Molmo2-4B 与 MiniCPM-V 4.7：两款模型的定位都和你以为的不一样

标题中的对决在权重里并不存在。Molmo2-4B 是单个 4.85B 检查点。MiniCPM-V 4.7 不是一个模型，而是两个，且都不是 4B：一个是为手机打造的 1.55B 稠密变体，另一个是 35.2B 的混合专家变体，约有 3B 激活参数和 262,144 token 上下文。因此，搜索“Molmo2-4B vs MiniCPM-V 4.7”的读者实际上在问一个三方问题——4B 这个位置到底值不值得占，还是为了占用空间降到 1B，或者为了能力升到 MoE？这比原本输入的问题更有用，答案也更清晰。 三模型决策首先是一个路由问题，其次才是建模问题。 路由 DSL 将多个模型组合成一次调用，而不是每个模型一份契约。

这里的日期也很重要，因为这两个模型经常被描述得比实际更新。Molmo2-4B 由 Allen Institute for AI 于 2025 年 12 月 11 日发布，其权重于 12 月 14 日上线 Hugging Face。MiniCPM-V 4.7 的权重于 2026 年 10 月 6 日和 7 日上线，模型卡随后于 10 月 12 日发布，ModelBest 与 OpenBMB 的英文新闻稿则于 10 月 15 日发布。Molmo 方面最近的变化并不是一个新模型：当 PR #43451 于 2026 年 10 月 9 日合并后，Molmo2 成为上游 Transformers 中的原生架构，并于 10 月 15 日在 v5.20.0 中发布；11 月 5 日，Ai2 发布了一个用于机器人测试平台的 Molmo2-4B 微调版本。可以把其中任何一项视为重新审视该模型的理由。两者都不是发布。

三个检查点，曲线上的三个位置

• 参数 — Molmo2-4B 为 4.85B；MiniCPM-V 4.7-1B 为 1.55B；MiniCPM-V 4.7-35B-A3B 总参数量为 35.2B，每个 token 约激活 3B。

• 架构 — Molmo2-4B 是将 SigLIP 2 塔接在 Qwen3-4B-Instruct-2507 上；MiniCPM-V 4.7 的两个版本采用了来自 LLaVA-UHD v4 的 ViT 内部早期压缩，并配合 4x/16x 混合视觉 token 压缩，而 35B 版本则是 MiniCPM-V 系列中首个 MoE。

• 上下文——Molmo2-4B 为 36,864 个位置；两个 MiniCPM-V 4.7 变体均为 262,144 个 token。

• 模态——Molmo2-4B 支持图像、多图像和视频，并在 0–1000 图像空间中输出指向坐标；MiniCPM-V 4.7 支持单图、多图和视频，并以文本作答。

• 许可证 — Molmo2-4B 的权重采用 Apache 2.0 许可，但其模型卡警告称，其训练数据仅限学术和非商业研究使用；MiniCPM-V 4.7 的两个变体均采用 Apache 2.0 许可。

• 分发形式 — Molmo2-4B 采用 float32 safetensors 格式，19.42 GB，分为四个分片，没有官方量化版本；MiniCPM-V 4.7 则提供 GGUF、int4、AWQ、GPTQ、FP8 和 DSpark 等多种变体，覆盖两种尺寸。

分发这一行才是决定真实项目的关键。262,144 token 的上下文只有在你负担得起保留它时才有用，而 OpenBMB 做了那些不起眼的工作——发布了人们实际部署的量化格式：官方 1B GGUF 的 Q4_K_M 版本为 672 MB，这正是演示与能在你已有设备上运行的东西之间的差别。

4B 真正胜出的地方

Molmo2-4B 的优势建立在两件 MiniCPM-V 4.7 这一对模型并未以同样方式做到的事情上：把指向（pointing）作为一等输出，以及带时间戳的视频跟踪。

指向格式是 0–1000 坐标系中的一个数值点，并包裹在模型卡随附正则表达式的标签中。多图指向会展平为帧索引、x、y 三元组的列表。这与“描述物体所在位置”是截然不同的约定，也改变了你能构建的内容：裁剪流水线、感兴趣区域追问、先计数再验证的循环，以及任何下游阶段需要坐标而非句子的工作流。

视频才是参数预算的去处。Ai2 的卡片将视频字幕问答、视频字幕问答、视频指向、视频跟踪以及两个多图像指向数据集列入其训练数据，而发布的视频预处理器默认采用 384 帧、2 fps、378×378 分辨率，并配合 3×3 池化。MiniCPM-V 4.7 确实支持视频——OpenBMB 报告称，35B-A3B 在 LongVideoBench 上为 68.9，1B 为 53.4——但在该路径上它是一个文本输出模型，而且长视频会与提示词争夺同一份 token 预算。

MiniCPM-V 4.7 两次胜出之处

在区间底端，1B 是完全不同类别的对象。它以 1.55B 参数约为 Molmo2-4B 规模的三分之一，可在 llama.cpp 和 Ollama 下运行，OpenBMB 报告其 OCRBench 为 86.1、MathVista 为 74.3、CharXiv 为 48.8。这些是厂商在厂商选定的评测框架上给出的数字，也应据此理解——但一个能可信地完成整页 OCR 的 1.55B 模型，与一个需要 GPU 的 4.85B 模型相比，确实是截然不同的采购决策。

在区间顶端，35B-A3B让4B这个问题显得格局狭小。OpenBMB为其公布的数据包括MMMU 80.2、OCRBench在4倍视觉token下91.2、16倍下90.40、CharXiv 75.6、LongVideoBench 68.9、MathVerse 86.5和MathVista 88。它还宣称了一件比基准测试更有意思的事：借助Lookahead Expert Scheduling、逐层量化和DSpark推测采样，35B-A3B在iPhone 17 Pro Max上以约3 GB内存实现13+ tokens/s的解码速度。应将其视为关于特定工具链的厂商声明，而非该模型的普遍特性——但如果属实，它就消除了通常偏好设备端稠密4B模型的理由。

以上数据均为厂商自行报告。OpenBMB 和 Ai2 均未在对方的基准测试套件上公布各自模型的结果，因此上表中没有任何一行是直接对比。

部署菜单才是那个被低估的差异。

MiniCPM-V 4.7 在推理方面列出了 SGLang、vLLM、llama.cpp 和 Ollama，在微调方面列出了 SWIFT 和 LLaMA-Factory，并支持 Rockchip、Houmo、Intel、AMD 和 Arm 的首日适配。Molmo2-4B 的模型卡列出了需要远程代码的 Transformers、一个单独的 molmo_utils 依赖以及用于视频的 decord2，而 AI2 自己的平台文档指向的是 vLLM nightly 而非稳定版。这一差距在 10 月有所缩小，当时原生 Transformers 支持随 v5.20.0 落地，远程代码要求也变为可选，但差距依然存在：一个项目有量化矩阵，另一个则是研究性发布。

这正是路由体现其价值、而非沦为口号的地方。一个团队若想在低成本路径上于设备端使用 MiniCPM-V 4.7 1B，在高难度路径上使用更大的模型，并不需要为此签两份合同——路由 DSL 将多个模型组合到同一个端点之后，而0% 加价意味着你支付的就是提供商的标价，因此供应商降价当天即可生效。对于像这样涉及三个模型的决策，这一点比简单的二选一更为重要。

如何真正选择

如果限制条件是内存，那就选 MiniCPM-V 4.7-1B。Molmo2-4B 包里的任何东西都远达不到 672 MB，而且再高的指向精度也无法弥补模型放不下这一缺陷。

如果约束条件是每美元能力，并且你能服务一个 MoE，那就选 MiniCPM-V 4.7-35B-A3B。按照 OpenBMB 自己公布的数据，它与两个更小的模型完全不在一个量级，而活跃参数数量使每 token 成本更接近 3B 模型而非 35B 模型。

如果需求是坐标，就选 Molmo2-4B。带时间戳的点、多图指向与跟踪正是该模型存在的理由；MiniCPM-V 4.7 的文档中没有任何内容描述等效的输出契约。

如果你确实需要一个 4B 级别的通用模型，能处理图像、多图像和视频，又不需要下载 19 GB 的 float32 权重，那么诚实的答案是：这一组对比中并没有这样的模型——Molmo2-4B 是该位置上唯一的模型，而它的部署工具链是三者中最薄弱的。能改变这一点的，是官方量化的 Molmo2-4B，或者一个 4B 级别的 MiniCPM-V。而这两者目前都还不存在。