MiniCPM-V 4.7 35B-A3B (MoE)
MiniCPM-V 4.7 35B-A3B (MoE)をQ4_K_M・8kコンテキストで動かすには、22GBのVRAMが必要です（2026年11月3日に確認したconfig.jsonから計算）。収まる最小のGPUのメモリは24GB（ぎりぎり）で、動くデスクトップ向けGPUのなかで最も速いRTX 5090では、生成速度は最大721トークン/秒です。
- パラメータ
- 35.2B（アクティブ3B）
- コンテキスト長
- 262,144トークン
- ライセンス
- Apache 2.0
- 公開
- 2026年10月
- config.jsonの確認日
- 2026年11月3日
MiniCPM-V 4.7 35B-A3B (MoE)をローカルLLM動作チェッカーで開く
どのメモリ容量のGPUで動くか
必要量22GBを、メモリ容量ごとに比べます。モデルが使えるのはGPUのメモリの95%までで、色が付いているのは残りの容量か、足りない容量だけです。「ぎりぎり」は85%を超える場合で、長い会話に使える余裕はほとんどありません。
ほかの量子化やコンテキスト長、Q8のKVキャッシュはLLM VRAM計算ツールで試せます。
計算・2026年11月3日どのGPUを選ぶか
このサイトで扱うGPUのうち、Q4_K_M・8kコンテキストで読み込める最小のものはRTX 5090 Laptop GPU（24GB）です。必要量は22GBで、生成速度は推定360トークン/秒です。ただしぎりぎりの収まり方で、会話に使える余裕はほとんど残りません。余裕を持って使いたい場合、つまり32,768トークンのコンテキストを確保しつつメモリ使用率を85%未満に抑えたい場合は、RTX 5090（32GB）に上げましょう。その場合の必要量は22.5GBで、生成速度は約721トークン/秒です。
ほぼ劣化のないQ8_0なら、収まる最小のGPUはRTX A6000（48GB）で、必要量は39.5GBです。Appleシリコンでは、Mac mini M4 Proなら32,768トークンのコンテキストを含めて保持でき、生成速度は推定110トークン/秒です。ただしプロンプト処理はNVIDIAより遅く、長い文書ではその差がはっきり出ます。ユニファイドメモリのデスクトップでは、Ryzen AI Max+ 395が32,768トークンのコンテキストを22.5GBで保持でき、生成速度は推定103トークン/秒です。
GPU別の生成速度
| GPU | 動く？ | 推定トークン/秒 | 体感 | メモリ | メモリ帯域幅 |
|---|---|---|---|---|---|
| H100 SXM | 動く | ≤ 1,348 | 読むより速い | 80GB | 3,350GB/s |
| A100 | 動く | ≤ 820 | 読むより速い | 80GB | 2,039GB/s |
| RTX 5090 | 動く | ≤ 721 | 読むより速い | 32GB | 1,792GB/s |
| RTX PRO 6000 Blackwell | 動く | ≤ 721 | 読むより速い | 96GB | 1,792GB/s |
| RTX PRO 5000 Blackwell | 動く | ≤ 541 | 読むより速い | 48GB | 1,344GB/s |
| RTX 4090 | ぎりぎり | ≤ 406 | 読むより速い | 24GB | 1,008GB/s |
| RX 7900 XTX | ぎりぎり | ≤ 386 | 読むより速い | 24GB | 960GB/s |
| RTX 6000 Ada | 動く | ≤ 386 | 読むより速い | 48GB | 960GB/s |
| RTX 3090 | ぎりぎり | ≤ 377 | 読むより速い | 24GB | 936GB/s |
| RTX 5090 Laptop GPU | ぎりぎり | ≤ 360 | 読むより速い | 24GB | 896GB/s |
| RTX PRO 4500 Blackwell | 動く | ≤ 360 | 読むより速い | 32GB | 896GB/s |
| L40S | 動く | ≤ 348 | 読むより速い | 48GB | 864GB/s |
| RTX A6000 | 動く | ≤ 309 | 読むより速い | 48GB | 768GB/s |
| RTX PRO 4000 Blackwell | ぎりぎり | ≤ 270 | 読むより速い | 24GB | 672GB/s |
| Radeon AI PRO R9700 | 動く | ≤ 257 | 読むより速い | 32GB | 640GB/s |
| Arc Pro B70 | 動く | ≤ 245 | 読むより速い | 32GB | 608GB/s |
| Arc Pro B60 | ぎりぎり | ≤ 183 | 読むより速い | 24GB | 456GB/s |
| RTX PRO 4000 Blackwell SFF | ぎりぎり | ≤ 174 | 読むより速い | 24GB | 432GB/s |
| RTX Spark | 動く | ≤ 121 | 読むより速い | 128GB（GPU用102GB） | 300GB/s |
| DGX Spark | 動く | ≤ 110 | 読むより速い | 128GB（GPU用126GB） | 273GB/s |
| Ryzen AI Max+ 395 | 動く | ≤ 103 | 読むより速い | 128GB（GPU用96GB） | 256GB/s |
| RX 7900 XT | 動かない | - | 収まらない | 20GB | 800GB/s |
| RTX 4060 Ti | 動かない | - | 収まらない | 16GB | 288GB/s |
| RTX 5060 Ti | 動かない | - | 収まらない | 16GB | 448GB/s |
| RTX 5080 | 動かない | - | 収まらない | 16GB | 960GB/s |
| RTX 5070 Ti | 動かない | - | 収まらない | 16GB | 896GB/s |
| RTX 4080 SUPER | 動かない | - | 収まらない | 16GB | 736GB/s |
| RX 9070 XT | 動かない | - | 収まらない | 16GB | 640GB/s |
| RX 9060 XT | 動かない | - | 収まらない | 16GB | 320GB/s |
| RTX 3060 | 動かない | - | 収まらない | 12GB | 360GB/s |
| RTX 4070 | 動かない | - | 収まらない | 12GB | 504GB/s |
| RTX 5070 | 動かない | - | 収まらない | 12GB | 672GB/s |
| Arc B580 | 動かない | - | 収まらない | 12GB | 456GB/s |
シングルストリームの生成速度を、メモリ帯域幅と効率70%から求めた値です。プロンプト処理とバッチ処理は含みません。どれも上限（理論値）で、実測ではありません。MiniCPM-V 4.7 35B-A3B (MoE)がQ4で1トークンごとに読む重みはわずか1.7GBです。これほど少ないと、計算式に含まれない1トークンごとのコストが実際の速度を大きく左右します。≤の付いた21個の数値は、実際のランタイムの速度が表示値をもっとも大きく下回る箇所です。ほかの量子化やAppleのハードウェアについては生成速度（トークン/秒）推定ツールを、モデルではなくハードウェアを選んでいる場合は全GPUの比較をご覧ください。
計算・2026年11月3日量子化・コンテキスト長別の必要メモリ
| 量子化 | 4,096トークン | 8,192トークン | 32,768トークン |
|---|---|---|---|
| Q8_0 | 39.4GB（48GBに収まる） | 39.5GB（48GBに収まる） | 40GB（48GBに収まる） |
| Q5_K_M | 26.6GB（32GBに収まる） | 26.7GB（32GBに収まる） | 27.2GB（32GBに収まる） |
| Q4_K_M | 21.9GB（24GBに収まる） | 22GB（24GBに収まる） | 22.5GB（24GBに収まる） |
重みはQ4で20.4GBです。コンテキストが1,000トークン増えるごとに、FP16のKVキャッシュが約0.02GB増えます（これとは別に、大きくならない固定の再帰状態が0.06GBあります）。ほかの設定はLLM VRAM計算ツールで試せます。
モデルについて
MiniCPM-V 4.7 35B-A3B (MoE)は35.2Bパラメータのモデルです。MoE（Mixture of Experts）構成で、1トークンごとのアクティブパラメータは3Bです。全40レイヤーのうち、会話とともに大きくなるキャッシュを持つのはフルアテンションの10レイヤーだけです（KVヘッド2個、ヘッド次元256）。残りの30レイヤーはGated DeltaNetの線形アテンションで、持つのは小さな固定サイズの状態だけです。OpenBMBが2026年10月に公開したMiniCPM-V 4.7で、視覚モデルのMiniCPM-VシリーズではじめてのMoEモデルであり、重みは35B、1トークンごとに読むのは3Bで、言語部分はQwen3.5とQwen3.6、ビジョンエンコーダはSigLIP2をベースにしています。1枚の画像、複数の画像、動画を読み込めます。
テキスト、画像、動画 コンテキスト長262,144トークン Apache 2.0 2026年10月公開 35.2B中3Bがアクティブ
思考モード：モデルカードの例は思考オフで動かしています。GGUFのリポジトリでは、メインのファイルは思考オフで、別のthinking/フォルダのファイルで思考がオンになります。
256個のエキスパートはすべてメモリに置かれ、1トークンごとのアクティブパラメータは3Bです。パラメータ数にはビジョンエンコーダが含まれます。テキスト専用のGGUFはわずかに小さくなります。
ネイティブのコンテキスト長は262,144トークンです。ライセンスはApache 2.0で、寛容な（permissive）ライセンスです。重みの公開は2026年10月です。
得意なこと
- 文書、スクリーンショット、動画のローカルでの処理。OCR、PDFの解析、ビジュアルグラウンディングには、モデルカードにそれぞれのガイドがあります。
- MoEならではの速さ。1トークンごとに読むのは3Bパラメータだけです。
- ほとんどのリリースより多い公式フォーマット：OpenBMBによるGGUF・AWQ・GPTQ・FP8版と、Ollamaのモデル
- Apache 2.0
注意点
- 1トークンごとに3Bを読むために、35B分の重みをすべてメモリに置きます。速いモデルであって、小さいモデルではありません。モデルカード自身も、MoEモデルの保存に必要な容量は「アクティブなパラメータだけに限られない」と書いています。
- モデルカードにあるスマートフォンでの速度は、OpenBMB独自のllama.cppのフォークとドラフトモデルによるもので、通常のllama.cppのものではありません。
- Transformersはバージョン5.18以降が必要です。
- ハイブリッド構成のレイヤーには最新のランタイムが必要です。古いビルドでは、2025年のモデルと同じ計算でメモリが必要になると考えてください。
似たモデル
Q4_K_M・8kコンテキストでMiniCPM-V 4.7 35B-A3B (MoE)とほぼ同じメモリを必要とするモデルです。手持ちのGPUで実際に比べる相手になるのは、これらのモデルです。「1kトークンあたり」の列はコンテキストが1,000トークン増えるごとのコストで、同じサイズのモデルの間でもっとも差が出るところです。
| モデル | サイズ | 必要量 | 1kトークンあたり | コンテキスト長 | 公開 |
|---|---|---|---|---|---|
| MiniCPM-V 4.7 35B-A3B (MoE) | 35.2B（アクティブ3B） | 22GB | 0.02GB | 256k | 2026年10月 |
| Nanbeige4.3 33B | 33.1B | 22.2GB | 0.213GB | 512k | 2026年10月 |
| Qwen3 32B | 32.8B | 22.4GB | 0.262GB | 40k | 2025年4月 |
| DeepSeek-R1 Distill Qwen 32B | 32.8B | 22.4GB | 0.262GB | 128k | 2025年1月 |
| Qwen2.5 Coder 32B | 32.8B | 22.4GB | 0.262GB | 32k | 2024年11月 |
全モデルの比較、8〜96GBに収まるモデル（英語）、クラウドGPUごとの最安の時間料金（英語）もご覧ください。
よくある質問
- MiniCPM-V 4.7 35B-A3B (MoE)は24GBのGPUで動く？
- はい。Q4_K_M・8kコンテキストで約22GBが必要で、24GBのGPUにぎりぎり収まります。
- MiniCPM-V 4.7 35B-A3B (MoE)をQ8で動かすには、VRAMはどれくらい必要？
- 8kコンテキストで約39.5GB、32kコンテキストでは40GBです。Q8はほぼ劣化がないので、収まるならQ8を使うのがおすすめです。
- MiniCPM-V 4.7 35B-A3B (MoE)のコンテキスト長は？
- ネイティブで262,144トークンです。すべてをQ4_K_Mで保持すると約27.2GBが必要で、そのうち5.4GBがコンテキストの分です。
- MiniCPM-V 4.7 35B-A3B (MoE)が長いコンテキストでも少ないメモリで済むのはなぜ？
- ほとんどのレイヤーが、大きくなっていくキャッシュを持たないからです。全40レイヤーのうち、会話とともに大きくなるキャッシュを持つのはフルアテンションの10レイヤーだけです（KVヘッド2個、ヘッド次元256）。残りの30レイヤーはGated DeltaNetの線形アテンションで、持つのは小さな固定サイズの状態だけです。32kトークンのコンテキストに必要なメモリは約0.7GBです。もし40レイヤーすべてが従来どおり全長のキャッシュを持っていたら、同じ会話に約2.7GBかかります。
- MiniCPM-V 4.7 35B-A3B (MoE)はRTX 4090でどれくらいの速さ？
- Q4・シングルストリームでの上限は約406トークン/秒で、体感は「読むより速い」にあたります。これはGPUのメモリ帯域幅から求めた上限で、実測ではありません。この水準の数値では、計算式に含まれないコストが1トークンごとの時間に占める割合が大きくなるため、実際のランタイムはこれを大きく下回ります。
- アーキテクチャの値は、Hugging Faceのopenbmb/MiniCPM-V-4.7-35B-A3Bにあるconfig.jsonとモデルカードから読み取り、2026年11月3日に確認しています。このページの数値はすべてこれらの値から計算しています。このモデルのためにハードウェアを買う前に、元の値を確認してください。
- 推定値は、ほかに何も動いていないGPUで会話を1つだけ扱う前提です。同じGPUでデスクトップ環境も動かすと、0.5〜2GBが使われます。