Molmo2-4B so với MiniCPM-V 4.7: Cả hai mô hình đều không nằm ở vị trí mà bạn tưởng.

Cặp đối đầu trong tiêu đề không tồn tại trong trọng số. Molmo2-4B là một checkpoint 4,85B duy nhất. MiniCPM-V 4.7 không phải một mô hình mà là hai, và cả hai đều không phải 4B: một biến thể dense 1,55B được xây dựng cho điện thoại và một biến thể mixture-of-experts 35,2B với khoảng 3B tham số hoạt động và ngữ cảnh 262.144 token. Vì vậy, một độc giả tìm kiếm "Molmo2-4B vs MiniCPM-V 4.7" thực ra đang đặt một câu hỏi ba chiều — liệu vị trí 4B có đáng chiếm chỗ hay không, hay bạn hạ xuống 1B để có kích thước nhỏ gọn hơn hoặc nâng lên MoE để có năng lực cao hơn? Đó là một câu hỏi hữu ích hơn câu hỏi đã được gõ ra, và nó có câu trả lời rõ ràng hơn. Một quyết định ba mô hình là một bài toán định tuyến trước khi nó là một bài toán mô hình hóa. DSL định tuyếnkết hợp nhiều mô hình vào một lệnh gọi thay vì một hợp đồng cho mỗi mô hình.

Ngày tháng cũng quan trọng ở đây, vì cả hai mô hình thường được mô tả là mới hơn so với thực tế. Molmo2-4B được Allen Institute for AI công bố vào ngày 11 tháng 12 năm 2025, với trọng số trên Hugging Face từ ngày 14 tháng 12. Trọng số của MiniCPM-V 4.7 được đưa lên vào ngày 6 và 7 tháng 10 năm 2026, thẻ mô hình theo sau vào ngày 12 tháng 10 và một thông cáo báo chí tiếng Anh từ ModelBest và OpenBMB vào ngày 15 tháng 10. Thay đổi gần đây ở phía Molmo không phải là một mô hình mới: Molmo2 đã trở thành kiến trúc gốc trong Transformers thượng nguồn khi PR #43451 được hợp nhất vào ngày 9 tháng 10 năm 2026 và được phát hành trong v5.20.0 vào ngày 15 tháng 10, và vào ngày 5 tháng 11, Ai2 đã công bố một bản tinh chỉnh Molmo2-4B cho một giàn thử nghiệm robot. Hãy coi một trong hai điều đó là lý do để xem lại mô hình. Cả hai đều không phải là một buổi ra mắt.

Ba điểm kiểm tra, ba vị trí trên đường cong

Tham số — Molmo2-4B là 4,85B; MiniCPM-V 4.7-1B là 1,55B; MiniCPM-V 4.7-35B-A3B có tổng 35,2B với khoảng 3B hoạt động trên mỗi token.

Kiến trúc — Molmo2-4B là một tháp SigLIP 2 được gắn vào Qwen3-4B-Instruct-2507; cặp MiniCPM-V 4.7 sử dụng nén sớm bên trong ViT từ LLaVA-UHD v4 với nén token thị giác hỗn hợp 4x/16x, và biến thể 35B là MoE đầu tiên trong dòng MiniCPM-V.

• Ngữ cảnh — 36.864 vị trí cho Molmo2-4B; 262.144 token cho cả hai biến thể MiniCPM-V 4.7.

• Phương thức — Molmo2-4B xử lý hình ảnh, nhiều hình ảnh và video, đồng thời xuất ra tọa độ chỉ điểm trong không gian ảnh 0–1000; MiniCPM-V 4.7 xử lý ảnh đơn, nhiều ảnh và video, và trả lời bằng văn bản.

• Giấy phép — Molmo2-4B áp dụng Apache 2.0 cho phần trọng số, kèm cảnh báo trên card rằng dữ liệu huấn luyện của nó chỉ được dùng cho mục đích nghiên cứu học thuật và phi thương mại; cả hai biến thể MiniCPM-V 4.7 đều áp dụng Apache 2.0.

• Phân phối — Molmo2-4B là safetensors float32, 19,42 GB, bốn shard, không có bản lượng tử hóa chính thức; MiniCPM-V 4.7 có các biến thể GGUF, int4, AWQ, GPTQ, FP8 và DSpark ở cả hai kích thước.

Hàng phân phối mới là thứ quyết định các dự án thực tế. Một ngữ cảnh 262.144 token chỉ hữu ích nếu bạn đủ khả năng giữ nó, và OpenBMB đã làm phần việc kém hào nhoáng là công bố các định dạng lượng tử hóa mà người ta thực sự triển khai — bản 1B GGUF chính thức ở Q4_K_M nặng 672 MB, chính là khác biệt giữa một bản demo và một thứ chạy được trên thiết bị bạn đã có sẵn.

Nơi 4B thực sự chiếm ưu thế

Trường hợp của Molmo2-4B dựa vào hai điều mà cặp MiniCPM-V 4.7 không làm theo cùng một cách: chỉ điểm như một đầu ra hạng nhất, và theo dõi video kèm dấu thời gian.

Định dạng pointing là một điểm số trong tọa độ 0–1000, được bọc trong một thẻ mà model card cung cấp regex cho nó. Pointing đa ảnh được làm phẳng thành danh sách các bộ ba chỉ số khung hình, x, y. Đó là một hợp đồng khác với "mô tả vị trí của đối tượng", và nó thay đổi những gì bạn có thể xây dựng: pipeline cắt ảnh, theo dõi vùng quan tâm, vòng lặp đếm-rồi-xác minh, và bất kỳ quy trình nào mà một giai đoạn hạ nguồn cần tọa độ thay vì một câu.

Video là nơi ngân sách tham số được dồn vào. Thẻ của Ai2 liệt kê video captioning QA, video subtitle QA, video pointing, video tracking và hai bộ multi-image pointing trong dữ liệu huấn luyện của mình, còn bộ tiền xử lý video được phát hành mặc định dùng 384 khung hình ở 2 fps với kích thước 378×378 và pooling 3×3. MiniCPM-V 4.7 có hỗ trợ video — OpenBMB báo cáo LongVideoBench đạt 68,9 cho bản 35B-A3B và 53,4 cho bản 1B — nhưng trên nhánh đó nó là mô hình xuất văn bản, và một video dài sẽ cạnh tranh với prompt cho cùng một ngân sách token.

Nơi MiniCPM-V 4.7 chiến thắng, hai lần

Ở cuối dải sản phẩm, 1B là một lớp đối tượng khác. Với 1,55 tỷ tham số, nó có kích thước bằng khoảng một phần ba Molmo2-4B, chạy trên llama.cpp và Ollama, và OpenBMB báo cáo OCRBench 86,1, MathVista 74,3 và CharXiv 48,8 cho nó. Đó là các con số của nhà cung cấp trên một bộ đánh giá do nhà cung cấp lựa chọn, và nên được hiểu theo cách đó — nhưng một mô hình 1,55B thực hiện OCR toàn trang một cách đáng tin cậy là một quyết định thu mua thực sự khác với một mô hình 4,85B cần GPU.

Ở đầu cao của dải, 35B-A3B khiến câu hỏi về 4B trở nên hẹp hòi. Các con số công bố của OpenBMB cho nó bao gồm MMMU 80,2, OCRBench 91,2 ở 4x token thị giác và 90,40 ở 16x, CharXiv 75,6, LongVideoBench 68,9, MathVerse 86,5 và MathVista 88. Nó cũng tuyên bố một điều thú vị hơn cả một benchmark: với Lookahead Expert Scheduling, lượng tử hóa theo từng lớp và lấy mẫu suy đoán DSpark, 35B-A3B giải mã với tốc độ 13+ token/giây trong khoảng 3 GB bộ nhớ trên một chiếc iPhone 17 Pro Max. Hãy coi đó là tuyên bố của nhà cung cấp về một chuỗi công cụ cụ thể chứ không phải thuộc tính chung của mô hình — nhưng nếu nó đúng, nó loại bỏ lý do thông thường để ưu tiên một mô hình dense 4B trên thiết bị.

Tất cả những kết quả này đều do nhà cung cấp tự báo cáo. Cả OpenBMB lẫn Ai2 đều chưa công bố kết quả cho mô hình của mình trên bộ benchmark của bên kia, nên không có hàng nào ở trên là so sánh trực tiếp.

Menu triển khai chính là điểm khác biệt bị xem nhẹ.

MiniCPM-V 4.7 liệt kê SGLang, vLLM, llama.cpp và Ollama để suy luận, SWIFT và LLaMA-Factory để tinh chỉnh, cùng hỗ trợ day-0 cho Rockchip, Houmo, Intel, AMD và Arm. Thẻ của Molmo2-4B liệt kê Transformers với mã từ xa, một phụ thuộc molmo_utils riêng và decord2 cho video, còn tài liệu nền tảng của chính AI2 lại chỉ vào vLLM nightly thay vì bản ổn định. Khoảng cách đã thu hẹp vào tháng 10, khi hỗ trợ Transformers gốc xuất hiện trong v5.20.0 và yêu cầu mã từ xa trở thành tùy chọn, nhưng vẫn còn một khoảng cách: một dự án có ma trận lượng tử hóa, dự án kia có một bản phát hành nghiên cứu.

Đây là nơi định tuyến chứng minh được giá trị của mình chứ không chỉ là một khẩu hiệu. Một nhóm muốn dùng MiniCPM-V 4.7 1B trên thiết bị cho luồng rẻ và một mô hình lớn hơn cho luồng khó không cần hai hợp đồng để làm việc đó — DSL định tuyến tổ hợp nhiều mô hình sau một điểm cuối, và 0% cộng thêm nghĩa là giá niêm yết của nhà cung cấp chính là giá bạn trả, nên đợt giảm giá của nhà cung cấp có hiệu lực ngay trong cùng ngày. Điều đó còn quan trọng hơn đối với một quyết định ba mô hình như thế này so với một lựa chọn A-hoặc-B đơn thuần.

Làm thế nào để thực sự lựa chọn

Nếu ràng buộc là bộ nhớ, hãy chọn MiniCPM-V 4.7-1B. Không có gì trong gói Molmo2-4B tiến gần đến 672 MB, và không mức độ chính xác chỉ điểm nào có thể bù đắp cho một mô hình không vừa.

Nếu ràng buộc là năng lực trên mỗi đô-la và bạn có thể triển khai một MoE, hãy chọn MiniCPM-V 4.7-35B-A3B. Theo chính các con số của OpenBMB, nó ở một đẳng cấp khác so với cả hai mô hình nhỏ hơn, và số lượng tham số hoạt động giữ chi phí mỗi token gần với mô hình 3B hơn là 35B.

Nếu yêu cầu là tọa độ, hãy chọn Molmo2-4B. Điểm kèm dấu thời gian, chỉ điểm và theo dõi trên nhiều ảnh chính là lý do mô hình này tồn tại; không có nội dung nào trong tài liệu MiniCPM-V 4.7 mô tả một cam kết đầu ra tương đương.

Và nếu bạn thực sự cần một mô hình tổng quát cỡ 4B xử lý được hình ảnh, nhiều hình ảnh và video mà không phải tải xuống bản float32 19 GB, thì câu trả lời trung thực là cuộc so tài cụ thể này không có mô hình nào như vậy — Molmo2-4B là mô hình duy nhất trong so sánh ở vị trí đó, và nó bước vào với bộ công cụ triển khai mỏng nhất trong ba mô hình. Điều gì sẽ thay đổi điều đó: một Molmo2-4B lượng tử hóa chính thức, hoặc một MiniCPM-V cỡ 4B. Cả hai đều chưa tồn tại hôm nay.