Molmo2-4B 與 MiniCPM-V 4.7：兩款模型都不在你以為的位置上

標題中的對戰組合並不存在於權重裡。Molmo2-4B 是單一的 4.85B 檢查點。MiniCPM-V 4.7 不是一個模型，而是兩個，且兩者都不是 4B：一個是為手機打造的 1.55B 稠密變體，另一個是 35.2B 的混合專家變體，約有 3B 活躍參數與 262,144 個 token 的上下文。因此，搜尋「Molmo2-4B vs MiniCPM-V 4.7」的讀者，其實是在問一個三方問題——4B 這個位置到底值不值得佔，還是為了佔用空間降到 1B，或為了能力升到 MoE？這比原本打出來的那個問題更有用，而且答案更清楚。 三模型決策首先是一個路由問題，然後才是建模問題。 路由 DSL 將多個模型組合成一次呼叫，而不是每個模型各自一份合約。

這裡的日期也很重要，因為這兩個模型經常被描述得比實際更新。Molmo2-4B 由 Allen Institute for AI 於 2025 年 12 月 11 日宣布，權重自 12 月 14 日起在 Hugging Face 上提供。MiniCPM-V 4.7 的權重於 2026 年 10 月 6 日和 7 日上架，模型卡於 10 月 12 日隨後發布，ModelBest 與 OpenBMB 的英文新聞稿則於 10 月 15 日發布。Molmo 這邊近期的變動並不是新模型：當 PR #43451 於 2026 年 10 月 9 日合併後，Molmo2 成為上游 Transformers 中的原生架構，並隨 10 月 15 日的 v5.20.0 發布；而 11 月 5 日，Ai2 發布了針對機器人測試平台的 Molmo2-4B 微調版本。可以把其中任一項視為重新檢視該模型的理由。兩者都不是發布。

三個檢查點，曲線上的三個位置

• 參數 — Molmo2-4B 為 4.85B；MiniCPM-V 4.7-1B 為 1.55B；MiniCPM-V 4.7-35B-A3B 總計 35.2B，每個 token 約有 3B 處於活躍狀態。

• 架構 — Molmo2-4B 是將 SigLIP 2 塔接上 Qwen3-4B-Instruct-2507；MiniCPM-V 4.7 的兩款模型採用來自 LLaVA-UHD v4 的 ViT 內部早期壓縮，並搭配混合 4x/16x 視覺 token 壓縮，而 35B 版本則是 MiniCPM-V 系列中首個 MoE。

• 上下文 — Molmo2-4B 為 36,864 個位置；兩個 MiniCPM-V 4.7 變體皆為 262,144 個 token。

• 模態 — Molmo2-4B 可處理影像、多影像與影片，並在 0–1000 影像空間中輸出指向座標；MiniCPM-V 4.7 可處理單一影像、多影像與影片，並以文字回答。

• 授權 — Molmo2-4B 的權重採用 Apache 2.0，但其模型卡警告其訓練資料僅限學術與非商業研究使用；MiniCPM-V 4.7 的兩個變體皆為 Apache 2.0。

• 發佈形式 — Molmo2-4B 採用 float32 safetensors 格式，大小 19.42 GB，分為四個分片，沒有官方量化版本；MiniCPM-V 4.7 則在兩種尺寸上都提供 GGUF、int4、AWQ、GPTQ、FP8 與 DSpark 等變體。

發佈列才是決定真實專案的那一列。262,144 個 token 的上下文，只有在你負擔得起保留它時才有用；而 OpenBMB 完成了不起眼卻必要的工作：發佈人們實際部署的量化格式。官方 1B GGUF 的 Q4_K_M 版本為 672 MB，這正是展示品與能在你現有裝置上實際運行之間的分野。

4B 真正勝出之處

Molmo2-4B 的優勢建立在兩件 MiniCPM-V 4.7 這對模型做法不同的事情上：把指向（pointing）當作一等公民的輸出，以及帶時間戳的影片追蹤。

指向格式是 0–1000 座標中的數值點，並包在模型卡隨附正規表達式可辨識的標籤中。多圖指向會攤平成由影格索引、x、y 三元組組成的清單。這與「描述物件所在位置」是不同的契約，也改變了你能建構的東西：裁切管線、感興趣區域的後續追問、先計數再驗證的迴圈，以及任何需要下游階段取得座標而非一句話的工作流程。

影片是參數預算的去處。Ai2 的卡片將影片字幕問答、影片字幕問答、影片指向、影片追蹤以及兩組多圖像指向集列為其訓練資料，而釋出的影片預處理器預設為 384 幀、2 fps、378×378，並採用 3×3 池化。MiniCPM-V 4.7 確實支援影片——OpenBMB 回報 35B-A3B 的 LongVideoBench 為 68.9，1B 則為 53.4——但它在該路徑上是文字輸出模型，而長影片會與提示爭奪同樣的 token 預算。

MiniCPM-V 4.7 勝出之處，而且還是兩次

在該系列的最底端，1B 屬於不同類別的產品。它的參數量為 15.5 億，約為 Molmo2-4B 規模的三分之一，可在 llama.cpp 與 Ollama 上執行，而 OpenBMB 回報其 OCRBench 為 86.1、MathVista 為 74.3、CharXiv 為 48.8。這些是廠商在其自行選定的測試框架上公布的數字，也應以此脈絡解讀——但一個能可信地完成整頁 OCR 的 15.5 億參數模型，與一個需要 GPU 的 48.5 億參數模型相比，確實是截然不同的採購決策。

在整個系列的最高階，35B-A3B 讓 4B 這個問題顯得格局狹隘。OpenBMB 為它公布的數據包括 MMMU 80.2、OCRBench 在 4 倍視覺 token 下為 91.2、在 16 倍下為 90.40、CharXiv 75.6、LongVideoBench 68.9、MathVerse 86.5 以及 MathVista 88。它還宣稱了一項比基準測試更有意思的事：透過 Lookahead Expert Scheduling、逐層量化與 DSpark 推測解碼，35B-A3B 在 iPhone 17 Pro Max 上以約 3 GB 記憶體達到每秒 13+ 個 token 的解碼速度。請把這視為針對特定工具鏈的廠商說法，而非該模型的普遍特性——但如果此說法成立，它就消除了通常偏好裝置端稠密 4B 模型的理由。

這些全都是廠商自行報告的。OpenBMB 和 Ai2 都沒有在對方的基準測試套件上發表其模型的結果，因此上表沒有任何一列是直接對比。

部署選單是被低估的差異

MiniCPM-V 4.7 列出了 SGLang、vLLM、llama.cpp 與 Ollama 用於推論，SWIFT 與 LLaMA-Factory 用於微調，並在首日即支援 Rockchip、Houmo、Intel、AMD 與 Arm。Molmo2-4B 的模型卡列出需搭配遠端程式碼的 Transformers、獨立的 molmo_utils 依賴項，以及用於影片的 decord2，而 AI2 自家的平台文件指向 vLLM nightly 而非穩定版。十月份時差距縮小，當時原生 Transformers 支援在 v5.20.0 中登場，遠端程式碼的要求也變成選用，但這仍是個差距：一個專案有量化矩陣，另一個則是研究性質的發布。

這正是路由真正發揮價值、而不只是口號的地方。一個團隊若想在低成本路徑上於裝置端使用 MiniCPM-V 4.7 1B，並在困難路徑上使用更大的模型，不需要為此簽兩份合約——路由 DSL 會將多個模型組合在單一端點之後，而0% 加成意味著你支付的就是供應商的定價，因此廠商降價當天就會生效。對於像這次這樣涉及三個模型的決策，這比單純的 A 或 B 二選一更重要。

如何真正做出選擇

如果限制是記憶體，就選 MiniCPM-V 4.7-1B。Molmo2-4B 套件中沒有任何東西接近 672 MB，而再高的指向準確度也無法彌補模型放不下的問題。

若衡量標準是每美元能力，而且你能部署 MoE，就選 MiniCPM-V 4.7-35B-A3B。根據 OpenBMB 自己公布的數字，它與兩個較小模型完全不在同一級別，而活躍參數量讓每 token 成本更接近 3B 而非 35B。

如果需求是座標，就選 Molmo2-4B。帶時間戳的點、多圖指向與追蹤，正是這個模型存在的理由；MiniCPM-V 4.7 的文件中沒有任何描述等同的輸出契約。

而如果你真的需要一個 4B 級別的通用模型，能處理圖像、多圖像和影片，又不必下載 19 GB 的 float32 檔案，那麼老實說，這組對比中並沒有提供這樣的選項——Molmo2-4B 是比較中唯一佔據這個位置的模型，而它在三者之中帶來的部署工具支援最為薄弱。能改變這一點的會是：官方量化版的 Molmo2-4B，或是一個 4B 級別的 MiniCPM-V。這兩者目前都還不存在。