rằng 35B-A3B “đạt điểm tổng thể cao hơn trong thời gian suy luận ít hơn so với Qwen3.6 35B-A3B” đều do nhà cung cấp tự báo cáo và chưa được tái lập. Điều đó là bình thường với một mô hình mới tám ngày tuổi, và đó là lý do nên coi vị trí tài trợ là tín hiệu về cơ cấu chi phí của ghfind hơn là tín hiệu về chất lượng mô hình.

Phần mà chưa ai có thể xác minh được

Điều này đưa hai nửa của câu chuyện này trở lại với nhau. Uy tín của ghfind dựa vào một con số mà họ nói là có thể tái tạo. Uy tín của MiniCPM-V 4.7 dựa vào các benchmark mà nhà cung cấp của nó đã công bố một tuần trước. Khoản tài trợ kết nối chúng lại mà không có bất kỳ bằng chứng công bố nào về cách mô hình hành xử với tư cách giám khảo — không có tỷ lệ đồng thuận với người chấm là con người, không có đo lường độ trôi dạt giữa các phiên bản mô hình, không có tuyên bố về việc liệu thay đổi nhà tài trợ có làm thay đổi điểm số của bất kỳ ai hay không.

Đó đều là những thứ rẻ để công bố và đắt khi bị hỏi lại về sau. Phép đo cụ thể có thể giải quyết chuyện này là một bài kiểm tra tính lại điểm: lấy một mẫu tài khoản cố định, chạy pipeline với lượt chấm của judge được bật và tắt, rồi báo cáo phân bố của chênh lệch. Nếu nó tụ lại ở mức 0, thì ±10 là một rào chắn an toàn không ai chạm tới và câu "không LLM nào chạm vào con số" về cơ bản là đúng. Nếu nó phân tán, thì việc hiệu chuẩn đang thực sự làm việc và trang phương pháp luận cần nói rõ điều đó.

Cho đến lúc đó, cách diễn giải trung thực là thế này. ghfind là một bộ chấm điểm tất định được xây dựng tốt, với sự tách biệt rõ ràng bất thường giữa phần con số và phần văn xuôi của nó, và hiện nó có một nhà tài trợ mô hình được nêu tên mà vai trò của nhà tài trợ này trong pipeline lại được ghi chép không nhất quán giữa các tệp của chính nó. MiniCPM-V 4.7 là một bản phát hành đa phương thức thực sự, có giấy phép Apache, thực sự nhẹ về bộ nhớ, ra mắt cách đây tám ngày với một model card, một bản tiếp nối DSpark và không có benchmark độc lập. Không điều nào trong hai sự thật đó là bê bối. Cả hai đều thuộc kiểu điều bạn chỉ nhận ra khi đọc repository thay vì trang chủ — mà với một sản phẩm chấm điểm công việc của người khác, đó là điều tối thiểu người đọc có thể làm.

Cách kiểm tra điểm số của chính bạn, một cách cụ thể

Nếu bạn có hồ sơ trên trang, đường tất định là đường cần kiểm tra. ghfind cung cấp một endpoint điểm số không cần xác thực và không gọi mô hình, còn kỹ năng chấm điểm nền tảng là mã nguồn mở, nên số bạn nhận được từ API và số bạn nhận được từ trang phải khớp nhau. Nếu chúng không khớp, khác biệt hoặc là do thời điểm thu thập — trang lưu bộ nhớ đệm trong một ngày — hoặc do lượt hiệu chỉnh, và có thể phân biệt hai điều này bằng cách xem khoảng chênh lệch có ổn định qua các lần chạy lặp lại hay không.

Đối với bất kỳ ai đang xây dựng một công cụ tương tự, bài học kiến trúc từ ghfind đáng giá hơn tin tức về mô hình: hãy giữ con số trong mã, giữ phần văn xuôi trong một mô hình, và làm cho ranh giới giữa chúng đủ rõ ràng để người đọc có thể kiểm tra nó. Chế độ thất bại không phải là việc dùng LLM. Chế độ thất bại là việc ghi lại ranh giới ở hai nơi và để hai mô tả đó trôi dạt.

Điều đáng theo dõi tiếp theo thì khá hẹp. ghfind có nhật ký thay đổi công khai và một kho mã được đẩy lên gần như hằng ngày, nên một ghi chú phương pháp luận dung hòa hiệu chuẩn ±10 với quan điểm "không dùng LLM" sẽ nhanh chóng lộ diện. Về phía mô hình, phép đánh giá chuẩn độc lập đầu tiên dành cho MiniCPM-V 4.7 — hoặc báo cáo đầu tiên về chi phí cho mỗi mẻ rang ở quy mô lớn — chính là con số có thể biến một khoản tài trợ thành một cuộc tranh luận. Cả hai đều chưa tồn tại. Cả hai chỉ còn cách một bài công bố.