MiniCPM-V 4.7 35B-A3B so với PixelUMM: Một giấy phép quyết định điều này trước cả khi các bài benchmark kịp làm vậy.

Có một quyết định bạn có thể đưa ra giữa MiniCPM-V 4.7 35B-A3B và PixelUMM mà không cần đọc một benchmark nào, và đó có lẽ là quyết định quan trọng nhất. MiniCPM-V 4.7 35B-A3B dùng Apache-2.0. Checkpoint mô hình của PixelUMM thì không — nó được phát hành theo One-Way Noncommercial License của NVIDIA, giấy phép chỉ cho phép nghiên cứu và đánh giá, trên một checkpoint mà chính NVIDIA nói rằng "chưa được xác thực để dùng trong sản xuất hoặc cho các mục đích sử dụng có rủi ro cao." Nếu bạn đang xây dựng thứ gì đó mà bạn định bán, một trong hai mô hình này là phương án không khả thi ngay từ đầu, và phần còn lại của so sánh chỉ mang tính học thuật. Nếu bạn đang làm nghiên cứu, lĩnh vực này mở ra, và câu hỏi thú vị trở thành: thiết kế không dùng encoder của NVIDIA thực sự đang đặt cược chống lại điều gì — bởi vì nó đang đặt cược chống lại đúng kiến trúc mà MiniCPM-V 4.7 sử dụng.

Cả hai mô hình đều được phát hành một cách âm thầm. Trọng số của PixelUMM đã được đưa lên Hugging Face vào lúc 21:40 UTC ngày 1 tháng 10 năm 2026 mà không có bài đăng blog, không có thông cáo báo chí và không có bài phát biểu giới thiệu nào; URL trang dự án vẫn ghi là "preview". MiniCPM-V 4.7 xuất hiện vào ngày 6 tháng 10 theo cùng cách đó, và OpenBMB đã không đưa thẻ mô hình, giấy phép hay phần tuyên bố nào lên đó cho đến ngày 12 tháng 10. Cả hai đều chưa được bất kỳ ai đánh giá độc lập, và cả hai đều không có bảng benchmark mà người đọc có thể trích dẫn — thẻ của PixelUMM không báo cáo điểm số nào cả, còn các tuyên bố về hiệu năng của MiniCPM-V 4.7 nằm trong hình ảnh biểu đồ chứ không phải trong văn bản. Phần tiếp theo sẽ tách bạch những gì các kho lưu trữ nêu rõ với những gì chưa ai ngoài hai phòng thí nghiệm xác nhận.

PixelUMM là gì, trong một đoạn văn

PixelUMM là một Transformer chỉ có bộ giải mã với 15.199.672.064 tham số và một đầu sinh pixel lặp, được xây dựng trên xương sống Qwen3-8B được ghim vào một bản sửa đổi cụ thể. Luận điểm của nó được nêu ở dòng đầu tiên của thẻ mô hình và thực sự trái ngược với thông lệ: không có VAE và không có bộ mã hóa thị giác. Trong khi một mô hình hợp nhất thông thường mang hai giao diện thị giác — một vision transformer tạo đặc trưng ngữ nghĩa để hiểu và một variational autoencoder tạo latent tái tạo để sinh — thì PixelUMM không mang cả hai. Hình ảnh được cắt thành các mảng pixel 16x16, video thành các tubelet không-thời gian bốn khung, và cả hai đều đến xương sống chỉ nhờ các phép chiếu tuyến tính một lớp, với việc khử nhiễu lặp đảm nhiệm công việc sinh. Bài báo mô tả nó như một Mixture-of-Transformers kết hợp attention chia sẻ với các tham số riêng theo tác vụ. Nó xử lý văn bản sang hình ảnh, sinh văn bản có điều kiện hình ảnh, hiểu có điều kiện video và sinh video, bao gồm văn bản sang video ở 96 khung hình, 24 fps và bốn giây.

Dấu vết xung quanh nó kéo dài khoảng bốn tuần, tất cả đều im ắng. Kho lưu trữ GitHub nv-tlabs/PixelUMMđược tạo vào ngày 4 tháng 9 năm 2026 theo Apache-2.0 và chỉ có một commit duy nhất trong phần lớn tháng. Vào ngày 28–29 tháng 9, commit đầu tiên được đưa lên và arXiv gán preprint 2609.38597, với danh sách tác giả trải rộng khắp NVIDIA và Đại học Waterloo. Bản thân kho lưu trữ mô hình xuất hiện lúc 21:40 UTC ngày 1 tháng 10, tám phút sau một commit GitHub cuối cùng bổ sung trích dẫn bài báo. Bài báo không có dòng thông tin hội nghị nào — không có hội nghị, không có "accepted to" — điều này gợi cảm giác như một nhóm nghiên cứu đang đưa một artifact lên trực tiếp thay vì ra mắt sản phẩm, dù đó là quan sát về bằng chứng chứ không phải khẳng định về ý định.

MiniCPM-V 4.7 35B 35B là gì

MiniCPM-V 4.7 35B-A3B là mô hình MoE đầu tiên của OpenBMB trong dòng MiniCPM-V: 256 chuyên gia với 8 chuyên gia hoạt động trên mỗi token, 40 lớp, cửa sổ ngữ cảnh 262.144 token và từ vựng 248.144 token, cho khoảng 3B tham số hoạt động trên tổng số 35,2B. Phần thị giác chạy qua mô-đun SigLIP2 với nén sớm bên trong ViT của LLaVA-UHD v4 và chế độ nén token thị giác hỗn hợp 4x/16x có thể chọn — mặc định là 16x để tối ưu thông lượng, 4x khi cần chi tiết mịn. Nó hiểu ảnh đơn, nhiều ảnh và video, đồng thời trả lời bằng văn bản. Nó không tạo ra hình ảnh.

Tuyên bố nổi bật trên thẻ là đây là mô hình MoE mã nguồn mở đầu tiên có khả năng suy luận trên thiết bị liền mạch, không mất mát, được mang lại nhờ Lookahead Expert Scheduling, lượng tử hóa theo từng lớp với độ chi tiết mịn và lấy mẫu suy đoán thông qua các bản nháp DSpark riêng biệt, với tốc độ được báo cáo là hơn 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 điều kiện bổ sung. Thẻ cũng tuyên bố điểm tổng thể ở chế độ Instruct cao hơn Qwen3.6 35B-A3B trong thời gian suy luận ít hơn — một tuyên bố xuất hiện bên trong một hình ảnh biểu đồ, nghĩa là nó không phải là một con số có thể trích dẫn và không nên được coi như vậy.

Điểm mà MiniCPM-V 4.7 vượt trội một cách không thể tranh cãi không nằm trên bất kỳ bảng điểm nào, mà nằm ở dàn hỗ trợ xung quanh, tất cả đều có thật và có thể tải xuống: trọng số base, FP8, int4, AWQ, GPTQ và GGUF; hỗ trợ trên SGLang, vLLM, llama.cpp, Ollama và OpenVINO; ứng dụng iOS, Android và HarmonyOS; cùng Rockchip, Houmo, Intel, AMD và Arm được liệt kê cho silicon ngay ngày đầu. Sáu tuần trước, lời chỉ trích trung thực dành cho mô hình này là nó là một checkpoint không có tài liệu. Điều đó không còn đúng nữa — nó là một checkpoint có tài liệu nhưng không có benchmark. Một vấn đề khác, và nhỏ hơn.

Lập luận về kiến trúc ẩn đằng sau sự so sánh

Hai mô hình bất đồng với nhau ở một điểm mang tính nền tảng, và điểm đó đáng được gọi tên vì nó là phần của cuộc so tài này có tuổi thọ lâu hơn cả hai mô hình.

• Cách thị giác truyền đến mô hình ngôn ngữ — PixelUMM sử dụng điểm ảnh thô và một phép chiếu tuyến tính duy nhất, không có bộ mã hóa thị giác tiền huấn luyện nào trong toàn bộ hệ thống; MiniCPM-V 4.7 sử dụng bộ mã hóa SigLIP2 với nén sớm bên trong ViT và tỷ lệ hạ mẫu có thể cấu hình.

• Cách quá trình sinh diễn ra — PixelUMM dự đoán các pixel một cách lặp lại thông qua một đầu flow-matching được huấn luyện chung với dự đoán văn bản tự hồi quy; MiniCPM-V 4.7 chỉ sinh văn bản và không sinh gì khác.

• Điều đó đem lại gì — PixelUMM có được một bộ trọng số vừa mô tả được một hình ảnh vừa tạo ra được một hình ảnh, đổi lại là giấy phép chỉ dành cho nghiên cứu và không có thẩm định trong môi trường sản xuất; MiniCPM-V 4.7 có được một mô hình nhỏ, có thể lượng tử hóa, triển khai được trên điện thoại, có thể đọc hiểu thế giới nhưng không thể vẽ lại nó.

• Số lượng tham số — 15,2B dạng gần dense so với tổng 35,2B với 3B hoạt động. Số lượng tham số hoạt động mới là đại lượng dự đoán chi phí suy luận, và xét trên trục đó, mô hình MiniCPM là mô hình nhỏ hơn trong hai mô hình, nhỏ hơn một bậc độ lớn.

• Trọng số trên đĩa — kho chứa của PixelUMM có 491 tệp thuộc bốn biến thể checkpoint; bản dựng cơ sở của MiniCPM-V 4.7 gồm mười sáu mảnh BF16 với dung lượng khoảng 70 GB.

• Giấy phép — Apache-2.0 so với NVIDIA One-Way Noncommercial đối với checkpoint, trong đó Apache-2.0 chỉ áp dụng cho mã nguồn của PixelUMM và phần nền Qwen3-8B được cấp phép Apache-2.0 riêng. Thẻ (card) của PixelUMM cũng lưu ý rằng nó bao gồm mã đã chỉnh sửa có nguồn gốc từ BAGEL, vì vậy các điều khoản thượng nguồn cũng được áp dụng thêm.

• Đánh giá công khai — không có, ở cả hai phía. MiniCPM-V 4.7 ít nhất cũng đưa ra những tuyên bố về hiệu năng; còn thẻ của PixelUMM thì không nêu bất kỳ con số benchmark nào.

Cái nào bạn thực sự có thể đặt trước mặt người dùng

Cân nhắc cả giấy phép lẫn câu chuyện triển khai cùng nhau, và lựa chọn phần lớn sẽ tự nó thành hình.

PixelUMM là một hiện vật nghiên cứu thú vị hơn và là một sản phẩm ít dùng được hơn. Một checkpoint phi thương mại chặn đứng những ứng dụng thương mại hiển nhiên, không có công thức triển khai nào trên model card, không có bản lượng tử hóa, không có con số về độ dài ngữ cảnh, và 83 lượt thích so với 0 lượt tải xuống được ghi nhận nghĩa là hầu như không ai ngoài nhóm tác giả đã chạy nó. Giá trị của nó hiện tại nằm ở chỗ là một lập luận mạnh mẽ, đã được công bố rằng các bộ mã hóa thị giác có thể là không cần thiết trong các mô hình hợp nhất. Lập luận đó đáng để theo dõi dù bạn có bao giờ tải trọng số hay không.

MiniCPM-V 4.7 là mô hình có lộ trình đưa vào sản xuất, và lộ trình đó hẹp nhưng có thật. Apache-2.0 loại bỏ câu hỏi về giấy phép. Sáu định dạng lượng tử hóa và năm runtime suy luận nghĩa là bạn không phải tự viết kernel tùy chỉnh. Hai GPU trở lên cho bản chưa lượng tử hóa là rào cản; các bản lượng tử hóa và câu chuyện trên thiết bị là giải pháp thay thế, và tuyên bố trên thiết bị chính là điều chưa được kiểm chứng độc lập. Hãy coi nó như một mô hình bạn có thể chạy ngay hôm nay và một tuyên bố về hiệu năng mà bạn chưa thể đặt cược vào.

Với những đội mà câu trả lời là "không cái nào cả, chúng tôi sẽ gọi một thứ gì đó", phương án hosted gần nhất tương đương với hình dạng của MiniCPM là Qwen3.6 35B A3B — cùng tổng 35B, cùng 3B active, cùng ngữ cảnh 262K, cùng khả năng tiếp nhận văn bản-hình ảnh-video — và nó được phục vụ qua OrcaRouter ở đúng giá niêm yết của nhà cung cấp, không cộng thêm phí, 0,25 đô la cho mỗi triệu token đầu vào và 1,48 đô la cho mỗi triệu token đầu ra, kèm tính năng chuyển đổi dự phòng tự động nếu một tuyến nhà cung cấp bị suy giảm. Đó không phải là phương án thay thế cho mô hình nào trong hai mô hình được nói đến trong bài viết này; nó chính là nhóm đối chứng cho bạn biết việc tự vận hành một MoE đa phương thức thưa 70 GB thực sự mang lại cho bạn điều gì.

Nơi điều này kết thúc

Bỏ kiến trúc ra, bạn chỉ còn lại hai bản phát hành âm thầm hướng theo hai hướng ngược nhau. NVIDIA công bố một sản phẩm đạt chuẩn bài báo dưới một giấy phép ngăn hầu hết mọi người sử dụng nó, cùng một kho lưu trữ không có công thức, không có benchmark và không có lượt tải xuống. OpenBMB công bố một mô hình đa runtime có tài liệu đầy đủ, được cấp phép theo kiểu giấy phép thông thoáng, với một tuyên bố hiệu quả đầy sức thuyết phục và không có bảng đánh giá nào để chống lưng.

Điều duy nhất có thể khép lại từng câu hỏi: với PixelUMM, bất kỳ bản tái tạo độc lập nào — 0 lượt tải nghĩa là không hề tồn tại điểm dữ liệu bên ngoài nào, và luận điểm không dùng bộ mã hóa đúng là kiểu tuyên bố sẽ hoặc đứng vững hoặc sụp đổ ngay khi tiếp xúc với bản triển khai thứ hai. Với MiniCPM-V 4.7, đó là một bảng benchmark, hoặc độ dài chấp nhận được tái tạo trên bản nháp DSpark, vốn là phần duy nhất của dòng họ này có số liệu được công bố. Cả hai đều chưa tồn tại. Cả hai chính là lý do hai mô hình này vẫn đáng theo dõi thay vì xếp lại — chúng đang ở giai đoạn đầu trong đời sống công khai hơn so với mức độ đưa tin gợi ý, và cả hai đều chưa từng được phòng thí nghiệm tạo ra chúng gọi là một bản ra mắt.