MiniCPM-V 4.7 35B-A3B so với InternLumina U2: Hai con tàu im lặng, hai câu trả lời trái ngược

Cả MiniCPM-V 4.7 35B-A3B lẫn InternLumina-U2 đều không được công bố khi trọng số của chúng xuất hiện. Cả hai đều mở trọng số, đều đến từ các phòng thí nghiệm Trung Quốc, đều là bản phát hành đa phương thức lớn nhất mà đội ngũ của chúng tung ra trong năm nay, và cả hai đều lên hub mà không có bài blog, không có keynote, không có ngày ra mắt. Sự tương đồng chỉ dừng lại ở đó. MiniCPM-V 4.7 35B-A3B đọc ảnh và trả lời bằng văn bản; InternLumina-U2 đọc ảnh, trả lời bằng văn bản, và còn vẽ ra những ảnh mới, chỉnh sửa chúng, và kết xuất tài sản 3D. Một cái được thiết kế đủ nhỏ để nằm gọn trên điện thoại; cái kia là 16 tỷ tham số nghiên cứu diffusion không thể nào vừa vặn ở đâu gần một chiếc điện thoại. Đọc cạnh nhau, chúng không phải là hai mục trong cùng một hạng mục — chúng là hai câu trả lời khác nhau cho câu hỏi mô hình ngôn ngữ-thị giác dùng để làm gì, được công bố trong vòng năm tuần của nhau mà không ai để ý.

Những gì có thể biết được ở đây được phân chia rạch ròi. Mọi thứ về phía MiniCPM dưới đây đều đến từ kho mã nguồn, thẻ mô hình và tệp cấu hình, tất cả đều ai cũng có thể đọc. Mọi thứ ở phía InternLumina đều đến từ thẻ mô hình của chính phòng thí nghiệm và cây tệp mà họ đã công bố; phần benchmark của chính thẻ này được ghi nhãn “Kết quả sơ bộ, một phần” và không mang bất kỳ con số nào. Không mô hình nào đã được đánh giá độc lập, và không có gì trong bài viết này là một bản phát hành: mãi đến ngày 12 tháng 10, OpenBMB mới gọi MiniCPM-V 4.7 là một bản phát hành, và theo những gì hồ sơ công khai cho thấy, Shanghai AI Laboratory vẫn chưa gọi InternLumina-U2 là một bản như vậy.

Hai con tàu lặng lẽ, cách nhau năm tuần

Thư mục MiniCPM-V 4.7 lần đầu xuất hiện trên Hugging Face vào ngày 6 tháng 10 năm 2026; hub hiện báo dấu thời gian tạo là ngày 7 tháng 10, và kho lưu trữ được chỉnh sửa lần cuối vào ngày 12 tháng 10. Kho lưu trữ InternLumina-U2 được tạo vào ngày 1 tháng 9. Không ngày nào trong hai ngày đó đi kèm thông báo. Nhưng kể từ đó, hai bên đã trải qua thời gian theo những cách khác nhau, và sự khác biệt đó là điều hữu ích nhất trong phép so sánh này.

InternLumina-U2 ra mắt vào ngày 1 tháng 9 chỉ dưới dạng mã nguồn. Phiên bản đó là một bộ khung suy luận, một README và một lời hứa — các trọng số thì "sắp ra mắt", kho Hugging Face chỉ chứa một tệp .gitattributes duy nhất, và báo cáo kỹ thuật được đánh dấu là sắp có. Điều đó không còn đúng nữa. Kho hiện đã có hai checkpoint hoàn chỉnh dành riêng cho phần cứng, một nằm dưới ascend/ và một nằm dưới nvidia/, mỗi cái gồm bảy shard safetensors, mô-đun mã từ xa riêng, một kế hoạch song song và một tokenizer. Các trọng số được đưa lên một cách âm thầm và không ai cập nhật câu chuyện. Tính đến thời điểm viết bài, kho đang ở mức 16 lượt thích và không có lượt tải xuống nào được ghi nhận, và báo cáo kỹ thuật vẫn chưa ra mắt.

MiniCPM-V 4.7 lại đi theo hướng ngược lại. Nó xuất hiện vào tháng Mười dưới dạng trọng số không có model card — thư mục không có README, không có nhãn giấy phép và không có benchmark, đúng như bài viết trước đó của chúng tôi đã ghi lại. Mười ngày sau, nó đã có cả ba thứ đầu tiên và vẫn không có thứ cuối cùng: giấy phép Apache-2.0, một model card đầy đủ với hướng dẫn sử dụng, và một mục tuyên bố có số liệu trong đó, nhưng không có bảng đánh giá nào để người đọc có thể trích dẫn. Vậy nên tóm tắt chính xác về cả hai là tài liệu đến sau trọng số, trong cả hai trường hợp, mà không có thông báo nào ở giữa.

InternLumina-U2 thực sự là gì

Thẻ này mô tả một mô hình hỗn hợp chuyên gia 16B tham số với 1B tham số hoạt động — được viết là 16B-A1B — được xây dựng như một mô hình ngôn ngữ lớn khuếch tán đa sổ mã. Cụm từ quan trọng là "hoàn toàn rời rạc": canh bạc trung tâm của InternLumina-U2 là ngôn ngữ và thị giác nên chia sẻ một từ vựng token duy nhất thay vì nằm trong các ngăn xếp hiểu và sinh tách biệt, và rằng nút thắt trong các mô hình hợp nhất trước đây chính là bản thân từ vựng thị giác. Câu trả lời của nó là một biểu diễn thị giác rời rạc tám sổ mã được xây dựng trên AToken, thứ cho phép cùng một bộ trọng số vừa diễn giải một hình ảnh vừa tổng hợp nên một hình ảnh.

Phạm vi vốn dĩ rộng ngay từ thiết kế: hỏi đáp văn bản, tạo ảnh từ văn bản lên tới 1024×1024, hiểu hình ảnh trên ảnh tự nhiên và biểu đồ dày đặc, chỉnh sửa ảnh dựa trên hướng dẫn với chế độ dual-CFG tùy chọn, hiểu video trên các khung hình được lấy mẫu, và hiểu 3D trên các tài sản GLB và GLTF. Đường 3D là trường hợp khác biệt và cũng thú vị nhất — các tài sản được kết xuất thành các khung nhìn màu sắc và độ sâu thông qua một pipeline Blender đi kèm trước khi token hoá, một cách thông minh để tái sử dụng mô hình hình ảnh cho hình học mà không cần dạy nó hình học.

Có hai chi tiết kỹ thuật đáng lưu ý vì chúng khá bất thường. Thứ nhất, cả hai checkpoint cùng nằm trong một kho lưu trữ, được phân tách theo bộ tăng tốc: một bản dựng Ascend được huấn luyện trên NPU Huawei và một bản dựng NVIDIA được huấn luyện trên GPU. Đó là một biện pháp phòng ngừa rủi ro có chủ đích trước các hạn chế về xuất khẩu và nguồn cung, đồng nghĩa với việc "dùng checkpoint nào" là câu hỏi mà người dùng InternLumina-U2 phải trả lời trước tiên. Thứ hai, card nêu rõ mô hình là Apache-2.0 không kèm lưu ý nào — thực sự mang tính cấp phép rộng rãi, trái ngược với một số bản phát hành đa phương thức năm 2026 vốn được tung ra theo các điều khoản chỉ dành cho nghiên cứu.

MiniCPM-V 4.7 35B-A3B hiện nay là gì

Thẻ mô hình gọi nó là MoE đầu tiên trong dòng MiniCPM-V, và tệp cấu hình xác nhận điều đó: 256 chuyên gia với 8 chuyên gia hoạt động trên mỗi token, 40 lớp, cửa sổ ngữ cảnh 262.144 token và bộ từ vựng 248.144 token. Phần thị giác chạy qua mô-đun SigLIP2 với nén sớm intra-ViT của LLaVA-UHD v4 cùng chế độ nén token hỗn hợp 4x/16x — mặc định 16x để tối ưu thông lượng, 4x khi bạn cần chi tiết mịn, được chọn tại thời điểm gọi. Nó hiểu ảnh đơn, tập nhiều ảnh và video; nó trả lời bằng văn bản; nó không tạo ảnh.

Tuyên bố mà OpenBMB đưa ra bằng chữ in đậm là đây là mô hình MoE mã nguồn mở đầu tiên có khả năng suy luận trên thiết bị không mất mát, liền mạch, đạt được nhờ ba kỹ thuật được nêu tên: Lookahead Expert Scheduling, lượng tử hóa theo từng lớp với độ chi tiết cao, và lấy mẫu suy đoán thông qua các bản nháp DSpark riêng biệt. Con số gắn với nó là 13+ token mỗi giây trên iPhone 17 Pro Max. Con số đó do nhà cung cấp báo cáo, chưa được tái lập và không kèm chi tiết bổ sung — không có định dạng lượng tử hóa, không có bản build, không có prompt, không có phương pháp đo lường. Thẻ còn tuyên bố rằng ở chế độ Instruct, mô hình đạt điểm tổng thể cao hơn Qwen3.6 35B-A3B trong thời gian suy luận ít hơn, và tuyên bố đó nằm trong một hình ảnh biểu đồ chứ không phải một bảng, nghĩa là nó không thể được trích dẫn như một con số và không nên được xử lý như một con số.

Điều không phải là tuyên bố chính là công việc phân phối, và đó là lý do thực tế để quan tâm. Base, FP8, int4, AWQ, GPTQ và GGUF weights đều đã tồn tại; SGLang, vLLM, llama.cpp, Ollama và OpenVINO được hỗ trợ với các mục day-zero; các ứng dụng iOS, Android và HarmonyOS tồn tại trong kho MiniCPM-V-Apps; và Rockchip, Houmo, Intel, AMD và Arm đều được liệt kê là silicon day-zero. Sáu tuần trước, chỉ trích về mô hình này là nó là một checkpoint không có tài liệu. Chỉ trích đó giờ đã lỗi thời — nó là một checkpoint đã có tài liệu nhưng không có benchmark, một vấn đề khác và nhỏ hơn.

Hai thứ đó, từng chiều một

• Nó làm gì với một hình ảnh — MiniCPM-V 4.7 35B-A3B đọc hình ảnh đó và trả lời bằng văn bản; InternLumina-U2 đọc hình ảnh đó, trả lời bằng văn bản, tạo ra một hình ảnh mới, chỉnh sửa một hình ảnh hiện có và diễn giải các tài nguyên 3D.

• Kiến trúc — một MoE thưa tự hồi quy 35,2B tham số với 3B hoạt động, so với một mô hình khuếch tán rời rạc đa codebook 16B-A1B. Các họ khác nhau, chứ không phải các kích cỡ khác nhau của cùng một họ.

• Các phương thức đầu vào — văn bản, hình ảnh và video so với văn bản, hình ảnh, video và 3D.

• Các phương thức đầu ra — chỉ văn bản so với văn bản kèm hình ảnh được tạo và hình ảnh đã chỉnh sửa.

• Kích thước trọng số — khoảng 70 GB BF16 trải trên 16 phân mảnh so với bảy phân mảnh cho mỗi bản dựng phần cứng, được công bố hai lần.

• Giấy phép — Apache-2.0 trên cả hai. Đây là khía cạnh duy nhất mà cả hai thực sự đồng thuận, và điều đó quan trọng, vì một giấy phép permissive trên một mô hình tạo sinh ở quy mô này là không phổ biến.

• Câu chuyện triển khai — các bản dựng lượng tử hóa, ứng dụng di động và năm runtime suy luận so với một mô-đun mã từ xa và một tập lệnh shell, được phân tách theo bộ tăng tốc.

• Bằng chứng công khai — một thẻ gồm các tuyên bố của nhà cung cấp mà không có bảng đánh giá, so với một thẻ ghi rõ phần bench của mình là sơ bộ và không in gì trong đó.

Khoảng cách giữa chúng không phải là chất lượng, mà là chủng loại.

Sẽ rất thỏa mãn nếu tuyên bố một người thắng cuộc, nhưng làm vậy sẽ là không trung thực. Không có benchmark chung nào giữa hai mô hình này, chưa bên thứ ba nào chạy thử cả hai, bảng đánh giá của chính MiniCPM-V 4.7 thì không tồn tại, còn của InternLumina-U2 được ghi rõ là chỉ một phần. Bất kỳ ai xếp hạng chúng hôm nay cũng đang xếp hạng chất lượng tài liệu, chứ không phải chất lượng mô hình.

Điều có thể được so sánh một cách trung thực là dấu vết bằng chứng, và ở đó hai bên thất bại theo những hướng ngược nhau. InternLumina-U2 cho bạn biết rất nhiều về kiến trúc và gần như không có gì về kết quả — một thiết kế hấp dẫn nhưng không có năng lực nào được chứng minh. MiniCPM-V 4.7 kể cho bạn rất nhiều về kết quả bằng văn xuôi và từ chối công bố chúng dưới dạng dữ liệu, điều này khiến các tuyên bố khó bị phản bác và do đó cũng khó tin cậy. Cái đầu tiên là một công cụ đầy hứa hẹn; cái thứ hai là một công cụ đầy hứa hẹn với một lớp tiếp thị phủ lên trên.

Cách hiểu thực tế rút ra từ đó. Nếu thứ bạn cần là một mô hình tiếp nhận ảnh chụp màn hình, tài liệu hoặc video rồi trả về văn bản, và bạn muốn tự chạy nó, thì MiniCPM-V 4.7 là lựa chọn có công thức phục vụ, sáu runtime và trọng số lượng tử hóa mà bạn có thể tải về ngay hôm nay. Nếu thứ bạn cần là một mô hình hiểu và tạo ra hình ảnh bằng cùng một bộ từ vựng — cho các pipeline chỉnh sửa, dữ liệu tổng hợp hoặc nghiên cứu về không gian token thống nhất — thì InternLumina-U2 là mô hình duy nhất trong hai mô hình thử làm điều đó, và thư mục checkpoint thứ hai xuất hiện sau đợt phát hành mã tháng Chín là dấu hiệu đầu tiên cho thấy nghiên cứu vẫn đang tiến triển.

Điều này có nghĩa gì nếu bạn chỉ đang cố gắng phát hành một thứ gì đó

Cả hai đều là những tệp bạn tự tải về và tự phục vụ. Cả MiniCPM-V 4.7 35B-A3B lẫn InternLumina-U2 đều không xuất hiện trong danh mục được lưu trữ của OrcaRouter, vì vậy không có gì ở đây là cách để gọi chúng như một endpoint, và không bài viết nào của chúng tôi nên được hiểu là nói điều ngược lại. Điều mà một router hữu ích trong tình huống này chính là nửa còn lại của công việc: thời điểm mà pipeline của bạn cần một mô hình mà bạn không muốn tự host. OrcaRouter đưa hơn 200 mô hình được lưu trữ phía sau một khóa duy nhất, chuyển thẳng mức giá niêm yết của từng nhà cung cấp mà không có bất kỳ khoản đánh dấu giá nào từ phía chúng tôi, và tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm — nhờ đó một nhóm chạy MiniCPM-V 4.7 cục bộ để xử lý khối lượng lớn tài liệu có thể đẩy những trang khó lên một mô hình được lưu trữ mà không cần hợp đồng thứ hai hay SDK thứ hai.

Mô hình được lưu trữ gần nhất với dạng này là Qwen3.6 35B A3B — cũng 35B tổng và 3B hoạt động, cũng ngữ cảnh 262K, cũng nhận văn bản, hình ảnh và video với đầu ra là văn bản — có sẵn ở mức $0.25 mỗi triệu token đầu vào và $1.48 mỗi triệu token đầu ra, theo giá vốn. Đó là một nhóm đối chứng thực sự hữu ích: nếu quyết định của bạn là giữa việc tự lưu trữ một MoE thưa đa phương thức 70 GB và gọi một mô hình tương đương, thì lựa chọn thứ hai có thể đo lường được ngay chiều nay còn lựa chọn thứ nhất thì không.

Điều gì sẽ thay đổi sự so sánh này?

Hai tài liệu sẽ giải quyết phần lớn vấn đề. Một bảng đánh giá từ OpenBMB sẽ biến MiniCPM-V 4.7 từ một tuyên bố thành một điểm dữ liệu, và mô hình nháp DSpark — phần duy nhất của dòng này có bất kỳ số liệu được công bố nào, dưới dạng số token được chấp nhận trên mỗi bước — là con đường bên ngoài rẻ nhất để có một con số độc lập đầu tiên. Một báo cáo kỹ thuật từ Shanghai AI Laboratory sẽ làm điều tương tự cho InternLumina-U2, và sẽ là lần đầu tiên có người thấy bộ từ vựng tám codebook của nó được chấm điểm so với bất kỳ thứ gì.

Cho đến lúc đó, quan điểm trung thực là thế này: một trong hai thứ này bạn có thể triển khai, còn thứ kia bạn chỉ có thể nghiên cứu. Câu đó có lẽ sẽ không còn đúng trong vòng một tháng nữa, và đó là lý do cả hai mô hình đều không đáng bị xếp xó như vaporware — chúng chỉ mới ở giai đoạn đầu trong đời sống công khai so với những gì các bài viết về chúng gợi ra.