MiniCPM-V 4.7 on OpenBMB:n multimodaalinen malliperhe paikalliseen käyttöön. Se on tarkoitettu muun muassa kuvien ja videoiden ymmärtämiseen, ja siitä on kaksi versiota: 35B-A3B sekä pienempi 1B. Suurempi malli on MiniCPM-V-sarjan ensimmäinen mixture-of-experts- eli MoE-malli.
9
31
32
OpenBMB kertoo 35B-A3B-version tuottavan iPhone 17 Pro Maxilla yli 13 tokenia sekunnissa noin kolmen gigatavun muistilla. Tulos on kehittäjän ilmoittama, eikä se tarkoita, että sama nopeus tai muistinkulutus toteutuisi kaikilla laitteilla.
9
13
Kaksi kokoa, eri käyttötarpeisiin
35B-A3B-mallissa on kaikkiaan noin 35 miljardia parametria, mutta kutakin tokenia käsiteltäessä käytössä on noin kolme miljardia. 1B-versio tarjoaa kevyemmän vaihtoehdon. Molemmat jatkavat sarjan kuva- ja video-osaamista.
2
31
32
Mallin koodi ja painot ovat saatavilla Apache 2.0 -lisenssillä, ja projektin koodi sekä dokumentaatio löytyvät OpenBMB:n MiniCPM-V-GitHub-repositoriosta.
9
14
Miten puhelimessa toimimista nopeutetaan?
OpenBMB liittää nopeusväitteen Lookahead Expert Schedulingiin (LES). Menetelmä ennakoi, mitä asiantuntijamoduuleja mallin seuraava kerros todennäköisesti tarvitsee, ja aloittaa niiden lataamisen etukäteen. Mukana ovat myös kerroskohtainen kvantisointi ja DSparkin spekulatiivinen näytteenotto.
1
13
Ilmoitettu luku koskee dekoodausta eli sitä, kuinka nopeasti malli tuottaa tekstiä. Se ei mittaa koko viivettä sovelluksen avaamisesta kuvan lähettämiseen ja valmiin vastauksen saamiseen. Tulos on raportoitu nimenomaan iPhone 17 Pro Maxilla, eikä sitä pidä tulkita lupaukseksi samanlaisesta suorituskyvystä muilla laitteilla.
13
Mitä vertailutuloksista kerrotaan?
OpenBMB:n dokumentaation mukaan 35B-A3B sai Instruct-tilassa Qwen3.6 35B-A3B:tä paremman kokonaispistemäärän lyhyemmässä inferenssiajassa. Dokumentaatio kertoo myös, että 1B parantaa MiniCPM-V 4.6:n perusominaisuuksia ja päihittää Qwen3.5 0.8B:n kokonaispisteissä ja inferenssitehokkuudessa.
10
14
Kehittäjä raportoi OCRBench-testistä 90,4 pisteen tuloksen 16-kertaisella visuaalisten tokenien pakkauksella. Testitulokset riippuvat asetuksista, joten eri pakkausasetuksilla saatuja pisteitä ei voi suoraan rinnastaa. Kyse on kehittäjän raportoimista arvioinneista, ei riippumattomasta vahvistuksesta kaikissa tehtävissä tai laitteissa.
12
Tuki alustoille ja kehittäjien työkalut
Projektin ilmoittama alustatuki kattaa iOS:n, Androidin ja HarmonyOS:n sekä Intelin, AMD:n, Arm:n, Rockchipin ja Houmon piirialustoja. Lista kuvaa projektin ilmoittamaa yhteensopivuutta, ei yhtenäistä suorituskykyä kaikilla laitteilla.
30
37
Kehittäjille mainitaan päättelykehykset SGLang, vLLM, llama.cpp ja Ollama sekä hienosäätötyökalut SWIFT ja LLaMA-Factory. Julkaisuun kuuluu myös Self-Replay Fine-Tuning (SRFT), hienosäätömenetelmä, jonka tarkoituksena on laajentaa mallin kykyjä pienin kustannuksin ja samalla vähentää aiempien kykyjen unohtumista.
20
Julkaisupäivä oli 12. lokakuuta
Osa uutisoinnista on päivätty 14. lokakuuta 2026, mutta OpenBMB:n projektin muutoshistoria kirjaa avoimen julkaisun päivälle 12. lokakuuta 2026. Julkaisupäivän osalta muutoshistoria on suorempi lähde.
8
19