«Dos cajas sobre una mesa» puede ser una descripción correcta de una imagen. Para una pregunta sobre el código corto de la caja de la izquierda, sirve de poco. Una IA de imágenes local quizá solo deba preclasificar motivos, o quizá también deba transcribir marcas exactas. Quien mezcla ambas cosas bajo el nombre de comprensión de imágenes puede esperar fácilmente la capacidad equivocada.
OpenBMB fecha MiniCPM-V 4.7 el 12 de octubre de 2026. El proyecto original enumera las variantes 1B y 35B-A3B; la mayor es una mezcla de expertos. La publicación describe formas de usarlo de manera local y multimodal. Aun así, el entorno de ejecución, el artefacto del modelo y el dispositivo concretos tienen que encajar entre sí.
Por qué los parámetros activos no describen todo el ordenador
En una mezcla de expertos, se utilizan partes seleccionadas del modelo para pasos de procesamiento individuales. Este subconjunto activo no es lo mismo que todos los archivos y la memoria que un entorno de ejecución concreto tiene que mantener disponibles. A esto se suman el preprocesamiento de la imagen y el procesamiento posterior.
Puede compararse con un taller: solo unos pocos puestos especializados trabajan en un encargo en cada momento. El resto del equipamiento no desaparece por ello. La analogía explica la diferencia entre una selección y el inventario total; no proporciona un cálculo de memoria para ningún dispositivo concreto.
Por eso, en la práctica, los nombres exactos de las variantes son más útiles que una única etiqueta de tamaño. Anota qué archivo se usa en qué entorno de ejecución. Las cifras de un ejemplo del proveedor con otro hardware no son una velocidad esperable para tu propio ordenador.
Tres imágenes, tres preguntas separadas
Crea una pequeña serie de imágenes propias con dos cajas neutras. Una de ellas lleva un código de tu elección, como K7. La primera toma muestra ambas con claridad. La segunda cambia su posición. La tercera muestra el mismo motivo con un código deliberadamente difícil de leer. Tú mismo conoces los objetos y la rotulación real.
Formula tres tareas: nombrar los objetos, describir cómo se relacionan entre sí y reproducir exactamente la marca visible. Para cada toma, anota lo que una persona puede leer realmente en esa imagen concreta. Si la última toma está desenfocada, «no legible de forma fiable» puede ser la referencia adecuada, aunque conozcas la rotulación original.
Task 1: Which objects are visible?
Task 2: Which box is to the left of the other?
Task 3: Which marking is actually legible?
Rule: Do not fill in illegible characters from context.Para una prueba posterior del modelo, usa las mismas preguntas y conserva los archivos de entrada sin alterar. Una ampliación adicional o un recorte distinto es una condición nueva y debe ejecutarse como una pasada aparte. De lo contrario, no queda claro si una respuesta se beneficia del modelo o de una imagen de origen más claramente visible.
Evalúa las respuestas tarea por tarea
Comprueba los tres niveles por separado. Si un modelo reconoce ambas cajas pero asigna la marca equivocada, es un error distinto de un carácter mal leído. Un único veredicto global de «imagen correcta» ocultaría estas diferencias.
Presta atención también a los añadidos plausibles. Una respuesta puede arrastrar el código de una toma anterior aunque ya no sea legible en la imagen actual. Por eso, para una comparación individual limpia, merece la pena un contexto de conversación nuevo, o al menos un orden documentado explícitamente. La configuración de prueba que elijas influye en qué información está disponible en absoluto.
No le des al modelo una cadena de pistas de solución ajustadas a posteriori para luego presentar solo la última respuesta como un éxito. Lo interesante es la tarea completa, el archivo realmente enviado y el límite abierto entre reconocer y adivinar.
Qué tarea local merece realmente la pena
Para una clasificación aproximada por motivo, una descripción general ya puede ser útil. Transcribir marcas automáticamente, en cambio, requiere otro nivel de fiabilidad y una forma adecuada de tratar los pasajes ilegibles. Por tanto, la decisión sobre cómo usarlo empieza por la afirmación que se necesita, no por el tamaño de modelo más impresionante posible.
MiniCPM-V 4.7 convierte el procesamiento local de imágenes en una posibilidad técnica concreta. Tu propia elección se vuelve más tangible si preparas unas pocas imágenes que conoces y preguntas claramente separadas. Solo una ejecución real puede mostrar cuáles de estas tareas realiza de forma útil una configuración elegida en tu dispositivo.
Fuentes y estado
Fuentes a fecha de 25 de octubre de 2026. Registro de cambios de OpenBMB — MiniCPM-V 4.7 · Repositorio de MiniCPM-V.
