MiniCPM-V 4.7 对比 Microsoft Mage-VL：关于视觉模型单帧成本应为几何，两种截然不同的押注

MiniCPM-V 4.7 和 Microsoft Mage-VL 都是声称能帮你节省 token 的视觉语言模型，但它们通过相反的路径实现这一点。Microsoft 于 2026 年 7 月 25 日发布的 Mage-VL 从视频侧入手：它借鉴视频编解码器的结构，保留每个锚帧的 patch，并且只保留预测帧中真正携带运动的 patch，还声称相比均匀帧采样，视觉 token 减少超过 75%，实际运行速度最高可提升 3.5 倍。OpenBMB 于 2026 年 10 月 6 日上传的 MiniCPM-V 4.7 则从序列侧入手：一个 352 亿参数的稀疏 MoE，其 40 层中有 30 层走线性注意力路径，这使其 KV 缓存在 256K 上下文中缓慢增长。一个模型压缩它所看到的内容。另一个模型压缩它所记住的内容。而且只有其中一个附带了任何可供你评估的东西。

每一个是什么

Microsoft Mage-VL 是一个编解码器原生、主动流式的多模态基础模型，规模为 4B，以 Apache-2.0 许可发布，并附有技术报告和大量评估部分。它的构建有意针对作者所称的 VLM 的莫拉维克悖论——擅长离线推理，但在实时感知方面缓慢。视觉编码器 Mage-ViT 完全从零开始训练，基于约 1 亿张未标注图像和视频，而不是从网络预训练的 ViT 初始化；整个技术栈中唯一预训练的组件是 Qwen3-4B-Instruct-2507 语言主干。完整检查点是一个单一统一模型，无需单独变体即可完成图像理解、离线视频推理和事件门控流式评论；以及配套的 microsoft/Mage-ViT 发布单独提供该编码器。自发布以来，它已累计约 10,600 次下载和 420 个赞。

MiniCPM-V 4.7 是 openbmb/MiniCPM-V-4.7-35B-A3B，一个 35,212,875,824 参数的 BF16 检查点，分为十六个分片，总计 70.4 GB，由 Transformers 5.2.0 写入，并于 2026 年 10 月 6 日上传，且没有模型卡。

其文本配置标记为qwen3_5_moe_text，包含 256 个专家、每个 token 激活 8 个；其 layer_types 数组在 40 层中每三层线性注意力层对应一层全注意力层；其视觉塔为自研的 minicpmv4_7_vision，共 27 层，采用 16× 下采样，最多支持九张图像切片。上下文长度为 256K。该仓库下载量为零、有三个赞、没有任何基准测试，也没有许可证。

读者可以核对的六行

双方采用同样的六个维度。若某个数字不存在，空缺则保持可见。

• 参数 — Mage-VL：4.74B，稠密，每个 token 全部激活。MiniCPM-V 4.7：总计 35.2B，稀疏，每个 token 使用 256 个专家中的 8 个。MiniCPM 的这个数字与稠密模型不可相提并论。

• 许可证 — Mage-VL：Apache-2.0，在模型卡和仓库标签中已注明。MiniCPM-V 4.7：未声明任何内容。

• token 节省从何而来 —— Mage-VL：编码器端的视觉 token 稀疏化，与编解码器对齐，声称减少超过 75%。MiniCPM-V 4.7：解码器端的线性注意力，它能缩小长序列中 KV 缓存的增长，但不会减少你输入给它的 token。

• 上下文 — Mage-VL：经过长上下文训练阶段，在 35 万段视频上以最长 384 或 768 帧的滚动编解码窗口进行训练。MiniCPM-V 4.7：max_position_embeddings: 262144。

• 视觉编码器来源——Mage-VL：从零开始训练，使用约 1 亿帧无标注数据；其模型卡报告在 256 个 token 下 ImageNet 达到 85.69%，且随 token 预算增加呈单调提升。MiniCPM-V 4.7：沿用 MiniCPM-V 4.6 设计同源的视觉塔，保持相同的 1152 隐藏维度、27 层结构，并默认采用 16 倍下采样。

• 证据——Mage-VL：一份完整成绩单，DocVQA 95.14、InfoVQA 80.33、OCRBench 81.80、ChartQAPro 32.57、MMStar 67.32、CV-Bench-3D 94.75，并且相较 Qwen3-VL-4B 有 +53.1 的 CrossPoint 差距，全部为厂商报告，且基于匹配的骨干网络。MiniCPM-V 4.7：无。

• 流式行为 — Mage-VL：一个认知门控，为每个滚动窗口打分，并在事件完成前保持静默，在约 330 万个流式样本上训练。MiniCPM-V 4.7：任何地方均未描述。

关于 Mage-VL 的数字，所有人都会搞错的那部分

Mage-VL 模型卡的基准测试表格很有说服力，而其中最亮眼的也最容易被误读。对比行将 Mage-VL-4B 与 Qwen3-VL-4B、Phi-4-Multimodal-Instruct 和 Phi-4-Reasoning-Vision 放在一起较量，而那些最引人注目的提升——QVHighlight 上 +22.5、VideoEval-Pro 上 +24.5、CrossPoint 上 +53.1——之所以说它们真实，是因为它们确实出现在厂商的表格里。它们同时也是厂商自家的测量结果，由训练该模型的团队在同一套评测框架上得出。尚无独立第三方复现这些结果。对于一个四个月大的模型来说，这很正常，也并非贬低，但这确实意味着正确的动词是“报告”，而不是“得分”。

除了表格之外，还有两点值得肯定。首先，匹配骨干的设计——固定 Qwen3-4B 解码器，只替换 ViT——是比排行榜名次更清晰的证据，因为它隔离考察的是视觉栈，而不是整个系统。其次，Mage-ViT 的训练语料约为 1 亿无标注帧，而网页预训练编码器使用的是数十亿图文对，因此，在聚类判别上匹配 SigLIP2-at-10B 级行为，是一个关于数据效率的具体、可核查的主张，而非泛泛的自夸。

MiniCPM-V 4.7 完全没有这些。不是更弱的版本——完全没有。

不存在任何表格，无论是供应商提供的还是其他来源的；而描述该架构的配置文件明确不包含任何关于准确性的说明。

架构：同一个问题的两种答案

两个模型都在试图回答“如何让多模态推理变得廉价”，而这一对比颇具启发性，因为这两种答案相互补充而非彼此竞争。

Mage-VL 会缩减输入。其 16×16 图块网格在锚定帧和预测帧之间共享，而预测帧只贡献编解码器正在花费比特的图块——也就是运动和新细节所在之处。结果是每帧产生可变长度的 token 流，这就是为什么该技术栈需要一个投影器，能将可变序列交给因果解码器，也是为什么同一接口无需重新训练就能接受 H.264/HEVC 运动矢量或神经编解码器学习到的码率图。然后，3D 旋转编码在稀疏性中保持时空位置一致。token 预算就是被管理的量。

MiniCPM-V 4.7 会缩减状态。其线性注意力层保持固定大小的循环状态，而不是不断增长的键值缓存，因此长对话的内存开销不再随 token 数量线性增长。其序列预算正是被管理的量，而 256K 上下文则是回报。值得注意的是，MiniCPM-V 4.7 的配置宣称了 16 倍视觉下采样——它也会压缩输入——但对于是否保留 MiniCPM-V 4.6 所暴露的可切换 4 倍模式却只字未提。

简而言之：Mage-VL 的技巧在视频上见效，因为大多数帧与相邻帧几乎相同。MiniCPM-V 4.7 的技巧在长文档和长多轮会话中见效，因为 token 会不断累积。一个先接入实时流、再围绕它展开长时间对话的流水线，将同时受益于两者，而目前这两个模型都还没有承担对方的工作。

将它们接入真实的工作流

Mage-VL 如今已可实际尝试：一个检查点、有文档记录的架构、Apache-2.0，以及一张说明该仓库包含哪些内容的卡片。它自 7 月发布以来，围绕它的工具链已有时间沉淀稳定。

出于一些乏味的原因，今天并不适合实际试用 MiniCPM-V 4.7。BF16 下 70 GB 且未量化，意味着所需加速器内存你多半并没有闲置；而缺少许可证，意味着你究竟能否使用它都尚无定论。自定义代码路径需要 trust_remote_code，而 MoE 加线性注意力的组合在你的服务栈中是否有可用内核，也尚未经过验证。

对两者都成立的一点是，自托管视觉模型只是一个系统中的组件，而这个系统还必须调用前沿模型。这正是应该把托管的那一半放在单一路由器之后，而不是再签一份合同和第二个 SDK 的原因：OrcaRouter 用一个密钥即可访问 200 多个模型，按各提供商的标价原样透传、不加入我们的加价，并在提供商服务降级时自动故障转移。Mage-VL 和 MiniCPM-V 4.7 都不是该服务上的托管模型——两者都是你自行部署的权重——所以请把这视为交接远端的基础管线，而不是任一模型的可用性通道。

判决

Mage-VL 是一个已完成、已获授权、已通过基准测试的模型，其设计理念具体而论证充分；支持它的理由立足于视频流式传输与空间推理——在这些场景中，其编解码原生的编码器所做的事在结构上与其他所有方案都不同。MiniCPM-V 4.7 则是一个规模更大、尚未授权、未经评测的检查点，其设计理念尚可读懂，但其行为表现还是一片空白。就读者今天能够据以行动的一切而言，Mage-VL 默认胜出——不是因为它更好，而是因为两者之中只有它能被评判。等 MiniCPM-V 4.7 的 README 出现时，再来重新审视这一比较；如果那一天带来了基准测试和许可证，那么有意思的问题将是：在长视频上，256K 上下文的线性注意力 MoE 能否击败编解码原生的稀疏编码器，而这是一场真正开放的对决。