WeVisOne-VL-2B مقابل MiniCPM-V 4.7 1B: بفارق 0.45B، مهام مختلفة

تشير الأسماء إلى فجوة بنسبة اثنين إلى واحد. أما نقاط التحقق فلا. تأتي MiniCPM-V 4.7 1B بـ 1,554,476,272 معلمة بدقة bfloat16، وتأتي WeVisOne-VL-2B بنحو ملياري معلمة — لذا فإن الفارق الحقيقي بينهما نحو 0.45 مليار معلمة، لا مليار. ضعهما على القرص نفسه فسيشغلان مساحة متقاربة. ضعهما في المهمة نفسها فينهاران تمامًا، لأن MiniCPM-V 4.7 1B صُمم لقراءة مستند ومشاهدة فيديو وإجراء محادثة عنه، بينما صُمم WeVisOne-VL-2B للعثور على جسم وإعادة قناع.

كلاهما بترخيص Apache 2.0. وكلاهما صغير بما يكفي ليجذب اهتمام من يبني على وحدة معالجة رسومات واحدة. وكلاهما حديث — فقد رُفع MiniCPM-V 4.7 1B في 6 أكتوبر 2026، وأُرِّخ في 12 أكتوبر في ملاحظات إصدار OpenBMB، بينما رُفع WeVisOne-VL-2B في 22 أكتوبر. وهذا التوافق في التشابه والاختلاف هو ما يجعل هذين النموذجين جديرين بصفحة كاملة: فكل مواصفة رئيسية تقريبًا متقاربة، وكل استخدام فعلي تقريبًا ليس كذلك.

أولًا، الأسماء، مصحّحة.

تسمية OpenBMB فضفاضة على نحو أدى بالفعل إلى ارتباك في جداول المقارنة. فالنموذج المسمى 1B يمتلك 1.55 مليار معامل وفق بيانات safetensors الوصفية الخاصة به؛ وقد ذكرت مواد البائع 1.3B و1.38B في مواضع مختلفة. وسياق 262,144 رمزًا حقيقي ومضبوط في إعدادات النموذج. والبنية عبارة عن عمود فقري نصي من 24 طبقة و1024 بعدًا مخفيًا مشتق من Qwen3.5 بنمط 3:1 من الانتباه الخطي إلى الانتباه الكامل، مقترنًا ببرج رؤية بأسلوب SigLIP2 من 27 طبقة يعمل على بلاطات بحجم 980 بكسل، بالإضافة إلى وضع ضغط رموز بصرية قابل للاختيار بمقدار 4× أو 16× يوازن بين التفاصيل والتكلفة لكل طلب.

تسمية Tencent أكثر إحكامًا. إن WeVisOne-VL-2B نموذج يضم ملياري معامل، مبني على Qwen3-VL، مع وحدة فك ترميز بكسل منفصلة تضم 9,511,460 معاملًا، تصفها بطاقة النموذج بأنها «مكوّن أساسي مطلوب، وليس إضافة اختيارية». ولا يُعدّ مفكك الترميز تفصيلًا ثانويًا في سياق النشر: فبدونه ينتج النموذج مربعات ونقاطًا، ولا توجد أي من مخرجات الأقنعة أو المات.

إذن، الإطار الصحيح ليس صغيرًا مقابل كبير. إنه 1.55B مقابل 2B — فرق بنسبة 29 بالمئة في الأوزان — مع عقود مخرجات مختلفة تمامًا.

مفردتان معياريتان لا تلتقيان أبدًا

هذا هو الجزء الذي تخطئ فيه معظم المقارنات، لذا يجدر توضيحه قبل ظهور أي رقم. تقيّم OpenBMB نموذج MiniCPM-V 4.7 1B على معايير متعددة الوسائط عامة: OCRBench 86.1، وMMMU 56.89، وMathVista 74.30، وMMBench 83.17، وMMStar 69.53، وMMMU-Pro 38.03، وMathVerse 60.41، وCharXiv Reasoning 48.8، وLongVideoBench 53.4، وMotionBench 54.55. هذه أرقام أجراها المورّد، وتُعرض في الغالب كرسوم بيانية بدلًا من جدول يتضمن تفاصيل أدوات التقييم، ولم تعِد أي جهة مستقلة إنتاجها.

تقيّم Tencent نموذج WeVisOne-VL-2B على معايير الإدراك ولا تُبلغ إطلاقًا عن أي درجات عامة متعددة الوسائط. فلا وجود لـ MMMU، ولا لـ MMBench، ولا لـ MathVista، ولا لـ DocVQA، ولا لأي نتيجة لوصف الصور في جداوله السبعة. وما تُبلغ عنه بدلًا من ذلك هو قياسات خاصة بالمهام: F1 للكشف، ومطابقة تامة للعدّ، وF1 للإشارة، وF1 لتوطين OCR، وcIoU للتجزئة، وخطأ matting.

يكون التضارب أشد ما يكون في OCR، لأن كلا النموذجين يدّعي القيام به. إن نتيجة 86.1 الخاصة بـ MiniCPM هي OCRBench — وهي درجة نسخ نصي، تسأل عمّا إذا كان النموذج قد قرأ الأحرف بشكل صحيح. أما أرقام OCR الخاصة بـ WeVisOne فهي F1 لتحديد المواقع عند عتبة IoU مقدارها 0.5: 62.1 على SROIE، و42.6 على ICDAR2015، و42.5 على TotalText، و30.5 على HierText، وهي تقيس ما إذا كان النموذج قد رسم المربع الصحيح حول النص. يمكن أن يكون النموذج ممتازًا في أحد الأمرين ومتوسطًا في الآخر. إن طباعة «86.1 مقابل 62.1» ستكون بمثابة مقارنة اختبار تهجئة باختبار تأشير.

لا يوجد أي معيار تقييم يُبلِغ فيه كلا النموذجين عن رقم محسوب بالطريقة نفسها. وليس هذا استعراضًا بلاغيًا — بل هو النتيجة المحورية لهذه المقارنة، ويعني أن أي ترتيب تراه لهذين النموذجين مُجمَّع من أجزاء غير قابلة للمقارنة.

ما الذي يمكن شراؤه بـ262,144 رمزًا، وما الذي لن يقوله WeVisOne

يعلن MiniCPM-V 4.7 1B عن سياق بطول 262,144 رمزًا ومسار فيديو يقبل حتى 128 إطارًا افتراضيًا، مع شريحة واحدة لكل إطار. هذه آلة للمستندات والفيديو: ملفات PDF طويلة، ومسحات متعددة الصفحات، ودقيقة من اللقطات. مفتاح الضغط 4× و16× موجود تحديدًا لأن الاحتفاظ بهذا القدر من التفاصيل البصرية مكلف، وتتيح لك OpenBMB اختيار مقدار ما تحتفظ به منه لكل طلب.

لا تُفصح WeVisOne-VL-2B عن أي طول للسياق. بطاقة النموذج صامتة؛ وقد جرى التدريب في الورقة على مراحل عند 4,096 و8,192 رمزًا، بينما يحدّ الاستدلال كل صورة عند 1,960 رمزًا مرئيًا مع فك ترميز جشع. لا يمثل أي من ذلك نافذة نشر، ولا يدّعي تينسنت أنه كذلك. كما يرفض شبكات الفيديو رفضًا قاطعًا — فمفكك ترميز البكسل مخصص للصور فقط، وأحادي الدور، وبلا سلسلة تفكير.

يكشف لك هذا التباين ما حسّنه كل مورّد. فقد حسّنت OpenBMB قدرة النموذج الواحد على استيعاب كمية المدخلات. أما Tencent فقد حسّنت مدى دقة إشارة النموذج الواحد إلى ما استوعبه، ثم رسمت حدًا صارمًا حول نوع المدخلات لإبقاء المُفكِّك بسيطًا.

أين يعمل كل واحد منها فعليًا

يتمتع MiniCPM-V 4.7 1B بمساحة نشر أوسع بفارق كبير: Transformers 5.18 وما بعده، وvLLM، وSGLang، وllama.cpp، وOllama، مع إصدارات GGUF وAWQ وGPTQ وFP8 وbitsandbytes وOpenVINO، إضافةً إلى دعم iOS وAndroid وHarmonyOS وتمكين الشرائح من اليوم الأول لدى قائمة من المورّدين تشمل Rockchip وArm وApple. كما توفر OpenBMB نموذج مسودة DSpark منفصلاً بـ213 مليون معامل للفك الترميز التخميني.

لدى WeVisOne-VL-2B حزمته الخاصة على GitHub، ومسار Transformers، كما أن vLLM وSGLang مدرجان في بطاقة النموذج. لا GGUF. لا إصدار مُكمَّم. لا ONNX. لا دعم للهواتف المحمولة. والمخرجات الكثيفة عبارة عن alpha matte بدقة كاملة وبخطوة 1 (stride-1)، ما يعني أن الذاكرة تتناسب مع الصورة لا مع عدد المعاملات — نموذج 2B رخيص الاحتفاظ به وليس بالضرورة رخيص التشغيل بدقة 4K.

إذا كان هدفك هاتفًا، فإن هذا القسم ينهي المقارنة. لقد صُمم MiniCPM لهذا القيد ويصرّح بذلك في قائمة صيغه. أما WeVisOne فلم يُصمم لذلك، ولا يدّعي ذلك.

النقطة الوحيدة التي يتساويان فيها: الترخيص

Apache 2.0 على كليهما. لا عتبة للإيرادات، ولا قيد على مجال الاستخدام، ولا اتفاق تجاري منفصل. في فئة تستخدم فيها Liquid AI ترخيصها الخاص المحدود بسقف إيرادات، ويستخدم Moondream ترخيصًا متاح المصدر مع منحٍ يمنع تقديم الخدمة عبر طرف ثالث، فإن وجود نموذجين للرؤية بترخيص Apache 2.0 بهذا الحجم أمر جدير بالملاحظة — فهو يعني أن الترخيص ليس المتغير الحاسم هنا، وهو أمر غير معتاد بما يكفي لأن يُقال بصوت عالٍ.

كما يزيل التعادل السبب الأكثر شيوعًا الذي يدفع الفرق إلى اختيار النموذج الأصغر. وإذا اجتاز كلا النموذجين المراجعة القانونية، فأنت تختار بناءً على القدرات والنشر، لا بناءً على الشروط.

الاختيار بينهما

اسأل عمّا يغذّيه المخرَج. إذا كان يغذّي مخزن مستندات أو نافذة محادثة أو فهرس فيديو أو نموذج لغة لاحق، فإن MiniCPM-V 4.7 1B هو الشكل الذي تريده: فهو ينتج نصًا مطوّلًا، ويستوعب مدخلات طويلة، ويُشحن بصيغ تعمل على العتاد الاستهلاكي.

إذا كان يغذّي خط معالجة تركيب، أو محرر صور، أو مهمة تنظيف كتالوج، أو قصّ منطقة اهتمام، فإن WeVisOne-VL-2B هو الشكل الذي تريده: صناديق ونقاط وأقنعة ثنائية وأقنعة ألفا متصلة، إضافة إلى سلوك رفض يهم أكثر من أي معيار قياس. تُبلّغ Tencent عن معدل رفض 50.2 على RefCOCOg لاستعلامات الأجسام الغائبة، مقابل 0.5 و0.6 لنموذجين متخصصين في تحديد المواقع على الجدول نفسه. وإذا كانت معظم صورك لا تحتوي على الشيء الذي تبحث عنه، فهذا الرقم هو ما يوفّر لك المال.

ثمة حالة ثالثة يتكامل فيها النموذجان بدل أن يتنافسا: خط معالجة مستندات يقرأ فيه MiniCPM الصفحة ويحدد WeVisOne المنطقة — التوقيع، والختم، وصورة المنتج — التي تحتاج خطوة القراءة إلى عزلها. هذه ليست مسألة توجيه بقدر ما هي مسألة تصميم خط معالجة، وهي الحالة التي يكون فيها منتج OrcaRouter مفيدًا فعلًا بدل أن يكون ملحقًا مصطنعًا. لا يوجد أي من هذين النموذجين في كتالوجنا؛ فكلاهما مستضاف ذاتيًا، ولن نوحي بغير ذلك. ما نوفره هو الجزء المستضاف: أكثر من 200 نموذج متاحة عبر مفتاح API واحد بسعر قائمة المزوّد ودون هامش ربح، وتجاوز تلقائي عند تدهور أداء أحد المزوّدين، ودمج النماذج، الذي يتيح لمجموعة من النماذج الإجابة عن السؤال نفسه معًا — وهو مفيد عندما يكون نص مفرّغ على وشك الدخول إلى قاعدة بيانات وتريد رأيًا ثانيًا قبل ذلك.

الرقم الذي يجب تذكره

ليس 1B و2B — بل 1.55B و2B. التسمية تجعلهما يبدوان وكأنهما فئتان مختلفتان من حيث الحجم، ونقاط التحقق تجعلهما يبدوان متجاورين تقريبًا، والانطباعان مضللان. ما يفصل MiniCPM-V 4.7 1B عن WeVisOne-VL-2B ليس الحجم ولا الترخيص ولا حتى الحداثة. بل إن أحدهما يعيد كلمات والآخر يعيد بكسلات، ولا يمكن طرح أي اختبار قياسي نشره أي من المورِّدين من الآخر ليخبرك أيهما أفضل في أن يكون الشيء الذي تحتاجه.