« Deux boîtes sur une table » peut être une description correcte d'une image. Pour une question portant sur le code court de la boîte de gauche, elle n'est guère utile. Une IA d'image locale peut n'être destinée qu'à présélectionner des sujets – ou aussi à transcrire des inscriptions exactes. Quiconque regroupe les deux sous l'étiquette de compréhension d'images risque facilement d'attendre la mauvaise capacité.
OpenBMB date MiniCPM-V 4.7 du 12 octobre 2026. Le projet d'origine répertorie les variantes 1B et 35B-A3B ; la plus grande est un mélange d'experts. La publication décrit des modes d'utilisation locaux et multimodaux. Il faut néanmoins encore que l'environnement d'exécution, l'artefact de modèle et l'appareil concrets soient compatibles.
Pourquoi les paramètres actifs ne décrivent pas l'ordinateur dans son ensemble
Dans un mélange d'experts, des parties sélectionnées du modèle sont utilisées pour les différentes étapes de traitement. Ce sous-ensemble actif n'équivaut pas à l'ensemble des fichiers et de la mémoire qu'un environnement d'exécution donné doit tenir à disposition. Le prétraitement des images et le traitement ultérieur s'y ajoutent.
On peut comparer cela à un atelier : seuls quelques postes spécialisés travaillent sur une commande à un moment donné. Le reste de l'équipement ne disparaît pas pour autant. L'analogie explique la différence entre une sélection et l'inventaire total ; elle ne fournit pas de calcul de mémoire pour un appareil particulier.
En pratique, des noms de variantes exacts sont donc plus utiles qu'une simple indication de taille. Notez quel fichier est utilisé dans quel environnement d'exécution. Les chiffres issus d'un exemple de l'éditeur sur un matériel différent ne constituent pas une vitesse attendue pour votre propre ordinateur.
Trois images, trois questions distinctes
Créez une petite série d'images personnelles avec deux boîtes neutres. L'une d'elles porte un code de votre choix, par exemple K7. La première prise de vue montre clairement les deux. La deuxième modifie leur position. La troisième montre le même sujet avec un code délibérément difficile à lire. Vous connaissez vous-même les objets et l'inscription réelle.
Formulez trois tâches : nommer les objets, décrire leur relation l'un avec l'autre et reproduire exactement l'inscription visible. Pour chaque prise de vue, notez ce qu'une personne peut réellement lire sur cette image précise. Si la dernière prise de vue est floue, « pas lisible de manière fiable » peut être la référence appropriée, même si vous connaissez l'inscription d'origine.
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.Pour un test ultérieur du modèle, utilisez les mêmes questions et conservez les fichiers d'entrée non modifiés. Un agrandissement supplémentaire ou un recadrage différent constitue une nouvelle condition et doit faire l'objet d'un passage distinct. Sinon, il reste impossible de savoir si une réponse doit sa qualité au modèle ou à une image source plus clairement visible.
Évaluer les réponses tâche par tâche
Vérifiez les trois niveaux séparément. Si un modèle reconnaît les deux boîtes mais attribue la mauvaise inscription, il s'agit d'une erreur différente d'un caractère mal lu. Un verdict global unique du type « image correcte » masquerait ces différences.
Méfiez-vous également des ajouts plausibles. Une réponse peut reprendre le code d'une prise de vue précédente alors qu'il n'est plus lisible sur l'image actuelle. Pour une comparaison individuelle propre, un nouveau contexte de conversation – ou au moins un ordre explicitement documenté – en vaut donc la peine. Le dispositif de test que vous choisissez influe sur les informations qui sont tout simplement disponibles.
Ne donnez pas au modèle une série d'indices de solution ajustés après coup pour ne présenter ensuite que la dernière réponse comme un succès. Ce qui est intéressant, c'est la tâche complète, le fichier réellement soumis et la frontière ouverte entre reconnaître et deviner.
Quelle tâche locale en vaut réellement la peine
Pour un tri approximatif par sujet, une description générale peut déjà être utile. La transcription automatique d'inscriptions exige en revanche un autre niveau de fiabilité et une manière adaptée de traiter les passages illisibles. La décision sur la manière de l'utiliser commence donc par l'information requise, et non par la taille de modèle la plus impressionnante possible.
MiniCPM-V 4.7 fait du traitement d'images local une possibilité technique concrète. Votre propre choix devient plus tangible si vous préparez quelques images que vous connaissez et des questions clairement distinctes. Seule une exécution réelle peut montrer lesquelles de ces tâches une configuration choisie accomplit utilement sur votre appareil.
Sources et état
Sources au 25 octobre 2026. Journal des modifications OpenBMB — MiniCPM-V 4.7 · Dépôt MiniCPM-V.
