MiniCPM-V 4.7 35B-A3B 与 InternLumina U2：两艘沉默之船，两种截然相反的答案

MiniCPM-V 4.7 35B-A3B 和 InternLumina-U2 的权重出现时，都没有任何发布公告。二者都是开放权重，都来自中国实验室，都是各自团队今年推出的最大多模态发布，并且都悄无声息地登上了模型库——没有博客文章，没有主题演讲，也没有发布日。相似之处到此为止。MiniCPM-V 4.7 35B-A3B 读取图像并以文本作答；InternLumina-U2 不仅读取图像、以文本作答，还能绘制新图像、编辑图像并渲染 3D 资产。一个被设计得足够小，可以装进手机；另一个则是 160 亿参数的扩散研究模型，离能装进手机差得远。并排来看，它们不是同一类别下的两个条目——而是对“视觉语言模型究竟为何而存在”这一问题的两种不同回答，在五周之内先后发布，却无人关注。

这里可知的信息界限分明。下文关于 MiniCPM 一侧的一切都来自代码仓库、模型卡和配置文件，这些任何人都能查阅。InternLumina 一侧的一切则来自该实验室自己的模型卡及其已公布的目录树；该模型卡自身的基准测试部分标注为“初步、部分结果”，完全没有任何数字。两个模型都未经独立评估，本文中的任何内容都不构成发布：OpenBMB 直到 10 月 12 日才将 MiniCPM-V 4.7 称为发布，而就公开记录来看，上海人工智能实验室尚未将 InternLumina-U2 称为发布。

两艘安静的船，相隔五周

MiniCPM-V 4.7 文件夹首次出现在 Hugging Face 上是在 2026 年 10 月 6 日；该 Hub 现在报告的创建时间戳是 10 月 7 日，而该仓库最后一次被改动是在 10 月 12 日。InternLumina-U2 仓库创建于 9 月 1 日。这两个日期都没有附带任何公告。但此后两者的演变情况不同，而这种差异正是这次比较中最有用的信息。

InternLumina-U2 shipped on 1 September as code only. That version was an inference harness, a README and a promise — the weights were "coming soon", the Hugging Face repository held a single .gitattributes file, and the technical report was marked as forthcoming. That is no longer true. The repository now carries two complete hardware-specific checkpoints, one under ascend/ and one under nvidia/, each with seven safetensors shards, its own remote-code module, a parallel plan and a tokenizer. The weights landed quietly and nobody updated the story. As of this writing the repository sits at 16 likes and zero recorded downloads, and the technical report is still not out.

MiniCPM-V 4.7 则走向了另一边。它在十月以权重形式发布时没有模型卡——文件夹里没有 README，没有许可证标签，也没有基准测试，这与此前我们那篇报道所记录的完全一致。十天后，它前三样全都有了，却依然没有最后一样：一份 Apache-2.0 许可证、一份包含使用指南的完整模型卡，以及一个带有数字的声明部分，但没有任何可供读者引用的评测表。因此，对两者准确的总结是：在这两种情况下，文档都是在权重发布之后才出现的，中间没有任何公告。

InternLumina-U2 究竟是什么

这张卡片介绍了一个拥有 160 亿参数、10 亿激活参数的混合专家模型——写作 16B-A1B——它被构建为多码本扩散大语言模型。真正关键的说法是“完全离散”：InternLumina-U2 的核心赌注是，语言与视觉应当共享同一套 token 词表，而不是分处各自独立的理解与生成技术栈之中；并且早期统一模型的瓶颈正是视觉词表本身。它的答案是建立在 AToken 之上的八码本离散视觉表示，正是这一点让同一套权重既能解读图像，又能合成图像。

这个范围在设计上本就很宽：文本问答、最高 1024×1024 的文本到图像生成、对自然图像和密集图表的图像理解、带可选双 CFG 模式的基于指令的图像编辑、对采样帧的视频理解，以及对 GLB 和 GLTF 资产的 3D 理解。3D 这条路径是最特殊的一个，也是最有趣的——资产在分词之前会通过一套内置的 Blender 管线渲染成颜色与深度视图，这是一种巧妙的方式，让图像模型无需学习几何就能用于几何任务。

有两个工程细节值得特别指出，因为它们并不寻常。首先，两个检查点都放在同一个仓库里，并按加速器划分：一个是在 Huawei NPU 上训练的 Ascend 构建，另一个是在 GPU 上训练的 NVIDIA 构建。这是针对出口和供应限制的有意对冲，也意味着“选哪个检查点”是 InternLumina-U2 用户必须最先回答的问题。其次，模型卡声明该模型采用 Apache-2.0，且没有任何附加限制——真正宽松，与 2026 年几个以仅限研究用途条款发布的多模态版本形成鲜明对比。

MiniCPM-V 4.7 35B-A3B 现在是什么

模型卡称其为 MiniCPM-V 系列中的首个 MoE，配置文件也证实了这一点：256 个专家，每个 token 激活 8 个，40 层，262,144 token 上下文窗口和 248,144 token 词表。视觉通过 SigLIP2 模块运行，采用 LLaVA-UHD v4 的 ViT 内早期压缩和混合 4x/16x token 压缩模式——默认 16x 以提升吞吐量，需要精细细节时用 4x，并在调用时选择。它能理解单张图像、多图集合和视频；以文本作答；不生成图像。

OpenBMB 以加粗形式提出的主张是，这是首个具备无损、流畅端侧推理能力的开源 MoE 模型，其实现依赖于三项具名技术：前瞻专家调度（Lookahead Expert Scheduling）、细粒度逐层量化，以及通过独立的 DSpark 草稿模型进行的投机采样。与之相关的数字是在 iPhone 17 Pro Max 上每秒 13+ 个 token。该数字由厂商报告，未经复现，也未附带限定条件——没有量化格式，没有构建版本，没有提示词，没有测量方法。该模型卡还声称，在 Instruct 模式下，该模型以更少的推理时间获得了比 Qwen3.6 35B-A3B 更高的总体得分；而这一说法存在于一张图表图片中，而非表格里，这意味着它不能作为数字引用，也不应被当作数字对待。

不算宣称的是分发工作，而这才是值得关注的现实理由。Base、FP8、int4、AWQ、GPTQ 和 GGUF 权重都已存在；SGLang、vLLM、llama.cpp、Ollama 和 OpenVINO 均获支持，并在首日就已加入；MiniCPM-V-Apps 仓库下已有 iOS、Android 和 HarmonyOS 应用；而 Rockchip、Houmo、Intel、AMD 和 Arm 都被列为首日支持的芯片。六周前，对这款模型的批评是它是一个没有文档的检查点。这一批评如今已经过时——它是一个有文档、但没有基准测试的检查点，而这是另一个、也更小的问题。

这两个，逐一维度

• 它在处理图像时能做什么——MiniCPM-V 4.7 35B-A3B 会读取图像并以文本作答；InternLumina-U2 会读取图像、以文本作答、生成新图像、编辑现有图像，并解读 3D 资产。

• 架构——一个35.2B参数、激活3B的自回归稀疏MoE，对比一个16B-A1B多码本离散扩散模型。属于不同的家族，而不是同一家族的不同规模。

• 输入模态 — 文本、图像和视频 vs 文本、图像、视频和 3D。

• 输出模态——仅文本对比文本加生成图像和编辑图像。

• 权重大小——约 70 GB 的 BF16，分布在 16 个分片中，相比之下每种硬件构建为 7 个分片，且发布了两遍。

• 许可证 — 两者均为 Apache-2.0。这是两者真正达成一致的唯一一个方面，而这一点很重要，因为在这个规模的生成模型上采用宽松许可证并不常见。

• 部署方案——量化构建、移动应用与五种推理运行时，对比一个远程代码模块和一个 shell 脚本，按加速器划分。

• 公开证据 —— 一张罗列供应商说法、却没有评估表的卡片，对比一张明确将其基准测试部分标注为初步、且其中未刊载任何内容的卡片。

它们之间的差距不在于质量，而在于种类

宣布一个赢家会令人满足，但那会是不诚实的。这两个模型之间没有共同的基准测试，也没有任何第三方对其中任何一个进行过测试，而且 MiniCPM-V 4.7 自己的评估表并不存在，而 InternLumina-U2 的评估表则被明确标记为不完整。今天任何给它们排名的人，排的其实是文档质量，而不是模型质量。

能公正比较的是证据链，而在这条链上，两者的失败方向恰好相反。InternLumina-U2 对架构讲了很多，对结果却几乎只字未提——一个引人入胜的设计，却没有展示出任何能力。MiniCPM-V 4.7 用文字叙述对结果讲了很多，却拒绝把它们作为数据发布，这使得其主张难以证伪，相应地也难以信任。前者是一件有前景的工具；后者是一件有前景的工具，只不过上面加了一层营销。

实际的解读由此而来。如果你需要的是一个能够接收截图、文档或视频并返回文本的模型，并且你想自己运行它，那么 MiniCPM-V 4.7 就是那个已经提供部署方案、六种运行时以及你今天就能下载的量化权重。如果你需要的是一个用同一套词汇表理解和生成图像的模型——用于编辑流水线、合成数据，或对统一 token 空间的研究——那么 InternLumina-U2 是两者中唯一尝试做到这一点的，而在九月代码发布之后出现的第二个检查点文件夹，正是这项研究仍在推进的第一个迹象。

如果你只是想尽快交付某个东西，这意味着什么

这两者都是你自己下载并自行提供服务的文件。MiniCPM-V 4.7 35B-A3B 和 InternLumina-U2 都没有出现在 OrcaRouter 的托管目录中，所以这里没有任何一条路能让你把它们当作端点来调用，我们的任何文章都不应被解读为在暗示相反的意思。在这种情况下，路由器真正有用的地方，是这项工作的另一半：当你的流水线需要一个你不想自己托管的模型时。OrcaRouter 把200 多个托管模型放在同一个密钥之后，按各家提供商的标价原样透传，不加我们自己的任何加价，并在提供商性能下降时自动故障转移——因此，一个在本地运行 MiniCPM-V 4.7 做大批量文档理解的团队，可以把那些难处理的页面交给托管模型来处理，而无需第二份合同或第二个 SDK。

与这一形态最接近的托管模型是 Qwen3.6 35B A3B——同样是 35B 总参数、3B 激活参数，同样具备 262K 上下文，同样支持文本、图像和视频输入并以文本输出——按成本价提供，每百万输入 token 0.25 美元、每百万输出 token 1.48 美元。这是一个真正有用的对照组：如果你的决策是在自托管一个 70 GB 的稀疏多模态 MoE 和调用一个等效模型之间做选择，那么第二个选项今天下午就能衡量，而第一个不能。

什么会改变这个比较？

两份文件就能解决大部分问题。来自 OpenBMB 的基准表会把 MiniCPM-V 4.7 从一句宣称变成一个数据点，而 DSpark 草稿模型——这个系列中唯一有已公布数字的部分，其形式是每步接受的 token 数——是获得首个独立数字的最廉价外部途径。来自上海人工智能实验室的技术报告对 InternLumina-U2 也能起到同样作用，而且这将是任何人第一次看到其八码本词表与任何东西进行评分比较。

在那之前，诚实的立场是这样的：这两者当中，一个你可以部署，另一个你只能研究。这句话很可能不出一个月就不再成立，而这也正是为什么这两个模型都不该被归为雾件、束之高阁——它们只是在公开生命历程中比那些关于它们的文章所暗示的更早而已。