MiniCPM-V 4.7 مقابل WeVisOne-VL-4B: فقرة أم مضلّع

أسرع طريقة للاختيار بين MiniCPM-V 4.7 وWeVisOne-VL-4B هي النظر إلى ما ينتجانه. يُرجع WeVisOne-VL-4B إحداثيات: صناديق مُطبّعة على شبكة من ألف نقطة، ونقاطًا، وأقنعة مثيلات، وأقنعة ألفا بدقة كاملة ينتجها مفكك ترميز بـ9.6 مليون معامل مثبّت على عمود فقري Qwen3-VL. أما MiniCPM-V 4.7 فيُرجع جملًا، صفحات منها، ضمن سياق من 262,144 رمزًا يمكنه استيعاب فيديو. أحد هذين مكوّن إدراكي تربطه في خط معالجة. والآخر قارئ تطرح عليه أسئلة. كلاهما برخصة Apache-2.0، وكلاهما من مختبرات صينية، وكلاهما صدر في أكتوبر 2026 بتغطية شبه معدومة من الصحافة التجارية الإنجليزية، وهما بالكاد يقعان في الفئة نفسها من المنتجات.

وصل الاثنان بطريقتين مختلفتين جدًا. نشر فريق WeChat Vision في Tencent نموذج WeVisOne-VL-4B على Hugging Face وGitHub في 22 أكتوبر 2026، إلى جانب ورقة على arXiv ونموذج شقيق بحجم 2B، دون أي تدوينة أو بيان صحفي. ورفع OpenBMB نموذج MiniCPM-V 4.7 في 6 و7 أكتوبر، وأرّخ الإصدار بـ12 أكتوبر في مستودعه، وأعلن عنه في بيان إنجليزي عبر PR Newswire في 15 أكتوبر لم يُنتج تغطية إعلامية متخصصة بالإنجليزية تُذكر. وصل أحدهما بوصفه مستودعًا؛ والآخر بوصفه مستودعًا外加 بيان وكالة أنباء. معظم المقارنات بينهما تخطئ في التصنيف قبل أن تخطئ في الأرقام.

إجابتان على نفس السؤال

WeVisOne-VL-4B هي نسخة مُدربة تدريبًا دقيقًا من Qwen3-VL تُصدر الهندسة كرموز. تُرمّز الصناديق والنقاط كرموز عشرية من 0 إلى 1000، مُطبّعة على الصورة، وبعد كل صندوق متوقع يُصدر النموذج رمزًا خاصًا تغذّي حالته المخفية وحدة فك ترميز أقنعة منفصلة: محوّل ميزات بصرية، وست كتل انتباه تبادلي قابلة للتشوه، ورأس متسلسل يعيد الضبط عند خطوات 4 و2 و1. النتيجة قناع نسخة، وللمهام الماتينية قناة ألفا بالدقة الكاملة. لا يوجد نموذج ثانٍ في الحلقة ولا استدعاء لـ SAM؛ مسار البكسل بأكمله أقل من عشرة ملايين معامل مرتبطة بنموذج اللغة. يبلغ عدد المعاملات 4.83 مليار بصيغة bfloat16، وتقرّب بطاقة النموذج ذلك إلى 5B، ويستقبل صورة واحدة لكل دور — إذ ترفض وحدة فك ترميز البكسل شبكات الفيديو رفضًا قاطعًا.

MiniCPM-V 4.7 هو نموذج عام بنسختين. يخزّن 35B-A3B نحو 35.2 مليار معامل عبر 256 خبيرًا، ويوجّه ثمانية منها لكل رمز ليكون النشط نحو 3 مليارات، ويحتفظ بسياق من 262,144 رمزًا مع إدخال صورة واحدة وصور متعددة وفيديو. أما 1B فهو نموذج كثيف بـ1.55 مليار معامل بالطول السياقي نفسه ونقطة تحقق BF16 بحجم 3.1 GB. يشتركان في برج رؤية SigLIP2 من 27 طبقة مع ضغط مختلط للرموز البصرية بنسبة 4× و16×، وهي الآلية التي تتيح لسياق بربع مليون رمز أن يبقى ميسور التكلفة. لا يملك أي منهما بدائية للتأشير أو الكشف أو التجزئة. يمكنك سؤال أي منهما أين القطة، وستحصل على وصف لمكان القطة.

هذا الفرق ليس شكليًا. فهو يحدد ما إذا كانت شيفرتك اللاحقة تحلّل JSON أم نصًا نثريًا، وما إذا كانت الإجابة السيئة تفشل بصخب أم بهدوء، وما إذا كان يمكن تركيب النموذج مع أي شيء آخر دون نموذج ثانٍ يُصلح مخرجاته.

الأرقام، والخطأ الفئوي الكامن فيها

كل رقم أدناه مُبلَّغ عنه من قِبل المورّد. أرقام Tencent مستمدة من الورقة البحثية وملف README، مع مجموعة مقارنة اختارها المؤلفون دون أي إعادة إنتاج من طرف ثالث. أما أرقام OpenBMB فمستمدة من صفحة الطراز الخاصة بالمورّد، منشورة كنصوص وصور بيانية بدلًا من جدول رقمي. ولا يملك أيٌّ من المختبرين نتيجة مستقلة لهذه الطرازات على منصة اختبار مشتركة.

• الكشف، LVIS F1 — WeVisOne-VL-4B 55.3 مقابل أفضل خط أساس يذكره المؤلفون عند 50.7. لا تنشر MiniCPM-V 4.7 أي رقم للكشف.

• الكشف الكثيف، Dense200 F1 — 71.3 لـ WeVisOne مقابل 58.7 لأفضل خط أساس، و15.2 لـ Qwen3-VL-4B غير المعدّل. هذا الصف الأخير هو الأكثر إثارة للاهتمام في الورقة: فالضبط الدقيق هو ما يحوّل نموذجًا عامًا إلى مُحدِّد مواضع.

• بالإشارة إلى، اختبار RefCOCOg F1 — 81.8 لـ WeVisOne-VL-4B مقابل 77.6 لأقوى خط أساس يدرجه المؤلفون. معدل الرفض لديه في استعلامات الهدف الغائب هو ما ينبغي أن تنظر إليه أولًا: 67.4 بالمئة على RefCOCOg-Rej، و96.4 بالمئة على WeRef-Bench الداخلي، و52.6 بالمئة على PR-Bench. النموذج نفسه، ثلاث إجابات مختلفة، لأن التوزيعات تختلف.

• العدّ، PixMo-Count — 89.6 مقابل 82.8. التجزئة، ReasonSeg val gIoU — 71.2 مقابل 65.0.

• الماتينغ، متوسط الفرق المطلق لـ P3M-500-NP — 7.3 مقابل 15.4، والأقل هو الأفضل، وهو نحو نصف الخطأ الذي سجّله أفضل خط أساس مخصّص للماتينغ قارن به المؤلفون.

• القراءة، OCRBench — 91.2 لـ MiniCPM-V 4.7 35B-A3B و86.1 لـ 1B، مقابل TotalText F1 البالغ 52.0 لـ WeVisOne-VL-4B.

تلك النقطة الأخيرة هي الفخ. فـ OCRBench يقيس التعرّف على النص؛ بينما TotalText F1 يقيس تحديد موضع النص. ووضع 86.1 إلى جانب 52.0 وإعلان فوز بفارق 34 نقطة هو خطأ في التصنيف، وهو من نوع الأخطاء التي تُنسخ من منشور مقارنة إلى آخر. والقول الأمين هو أن النموذجين لم يُختبرا على المهمة نفسها، والشيء الوحيد الذي تثبته الأرقام هو أن MiniCPM مصمم للنسخ النصي وأن WeVisOne مصمم لتحديد الموضع.

الذاكرة هي الثمن الحقيقي

WeVisOne-VL-4B هو نقطة تحقق bfloat16 بحجم 9.66 GB قبل وحدة فك ترميز الأقنعة الخاصة به، ولا توفر Tencent أي نسخة مُكمّمة. رقم 19 GB على بطاقة المقارنة هو نقطة التحقق نفسها محوّلة إلى F32، ما يضاعف حجمها؛ وفي كلتا الحالتين ما زلت بحاجة إلى كود الاستدلال المخصص: mask_decoder.pt مكوّن مطلوب وليس إضافة اختيارية، وتحميل Transformers الافتراضي سيمنحك المربعات والنص لكن دون أقنعة. مسارات الخدمة الموثقة هي حزمة الاستدلال الخاصة بالمشروع، التي تغلّف إما خلفية Transformers أو خلفية vLLM، إضافة إلى عرض Gradio تجريبي؛ وإعدادات التقييم هي فك الترميز الجشع وحد أقصى قدره 1,960 رمزًا مرئيًا لكل صورة. هذه خدمة تعتمد على GPU.

MiniCPM-V 4.7 35B-A3B هو نحو 70 غيغابايت من أوزان BF16 موزعة على ستة عشر جزءًا، وهو أسوأ على الورق وأفضل عمليًا لأن نحو 3 مليارات معامل فقط تكون نشطة لكل رمز. وتتمثل فكرة OpenBMB بأكملها في أن الخبراء غير النشطين يمكن بثهم من التخزين بدلًا من إبقائهم في الذاكرة، باستخدام Lookahead Expert Scheduling للجلب المسبق للخبراء الذين يُرجح أن تحتاجهم الطبقة التالية، إضافة إلى التكميم على مستوى الطبقات وفك التشفير التخميني DSpark. وادعاء البائع هو 13 رمزًا أو أكثر في الثانية على iPhone 17 Pro Max باستخدام نحو 3 غيغابايت من الذاكرة. ولم يتحقق أي طرف مستقل من ذلك، والادعاء يعتمد على عمل التقنيات الثلاث معًا لا على أي واحدة منها منفردة.

يغيّر نموذج 1B المعادلة الاقتصادية بالكامل: 3.1 غيغابايت بصيغة BF16، ونحو 0.67 غيغابايت بصيغة Q4_K_M GGUF، ولهذا يستطيع مراقب القطط esp32-eye تشغيله على MacBook كبوّابة لا تنطلق إلا كل 1.5 ثانية على الأكثر. وقد وجد البناء نفسه أن 1B غير موثوق في التمييز بين أربع قطط متشابهة، لذا فهو كاشف حضور لا مُعرّف دقيق — حدّ مفيد لمن يخطط لاستخدامه كمصنّف رخيص.

بعبارة واضحة: تحصل WeVisOne على الهندسة مقابل 9.66 جيجابايت ووحدة معالجة رسومات. أما MiniCPM فتحصل على القراءة مقابل 70 جيجابايت أو 3 جيجابايت حسب الحجم الذي تختاره، وبيئة تشغيل بمستوى الهاتف إذا صحّت ادعاءات الجدولة لدى OpenBMB.

ما الذي يتعطّل في بيئة الإنتاج؟

أوضاع فشل {{1}}WeVisOne{{/1}} موثّقة ومحدّدة. تتدهور جودة {{2}}Alpha{{/2}} عند الحدود الدقيقة والاحتجاب الشديد والمواد الشفافة فعليًا. النموذج حساس لصياغة الموجّه، لذا فإن "شعر المرأة" و"شعرها" ليس مضمونًا أن يعيدا القناع نفسه. لا يستطيع استقبال الفيديو، وليس لديه سلسلة تفكير، لذا لا توجد طريقة لطلب أن يستدل على استعلام غامض قبل أن يلتزم بمربّع، وسلوك الرفض لديه نقطة ضعف يخفيها الرقم الرئيسي في الورقة: 96.4 بالمئة على {{3}}WeRef-Bench{{/3}} لكن نحو 52.6 بالمئة على {{4}}PR-Bench{{/4}}. المكوّن الذي يرفض الأهداف الغائبة معظم الوقت مفيد؛ أما الذي يرفضها نصف الوقت على توزيع مختلف فيحتاج إلى حارس.

أنماط فشل MiniCPM-V 4.7 هي أنماط فشل النموذج العام: فهو يصف الصورة بطلاقة سواء كان الوصف مستندًا إلى الصورة أم لا، ولا توجد قناة رفض على الإطلاق. لا شيء في البطاقة يخبرك عندما لا يعرف النموذج. بالنسبة لقارئ بشري، هذا مقبول — فالإنسان يقرأ الفقرة. أما بالنسبة لخط معالجة يحتاج إلى صندوق، فهو مُسقِط للأهلية، لأنك ستكون تحلّل النثر إلى إحداثيات وتأمل أن ينجح الأمر.

إذا كنت تحتاج هذا الأسبوع إلى نموذج رؤية عام مُستضاف بدلًا من نموذج متخصص يُستضاف ذاتيًا، فلا يوجد أيٌّ من هذين في كتالوج OrcaRouter، ويجدر قول ذلك قبل العرض التقديمي: فالمسار العملي هو نموذج عام الغرض مُستضاف، يُستدعى عبر مفتاح واحد يشمل أكثر من 200 نموذجبـهامش ربح 0% على أسعار القائمة لدى المزودين، مع تجاوز فشل تلقائي إذا تعثرت نقطة نهاية المنبع. هذا يمنحك خط معالجة عاملًا؛ لكنه لن يمنحك أقنعة ألفا، وهو منتج مختلف عن أيٍّ من النموذجين اللذين تتناولهما هذه الصفحة.

الاختيار بينها

اختر WeVisOne-VL-4B إذا كان ناتجك هندسيًا: عدّ الأشياء على رف متجر، أو قص منتج من صورة، أو إبراز منطقة للمستخدم، أو الرفض عندما لا يكون الشيء موجودًا. رقم الماتينغ غير معتاد حقًا، وقناة الرفض ميزة هندسية حقيقية، و9.66 GB هو ثمن مكوّن يعيد شيئًا يمكن لبرنامج استخدامه.

خذ MiniCPM-V 4.7 35B-A3B إذا كان ناتجك هو الفهم: ملف PDF طويل، أو لوحة معلومات، أو فيديو، أو صفحة تجمع بين النصوص والأشكال. وخُذ النموذج 1B إذا كنت بحاجة إلى بوابة رخيصة أمام شيء أكثر تكلفة، ولا تطلب منه التمييز بين قطتين متشابهتين.

المقارنة التي من شأنها أن تحسم الأمر فعليًا غير موجودة بعد: إطار اختبار مستقل يشغّل كلا النموذجين على مجموعة الكشف والتعرف الضوئي على الحروف نفسها، وبميزانية الصور نفسها. وإلى أن ينشرها أحد، فإن الموقف الذي يمكن الدفاع عنه هو الموقف الممل — فهذان النموذجان يؤديان وظيفتين مختلفتين، وجداول المورّد لا تتقاطع، والرقم الوحيد الذي ينبغي أن يغيّر قرارك هو حجم الشيء الذي عليك نشره.