MiniCPM-V 4.7 so với North Micro Vision Instruct: Cohere đã phát hành một mô hình 2.4B có tài liệu; OpenBMB đã phát hành một bản trắng 70 GB

MiniCPM-V 4.7 và North Micro Vision Instruct đều là câu trả lời của các phòng thí nghiệm nhỏ cho cùng một đề bài — một mô hình ngôn ngữ-thị giác nhỏ gọn mà bạn có thể tự tinh chỉnh và triển khai — nhưng chỉ một trong số chúng là hoàn thiện. North Micro Vision Instruct của Cohere ra mắt ngày 10 tháng 8 năm 2026 dưới dạng mô hình độ phân giải gốc 2,4 tỷ tham số theo Apache-2.0, kèm một bài blog kỹ thuật giải thích kiến trúc và một thẻ mô hình liệt kê mục đích sử dụng. MiniCPM-V 4.7 ra mắt ngày 6 tháng 10 năm 2026 dưới dạng checkpoint mixture-of-experts thưa 35,2 tỷ tham số với mười sáu shard, không có README, không có trường giấy phép và không có bất kỳ benchmark nào. Điều đáng so sánh thú vị không phải là "cái nào thông minh hơn." Mà là hai bản phát hành thể hiện hai thái độ trái ngược nhau đối với cộng đồng những người phải dùng chúng.

Hai bản phát hành, và những gì được phát hành kèm theo mỗi bản

North Micro Vision Instruct là một mô hình thị giác-ngôn ngữ trọng số mở 2,4 tỷ tham số của CohereLabs, được phát hành theo giấy phép Apache-2.0. Nó được định vị rõ ràng như một nền tảng nhỏ gọn để tạo nguyên mẫu, tinh chỉnh theo tác vụ cụ thể và công việc đa phương thức chuyên biệt. Đặc điểm nổi bật của nó là xử lý ảnh ở độ phân giải gốc, giữ nguyên tỷ lệ khung hình và chi tiết thị giác nhỏ thay vì lấy mẫu lại thành một lưới cố định, và thẻ mô hình tuyên bố có khả năng trên VQA, chú thích ảnh, grounding, OCR, biểu đồ và tài liệu. Nó hỗ trợ nhiều ảnh trong mỗi cuộc trò chuyện và mười một ngôn ngữ — tiếng Anh, tiếng Đức, tiếng Pháp, tiếng Tây Ban Nha, tiếng Ý, tiếng Bồ Đào Nha, tiếng Hindi, tiếng Nhật, tiếng Hàn, tiếng Trung và tiếng Ả Rập. Trọng số mô hình gồm 2.484.847.856 tham số ở BF16, và kể từ khi phát hành, cộng đồng MLX đã tạo ra các bản chuyển đổi 4-bit, 5-bit, 6-bit, 8-bit, mxfp8, mxfp4, nvfp4 và bf16, đúng là diện mạo của một bản phát hành mô hình nhỏ lành mạnh sau vài tháng. Nó có khoảng 166.500 lượt tải xuống và 150 lượt thích.

MiniCPM-V 4.7 là openbmb/MiniCPM-V-4.7-35B-A3B: 35.212.875.824 tham số ở BF16, 70,4 GB trải khắp mười sáu phân đoạn safetensors, lớp MiniCPMV4_7ForConditionalGeneration, được lưu bởi Transformers 5.2.0 và tải lên vào ngày 6 tháng 10 năm 2026.

Xương sống văn bản của nó là một MoE thưa dẫn xuất từ Qwen3.5 — 256 chuyên gia, 8 chuyên gia được chọn cho mỗi token — với 40 lớp chạy theo một mẫu attention cố định cứ ba lớp linear rồi đến một lớp full, ngữ cảnh 256K và một tháp thị giác 27 lớp do nội bộ phát triển với mức downsampling 16×. Không có thẻ mô hình. Kho chứa có ba lượt thích và không có lượt tải nào.

{{1}}Đặt cạnh nhau{{/1}}, {{2}}trên sáu điều quan trọng{{/2}}

• Thông số — North Micro Vision Instruct: 2,48B dày đặc, mọi tham số đều hoạt động trên mỗi token. MiniCPM-V 4.7: tổng 35,2B, thưa 8-trong-256. Không phải là con số so sánh tương đương.

• Giấy phép — {{1}}Micro Vision Instruct{{/1}}: Apache-2.0, được gắn thẻ và ghi rõ. {{2}}MiniCPM-V 4.7{{/2}}: không công bố giấy phép, mặc định là bảo lưu mọi quyền.

• Khả năng tinh chỉnh — North Micro Vision Instruct: được thiết kế rõ ràng làm nền tảng cho việc tinh chỉnh theo tác vụ cụ thể, với các bản lượng tử hóa do cộng đồng cung cấp đã có sẵn. MiniCPM-V 4.7: một checkpoint BF16 70 GB không có bản lượng tử hóa nào và không nêu rõ công thức huấn luyện.

• Xử lý độ phân giải — North Micro Vision Instruct: độ phân giải gốc, giữ nguyên tỷ lệ khung hình. MiniCPM-V 4.7: downsample_mode: "16x" với max_slice_nums: 9, một luồng xử lý độ phân giải cao dựa trên slicer.

• Phạm vi ngôn ngữ — North Micro Vision Instruct: mười một ngôn ngữ được liệt kê trên card. MiniCPM-V 4.7: không được nêu ở bất cứ đâu.

• Ngữ cảnh — North Micro Instruct: được định cỡ cho lớp triển khai 2,4B của nó. MiniCPM-V 4.7: max_position_embeddings: 262144, 256K.

• Bằng chứng về chất lượng — North Micro Vision Instruct: một thẻ đã được công bố, một bài blog kỹ thuật, các bản chuyển đổi từ cộng đồng và mức độ đón nhận rộng rãi. MiniCPM-V 4.7: không có gì để dẫn chứng.

Sự bất đối xứng khiến phép so sánh này trở nên lệch lạc

Có một kiểu bài so sánh đặc thù mà ở đây sẽ rất dễ viết: lấy các con số của MiniCPM-V 4.6 từ GitHub của OpenBMB, ghi nhận rằng chúng vượt qua nhóm mô hình nhỏ tương đương, rồi ngụ ý rằng 4.7 kế thừa chúng. Làm vậy sẽ là không trung thực, và lý do đáng được nói rõ. MiniCPM-V 4.7 không phải là một phiên bản lớn hơn của 4.6. Nó bỏ xương sống Qwen3.5-0.8B dense 1.3B để dùng Qwen-MoE thưa 35B, đổi kiểu attention thành tỷ lệ 3:1 giữa tuyến tính và đầy đủ, và chuyển mặc định nén thị giác sang 16x. Mỗi một thay đổi trong số đó đều là thay đổi ở phần của mô hình quyết định độ chính xác. Dòng dõi gia đình không phải là một benchmark.

Hướng không trung thực khác thì tinh vi hơn: coi việc thiếu một thẻ mô hình như bằng chứng của một vấn đề. Không phải vậy. OpenBMB đã phát hành chín thế hệ MiniCPM-V kể từ năm 2024, một số trong đó thực sự xuất sắc so với kích thước của chúng, và khoảng thời gian mười hai phút giữa lúc tạo repository và commit cuối cùng là dấu hiệu của một artifact được dàn dựng rồi công bố, chứ không phải điều mà một thứ hỏng hóc làm. Cách hiểu đúng về MiniCPM-V 4.7 là "không rõ", và "không rõ" là một thứ khác biệt với "tệ".

Phía Cohere có những yêu cầu riêng về tính trung thực.

Các tuyên bố về chất lượng của thẻ North Micro Vision là các phép đo của chính Cohere, và bài phân tích kỹ thuật chuyên sâu được viết bởi cùng đội ngũ đó. Việc cộng đồng xây dựng mười sáu bản lượng tử hóa MLX trong vài ngày là bằng chứng về mức độ được đón nhận, không phải bằng chứng về độ chính xác — người ta chuyển đổi những mô hình dễ chuyển đổi, và một bản phát hành 2.4B Apache-2.0 sạch sẽ thì dễ chuyển đổi. Không nên coi số lượt tải xuống cũng như mức độ lan tỏa của các bản lượng tử hóa là điểm số.

Mỗi loại thực sự dùng để làm gì

North Micro Vision Instruct là một mục tiêu tinh chỉnh. Đó là toàn bộ đề cương thiết kế, được nêu bằng chính lời của thẻ mô hình: một nền tảng gọn nhẹ để tạo nguyên mẫu và phát triển các ứng dụng chuyên biệt. Nếu bạn có một tác vụ hẹp như phân tích tài liệu, trích xuất biểu đồ hoặc tạo chú thích đa ngôn ngữ, cùng vài nghìn ví dụ đã gán nhãn, thì một mô hình 2.4B Apache-2.0 với đầu vào độ phân giải gốc và lượng tử hóa từ tám bit trở lên là một điểm khởi đầu hợp lý, và bạn có thể chuyển nó sang thiết bị biên hoặc một GPU tầm trung duy nhất khi nó hoạt động được.

MiniCPM-V 4.7, nếu hóa ra nó dùng được, thì không phải như vậy. Với 70 GB chưa lượng tử hóa, nó là một mô hình máy chủ, và những đặc điểm nổi bật của nó — cửa sổ 256K cùng attention tuyến tính giữ cho KV cache không tăng — đều hướng tới các khối lượng công việc đa phương thức ngữ cảnh dài: bản ghi video dài hàng giờ, các tập tài liệu lớn, phân tích nhiều lượt kéo dài với hình ảnh trong lịch sử. Đó là những khối lượng công việc thực, và kiến trúc này là một đặt cược hợp lý vào chúng. Chỉ là đặt cược ấy vẫn chưa được chấm điểm.

Có một sắc thái về hai chiến lược nén đáng để ghi nhớ. Độ phân giải gốc và lấy mẫu xuống 16× không đơn thuần là tốt hơn và kém hơn. Một bộ mã hóa ở độ phân giải gốc tiêu tốn token để giữ lại chi tiết mịn, đúng thứ mà OCR và grounding cần. Lấy mẫu xuống 16× tiêu tốn ít token hơn và có nguy cơ đánh mất đúng những chi tiết đó. Cái nào đúng phụ thuộc vào việc tác vụ của bạn là đọc một biểu mẫu dày đặc hay mô tả một cảnh, và chế độ 4x/16x có thể chuyển đổi của MiniCPM-V 4.6 tồn tại chính vì câu trả lời thay đổi theo từng tác vụ. Việc 4.7 có giữ lại khả năng chuyển đổi đó hay không là một trong những điều mà tệp cấu hình không nói.

Bộ định tuyến phù hợp ở đâu và không phù hợp ở đâu

Cả hai mô hình này đều là các trọng số do bạn tự vận hành. North Micro Vision Instruct lẫn MiniCPM-V 4.7 đều không phải là mô hình được host sẵn trên OrcaRouter, và không có gì ở đây nên được hiểu là một tuyên bố rằng chúng là như vậy. Câu hỏi về định tuyến xuất hiện muộn hơn một bước, khi mô hình nhỏ tự vận hành đang làm những công việc thường ngày và một mô hình lớn hơn phải xử lý những trường hợp mà nó thất bại. Việc bàn giao đó chính là mục đích của một router dùng một khóa duy nhất — hơn 200 mô hình từ nhiều nhà cung cấp, mỗi mô hình ở mức giá niêm yết, không cộng thêm phụ phí từ phía chúng tôi, với khả năng chuyển đổi dự phòng tự động khi một nhà cung cấp gặp sự cố — và việc thiết lập sẵn giao diện trước khi bạn cần là điều đáng làm, bởi vì ngày mà đánh giá 4.7 của bạn thành công cũng chính là ngày bạn muốn có thêm một endpoint thứ hai mà không cần thêm một hợp đồng thứ hai.

Phán quyết, và điều gì sẽ thay đổi nó

Cohere đã phát hành một mô hình. OpenBMB đã phát hành một checkpoint. Trên mọi khía cạnh mà người đọc có thể dựa vào để hành động — giấy phép, độ rõ ràng của giấy phép, hành vi được ghi trong tài liệu, mức độ sẵn sàng cho tinh chỉnh, lượng tử hóa, độ bao phủ ngôn ngữ — North Micro Vision Instruct là câu trả lời hiện nay, và khoảng cách không hề nhỏ. Đó không phải là một tuyên bố về năng lực, bởi vì không thể có bất kỳ so sánh năng lực nào. MiniCPM-V 4.7 có số lượng tham số gấp khoảng mười lần mô hình mà nó đang được đem ra so sánh và chưa công bố gì để biện minh hoặc bác bỏ kích thước đó. Cách tiếp cận trung thực là coi nó như đang chờ xử lý: một sản phẩm thực sự từ một phòng thí nghiệm có thành tích thực sự, nằm trong một kho lưu trữ với một tệp còn thiếu mà sẽ thay đổi mọi thứ — tệp README.