MiniCPM-V 4.7 35B-A3B 對比 InternLumina U2：兩艘沉默的船，兩種截然相反的答案

MiniCPM-V 4.7 35B-A3B 和 InternLumina-U2 在權重現身時，都沒有任何發布公告。兩者都是開放權重，都來自中國實驗室，都是其團隊今年推出的最大多模態發布，而且都是無部落格文章、無主題演講、無發布日地登上模型庫。相似之處到此為止。MiniCPM-V 4.7 35B-A3B 讀取圖像並以文字回答；InternLumina-U2 讀取圖像、以文字回答，還能繪製新圖像、編輯圖像，並渲染 3D 資產。一個被打造得小到足以放進手機；另一個則是 160 億參數的擴散研究，根本不可能塞進手機那類裝置。並排閱讀，它們不是同一類別裡的兩個條目——它們是對「視覺語言模型是用來做什麼的」這個問題的兩種不同答案，在相隔五週內相繼發表，卻無人關注。

這裡可知的事清楚分成兩邊。以下關於 MiniCPM 這一邊的一切，都來自儲存庫、模型卡與設定檔，而這些任何人都能閱讀。InternLumina 這一邊的一切，則來自該實驗室自家的模型卡，以及它已公開的檔案樹；該模型卡自己的基準測試部分標示為「初步、部分結果」，而且完全沒有附上任何數字。這兩個模型都未經獨立評估，且本文中沒有任何內容是發布：OpenBMB 直到 10 月 12 日才稱 MiniCPM-V 4.7 是一次發布，而就公開紀錄所示，上海人工智能實驗室尚未稱 InternLumina-U2 是一次發布。

兩艘安靜的船，相隔五週

MiniCPM-V 4.7 資料夾最早於 2026 年 10 月 6 日出現在 Hugging Face 上；該 Hub 現在回報的建立時間戳記為 10 月 7 日，而該儲存庫最後一次被更動是在 10 月 12 日。InternLumina-U2 儲存庫則建立於 9 月 1 日。這兩個日期都沒有附帶任何公告。但此後兩者的發展歷程各不相同，而這個差異是這項比較中最有用的一點。

InternLumina-U2 於 9 月 1 日發布時只有程式碼。那個版本是一套推論框架、一份 README，還有一個承諾——權重標示為「即將推出」，Hugging Face 儲存庫裡只放了一個 .gitattributes 檔案，技術報告也標註為即將發布。如今已不是這麼回事。該儲存庫現在收錄了兩個完整的硬體專用檢查點，一個放在 ascend/ 底下，另一個放在 nvidia/ 底下，各自包含七個 safetensors 分片、專屬的遠端程式碼模組、一套平行化方案，以及一個分詞器。權重悄悄上線，卻沒有人更新相關說法。截至本文撰寫時，該儲存庫有 16 個讚、零筆下載紀錄，而技術報告仍未發布。

MiniCPM-V 4.7 則朝另一個方向發展。它在十月以權重形式推出，沒有模型卡——資料夾裡沒有 README、沒有授權標籤，也沒有基準測試，這正是我們先前文章所記錄的情況。十天後，它已具備前述三項中的全部三項，卻仍缺少最後一項：Apache-2.0 授權、附使用指南的完整模型卡，以及含有數字的宣稱章節，但沒有讀者能引用的評估表。因此，對兩者而言，準確的總結是：文件都是在權重之後才出現，兩者皆然，而且期間沒有任何公告。

InternLumina-U2 究竟是什麼

這張卡片描述的是一個 16B 參數的混合專家模型，其中 1B 為啟用參數——寫作 16B-A1B——並以多碼本擴散大型語言模型的形式打造。關鍵在於「完全離散」這個說法：InternLumina-U2 的核心賭注是，語言與視覺應該共用同一套 token 詞彙，而不是存在於各自獨立的理解與生成堆疊中，且早期統一模型的瓶頸正是視覺詞彙本身。它的解答是建立在 AToken 之上的八碼本離散視覺表徵，這正是讓同一組權重既能解讀一張影像、也能合成一張影像的關鍵。

這個範疇在設計上本來就相當廣：文字問答、最高可達 1024×1024 的文字生圖、對自然影像與密集圖表的圖像理解、可選用雙 CFG 模式的指令式圖像編輯、對取樣影格的影片理解，以及對 GLB 與 GLTF 資產的 3D 理解。3D 這條路徑最與眾不同，也最有趣——資產會先透過內附的 Blender 管線算繪成彩色與深度視圖，再進行符元化；這是個聰明做法，能重複利用圖像模型來處理幾何，而不必教會它幾何。

有兩個工程細節值得特別指出，因為它們並不尋常。第一，兩個檢查點都存放在同一個儲存庫中，並依加速器區分：一個是在華為 NPU 上訓練的 Ascend 版本，另一個是在 GPU 上訓練的 NVIDIA 版本。這是刻意針對出口與供應限制的避險安排，也意味著「該用哪個檢查點」是 InternLumina-U2 使用者必須先回答的問題。第二，模型卡上寫明該模型採用 Apache-2.0，且沒有任何附帶條件——確實寬鬆，與 2026 年幾款以僅限研究條款發布的多模態模型形成對比。

MiniCPM-V 4.7 35B-A3B 現在是什麼

這張模型卡稱它是 MiniCPM-V 系列中首個 MoE，而設定檔也印證了這點：256 個專家、每個 token 啟用 8 個、40 層、262,144 token 的上下文視窗，以及 248,144 token 的詞彙表。視覺部分透過 SigLIP2 模組運作，搭配 LLaVA-UHD v4 的 ViT 內部早期壓縮，以及混合的 4x/16x token 壓縮模式——預設採 16x 以換取輸送量，需要精細細節時則用 4x，並在呼叫時選擇。它能理解單張影像、多影像組合與影片；以文字作答；它不會生成影像。

OpenBMB 以粗體標示的主張是：這是首個開源 MoE 模型，能在裝置端進行無損、流暢的推論，並透過三項具名技術達成：Lookahead Expert Scheduling、細粒度逐層量化，以及透過獨立的 DSpark 草稿進行的推測取樣。其附帶的數字是在 iPhone 17 Pro Max 上每秒 13 個以上的 token。該數字由廠商自行報告、未經重現，也未附任何限定條件——沒有量化格式、沒有建置版本、沒有提示詞、沒有測量方法。模型卡也宣稱，在 Instruct 模式下，該模型能以更短的推論時間獲得比 Qwen3.6 35B-A3B 更高的整體分數，而這項主張存在於圖表圖像中，而非表格裡，這意味著它無法以數字引用，也不應被當作數字看待。

不是宣稱的，是散布工作，而這才是值得在意的實際理由。Base、FP8、int4、AWQ、GPTQ 與 GGUF 權重全都存在；SGLang、vLLM、llama.cpp、Ollama 與 OpenVINO 都獲得支援，並有首日支援項目；iOS、Android 與 HarmonyOS 應用程式存在於 MiniCPM-V-Apps 儲存庫下；Rockchip、Houmo、Intel、AMD 與 Arm 也全都列為首日支援的晶片。六週前，對這個模型的批評是它是一個沒有文件的檢查點。這項批評現在已經過時——它是一個有文件但沒有基準測試的檢查點，這是不同且更小的問題。

這兩者，逐個維度來看

• 它對圖片能做什麼——MiniCPM-V 4.7 35B-A3B 會讀取圖片並以文字回答；InternLumina-U2 則會讀取圖片、以文字回答、生成新圖片、編輯現有圖片，並解讀 3D 素材。

• 架構 — 一個 35.2B 參數的自迴歸稀疏 MoE，具有 3B 活躍參數，對比一個 16B-A1B 多碼本離散擴散模型。不同的家族，而非同一家族的不同規模。

• 輸入模態 — 文字、圖像與影片，對比文字、圖像、影片與 3D。

• 輸出模態 — 僅文字，對比文字加上生成圖片與編輯過的圖片。

• 權重大小 —— 約 70 GB 的 BF16，分散於 16 個分片；相較之下，每種硬體版本為七個分片，且發布了兩份。

• 授權條款——兩者皆採用 Apache-2.0。這是這兩個{{1}}模型{{/1}}真正{{2}}達成一致{{/2}}的唯一面向，而這點至關重要，因為在這種規模的生成模型上採用寬鬆授權並不常見。

• 部署方案——量化建置、行動應用程式與五種推論執行階段，對比遠端程式碼模組和 Shell 指令碼，並依加速器區分。

• 公開證據 — 一張只有供應商聲稱、沒有評估表的卡片，對比一張明確將其基準測試部分標示為初步、且當中不印任何內容的卡片。

它們之間的差距不在於品質，而在於種類。

要宣布誰勝出會很痛快，但那樣並不誠實。這兩個模型之間沒有共用的基準測試，也沒有任何第三方跑過其中任何一個，而且 MiniCPM-V 4.7 自己的評估表並不存在，而 InternLumina-U2 的評估表則明確標示為部分。今天任何人替它們排名，排的是文件品質，不是模型品質。

真正能誠實比較的是證據軌跡，而在這一點上，兩者以相反的方向失手。InternLumina-U2 告訴你很多關於架構的事，卻幾乎沒說任何關於結果的事——一個引人入勝的設計，卻沒有展現出任何已證實的能力。MiniCPM-V 4.7 以散文形式告訴你很多關於結果的事，卻拒絕把它們當作資料發布，這使得那些宣稱難以被否證，也因此同樣難以被信任。前者是有前景的工具；後者是有前景的工具，但上面多了一層行銷包裝。

實務上的解讀由此而來。如果你需要的是一個能接收螢幕截圖、文件或影片並回傳文字的模型，而且你想自行運行，MiniCPM-V 4.7 是那個有部署方案、六種執行環境，以及你今天就能下載的量化權重的模型。如果你需要的是一個能以同一套詞彙理解並生成圖像的模型——用於編輯管線、合成資料，或統一 token 空間的研究——InternLumina-U2 是兩者中唯一嘗試這麼做的，而九月程式碼發布後出現的第二個檢查點資料夾，則是這項研究仍在推進的第一個跡象。

如果你只是想趕快把某個東西交付出去，這代表什麼意思

這兩個都是你自己下載、自行部署的檔案。MiniCPM-V 4.7 35B-A3B 和 InternLumina-U2 都沒有出現在 OrcaRouter 的託管型錄中，所以這裡沒有任何東西能讓你把它們當成端點來呼叫，我們也不該有任何文章被解讀成相反的意思。在這種情況下，路由器真正有用的是工作的另一半：當你的流程需要一個你不想自己託管的模型時。OrcaRouter 把200 多個託管模型放在同一把金鑰後面，直接照各供應商的定價原價轉出，我們不加任何差價，並在供應商服務品質下降時自動容錯移轉——所以，一支在本機執行 MiniCPM-V 4.7 來處理大量文件理解的團隊，可以把困難的頁面升級交給託管模型處理，不必再簽一份合約或再用一套 SDK。

最接近這個形態的託管模型是 Qwen3.6 35B A3B——同樣是 35B 總參數、3B 作用中參數，同樣具備 262K 上下文，同樣支援文字、圖像與影片輸入、文字輸出——以每百萬輸入 token 0.25 美元、每百萬輸出 token 1.48 美元的價格提供，按成本計價。這是一個真正有用的對照組：如果你的抉擇是在自行託管一個 70 GB 的稀疏多模態 MoE 與呼叫等效模型之間，後者今天下午就能實測，前者則否。

什麼會改變這個比較？

兩份文件就能解決大部分問題。一份來自 OpenBMB 的基準表，將能把 MiniCPM-V 4.7 從一項宣稱變成一個資料點；而 DSpark 草稿模型——這個系列中唯一有公佈數據的部分，形式是每步接受的符元數——則是取得首個獨立數字最便宜的外部途徑。一份來自上海人工智能實驗室的技術報告，會為 InternLumina-U2 做到同樣的事，而且會是首次有人看到其八個編碼簿的詞彙表被拿去與任何對象進行評分。

在那之前，誠實的立場是：這兩者之中，你可以部署其中一個，另一個則只能研究。這句話大概不出一個月就會不再成立，而這也正是為什麼這兩個模型都不該被歸為霧件——它們只是在公開歷程中，比關於它們的報導所暗示的更早一些。