Eine generierte Hero-Karte mit der Überschrift 'MiniCPM-V 4.7 vs. LLaDA-UI' und dem Untertitel 'Ein smartphone-tauglicher Generalist gegen einen Diffusions-GUI-Agenten', eine linke Karte mit dem Text 'LLaDA-UI: 16,7B MoE, blockweise Diffusion, GUI-Agent, ScreenSpot-Pro 52,9', eine rechte Karte mit dem Text 'MiniCPM-V 4.7: 35,2B dünnbesetztes MoE, autoregressiv, Apache-2.0, keine Score-Tabelle' und ein Pill-Element mit der Aufschrift 'Ein Spezialist mit Messwerten gegen einen Generalisten ohne Messwerte'. Das OrcaRouter-Logo erscheint unten rechts.
Guides & Insights

MiniCPM-V 4.7 vs. LLaDA-UI: Ein smartphone-tauglicher Generalist gegen einen Diffusion-GUI-Agenten

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Setzt man MiniCPM-V 4.7 neben LLaDA-UI, erweist sich der naheliegende Rahmen – Generalist versus Spezialist – als die am wenigsten nützliche Art, das Duell zu lesen. MiniCPM-V 4.7, das OpenBMB am 12. Oktober 2026 dokumentierte und lizenzierte, ist ein Sparse-Mixture-of-Experts-Vision-Language-Modell mit 35,2 Milliarden Parametern, dessen ganzes Argument Effizienz ist: Die Modellkarte behauptet 13-plus Token pro Sekunde auf einem iPhone 17 Pro Max und eine bessere Position bei der Leistung pro Inferenzzeit als Qwen3.6 35B-A3B. LLaDA-UI, inclusionAIs Mixture-of-Experts-GUI-Agent mit ungefähr 16,7 Milliarden Parametern, ist eine ganz andere Spezies – es generiert Token überhaupt nicht von links nach rechts, sondern entrauscht einen Block davon auf einmal. Die Frage, die ein Entwickler tatsächlich hat, ist enger gefasst als „Welches ist besser“: Sie lautet, welches der beiden an der Aufgabe gemessen wurde, für die Sie es anheuern, und mit welchen Belegen.

Die beiden Evidenzbasen sind nicht die gleiche Art von Sache

Beide Modelle wurden vom Anbieter mit Benchmarks getestet, und keines wurde unabhängig reproduziert. Darüber hinaus teilt sich der Vergleich.

• MiniCPM-V 4.7 — der Evaluierungsabschnitt seiner Modellkarte besteht aus fünf Abbildungen: Gesamtleistung im Bereich Vision-Language, Sprachleistung, das Diagramm der 1B-Variante, eine Frontier-Grafik zu Leistung gegenüber Inferenzzeit und ein Geschwindigkeitsvergleich auf dem Gerät. Der Fließtext enthält zwei Aussagen, beide vergleichend statt absolut. In der öffentlichen Dokumentation gibt es keine Tabelle mit Ergebnissen pro Benchmark.

• LLaDA-UI — der technische Bericht, das arXiv-Papier und die Projektseite nennen benannte Benchmarks mit benannten Baselines: ScreenSpot-Pro 52,9 gegen Qwen3-VL-8B mit 52,7, AndroidWorld 53,5 gegen 47,9, MobileWorld 25,6 gegen 9,4, WebVoyager 56,9 gegen 45,2, wobei ScreenSpot-V2 als nahezu gleichauf beschrieben und OSWorld-Verified von inclusionAI selbst als verbleibende Lücke dargestellt wird.

• Was das in der Praxis bedeutet — das eine Modell veröffentlicht Zahlen auf Aufgabenebene, über die man streiten kann, und das andere veröffentlicht einen zusammengesetzten Wert, den man nicht zerlegen kann. „Höhere Gesamtpunktzahl in weniger Inferenzzeit“ ist eine Aussage über ein Diagramm, und die Gewichtung hinter dem zusammengesetzten Wert wird nicht veröffentlicht. Ein ScreenSpot-Pro-Wert von 52.9 ist eine Aussage über einen definierten Test mit einem definierten Protokoll.

• Keine der beiden ist unabhängig verifiziert — die LLaDA-UI-Zahlen stammen von der eigenen Projektseite und dem technischen Bericht; die MiniCPM-V 4.7-Zahlen stammen aus Diagrammen, die der Anbieter erstellt hat. Es wäre ein Fehler, eine der beiden als gesichert zu betrachten, aber es wäre ein anderer Fehler, sie als gleichermaßen aussagekräftig zu behandeln.

Was jedes Modell tatsächlich ist

Die Architekturlücke ist größer, als die Parameterzahlen vermuten lassen, und sie bestimmt die meisten praktischen Unterschiede im weiteren Verlauf.

• Base — MiniCPM-V 4.7 nutzt ein qwen3_5_moe_text-Backbone mit 256 Experten, 8 aktiven pro Token, 40 Schichten und einem Drei-zu-eins-Muster von linearer zu voller Attention; LLaDA-UI nutzt LLaDA2.0-mini-base, ein maskiertes Diffusions-Sprachmodell.

• Generierung — MiniCPM-V 4.7 ist autoregressiv, ein Token nach dem anderen; LLaDA-UI dekodiert blockweise, entrauscht parallel einen ganzen Block von Ausgabepositionen und rekonstruiert unter bidirektionalen Bedingungen innerhalb dieses Blocks.

• Parameter — 35,2 Milliarden insgesamt für MiniCPM-V 4.7, wobei 8 von 256 Experten pro Token aktiv sind; etwa 16,7 Milliarden insgesamt für LLaDA-UI als Mixtur aus Experten.

• Kontext — maximale Position von 262.144 Tokens für MiniCPM-V 4.7; die Modellkarte von LLaDA-UI dokumentiert einen --max-length-Standardwert von 8192 für ihr Inferenzskript, wobei große Screenshots eine Erhöhung erfordern.

• Vision — MiniCPM-V 4.7 verwendet einen 27-schichtigen, 1.152 breiten Tower bei Patch 14 und Bildgröße 980 mit gemischter 4x/16x-Token-Komprimierung; LLaDA-UI verwendet einen ViT mit nativer Auflösung, initialisiert aus SigLIP, mit 2D-Rotations-Embeddings und einer räumlichen Vier-zu-eins-Zusammenführung in ein zweischichtiges MLP, ausdrücklich um das Seitenverhältnis von Smartphone-, Desktop- und Web-Screenshots zu bewahren.

• Ausgabe — MiniCPM-V 4.7 erzeugt Text, wobei Bild- und Videoverständnis die Eingabeseite bilden; LLaDA-UI erzeugt normalisierte Koordinaten im Bereich von 0 bis 999 sowie getaggte Sequenzen aus Reasoning und Aktion, die ausgeführt werden sollen.

• Lizenz — Apache-2.0 für MiniCPM-V 4.7, angegeben am 12. Oktober; auf der Projektseite oder Modellkarte von LLaDA-UI wird nirgends eine Lizenz genannt.

Der letzte Aufzählungspunkt ist keine Fußnote, wenn du auslieferst. Eines dieser beiden kannst du heute ohne Gespräch in ein kommerzielles Produkt einbauen; das andere nicht.

Beim Dekodieren liegt die eigentliche Trennung.

Blockweise Diffusion ist der Grund, warum LLaDA-UI als eigenständige Arbeitslinie existiert und nicht als weiteres Fine-Tuning. In einer autoregressiven Agentenschleife hängt jedes Aktions-Token von jedem vorhergehenden Token ab, sodass die Klickkoordinate am Ende einer Antwort auf die vorangehende Schlussfolgerung wartet. In einem Diffusionsagenten wird der Block als Einheit verfeinert, und die praktische Konsequenz, die inclusionAI verkauft, ist die Latenz: In einem gepaarten API-Test meldet die Projektseite 4,8 bis 6,4 Sekunden gegenüber 17 bis 53 Sekunden von Qwen3-VL-8B, beschrieben als durchschnittliche Beschleunigungen von 3,58x im Web, 6,83x auf dem Desktop und 8,95x bei mobilen Eingaben, während pro Aufruf mehr Tokens ausgegeben werden. Bei MobileWorld-Eingaben liegen die berichteten Mittelwerte bei 5,9 Sekunden gegenüber 53,0.

Das sind vom Anbieter gemessene, gepaarte, nicht gecachte Werte auf dem laboreigenen Prüfstand, und sie sollten auch so gelesen werden. Aber die Richtung ist es wert, trotz des Vorbehalts ernst genommen zu werden, weil Agenten-Schleifen die Latenz vervielfachen. Ein Interface-Agent, der zehn Schritte benötigt, zahlt die Kosten pro Schritt zehnmal, und ein Unterschied von zehn Sekunden pro Schritt ist der Unterschied zwischen einer Demo und einem Produkt.

MiniCPM-V 4.7 geht dasselbe Problem vom entgegengesetzten Ende an. Es behält die autoregressive Dekodierung bei und macht jeden Schritt durch Experten-Scheduling günstig – ein schichtübergreifender Prädiktor lädt Experten vor, die die nächste Schicht wahrscheinlich benötigen, und priorisiert dabei diejenigen, die der echte Router tatsächlich ausgewählt hat; die Modellkarte stellt ausdrücklich klar, dass die Vorhersage nur das Prefetching steuert und das Routing des Modells selbst weiterhin die Berechnung bestimmt. Fügt man schichtweise Quantisierung und DSpark Speculative Sampling hinzu, lautet die Behauptung mehr als 13 Token pro Sekunde für einen 35-Milliarden-Parameter-MoE auf einem Mobiltelefon. Anderer Mechanismus, dasselbe Ziel: die Schleife schnell genug machen, dass ein Gerät sie ausführen kann.

A generated two-column comparison table headed with 'MiniCPM-V 4.7' and 'LLaDA-UI' over six shared rows. The MiniCPM-V 4.7 column reads '35.2B total, 8 of 256 active', 'autoregressive', 'vendor charts, no table', 'documented, unscored', 'Apache-2.0' and 'GGUF, AWQ, GPTQ, FP8'; the LLaDA-UI column reads 'approx 16.7B MoE', 'block-wise diffusion', 'named benchmarks in report', 'ScreenSpot-Pro 52.9', 'not stated' and 'lab SGLang patches required'. A footer reads 'LLaDA-UI figures vendor-reported from its technical report; MiniCPM-V 4.7 figures from its model card and config.json.'

Was jedes einzelne gut kann, so eng formuliert, wie es die Beweislage zulässt.

• Wähle LLaDA-UI, wenn es sich bei der Aufgabe um eine Schnittstelle handelt — Klicken, Tippen, Navigieren in einer mobilen App, einem Desktop-Fenster oder einer Webseite. Von den beiden ist es dasjenige mit veröffentlichten Grounding- und Navigations-Scores, einer dokumentierten Koordinatenkonvention und mitgelieferten Beispielanfragen für Mobilgeräte, Desktop und Web.

• Wählen Sie MiniCPM-V 4.7, wenn es um das Verstehen geht – ein Foto beschreiben, ein Dokument lesen, ein PDF parsen, eine Frage zu einem Video beantworten, auf Hardware laufen, die Ihnen gehört. Es ist das eine der beiden mit dokumentierter Aufmerksamkeit für OCR, PDF-Parsing und visuelles Grounding in seinem Cookbook, mit Standardunterstützung für SGLang, vLLM, llama.cpp und Ollama und mit quantisierten Varianten, die zum Download veröffentlicht wurden.

• Die Überschneidung ist kleiner, als sie aussieht — Die Modellkarte von MiniCPM-V 4.7 führt visuelles Grounding als Cookbook-Anleitung auf, veröffentlicht aber überhaupt keinen Grounding-Score. Die Karte von LLaDA-UI dreht sich um eine einzige Aufgabe. Wenn Ihr Workload die GUI-Automatisierung ist, vergleichen Sie einen gemessenen Spezialisten mit einem ungemessenen Generalisten; wenn Ihr Workload das Dokumenten- und Bildverständnis ist, vergleichen Sie einen dokumentierten Generalisten mit einem Modell, das dafür nie gebaut wurde.

• Die Deployment-Reibung geht in die andere Richtung — MiniCPM-V 4.7 bietet GGUF-, AWQ-, GPTQ-, int4- und FP8-Checkpoints sowie einen OpenVINO-Pfad und angegebene Day-0-Unterstützung für Rockchip-, Houmo-, Intel-, AMD- und Arm-Silizium. Der Serving-Pfad von LLaDA-UI erfordert die eigenen multimodalen SGLang-Diffusions-Patches des Labors und dessen serve_llada_ui.sh-Skript; die Modellkarte stellt unmissverständlich fest, dass der Server nicht aus einer Standard-SGLang-Installation gestartet werden kann.

Die Kostenfrage, die niemand veröffentlicht

Keines der beiden Modelle hat einen öffentlichen Preis pro Token, denn keines ist ein gehosteter Endpunkt, den man pro Million Token mietet. Sie hosten beide selbst, was bedeutet, dass die Kosten aus Ihrer Hardware und Ihrer Latenz bestehen. Das ordnet die Entscheidung neu ein: Ein Checkpoint mit 16,7 Milliarden Parametern und etwa 32 GB in BF16 ist eine deutlich geringere Verpflichtung als einer mit 70 GB und 35 Milliarden Parametern, und wenn die Agentenaufgabe nur das kleinere Modell benötigt, bringt Ihnen das größere bei dieser Arbeitslast nichts.

Der Hybridfall ist der, in dem sich eine Routing-Schicht bezahlt macht. Betreiben Sie das kleine, zweckgebundene Modell lokal für die routinemäßige Interface-Arbeit, und übergeben Sie die wirklich schwierigen Frames – einen dichten Screenshot, ein ungewöhnliches Dokument, eine Frage, die das Weltwissen eines größeren Modells erfordert – an einen gehosteten Endpunkt. OrcaRouter stellt über 200 gehostete Modelle hinter einen einzigen Schlüssel mit dem Listenpreis jedes Anbieters, der mit 0 % Aufschlag durchgereicht wird und automatischem Failover, wenn ein Anbieter an Leistung verliert, und seine Routing-DSL ermöglicht es einem einzelnen Aufruf, einen schwierigen Fall auf mehr als ein Modell aufzufächern, wenn die Antwort richtig statt günstig sein muss. Weder MiniCPM-V 4.7 noch LLaDA-UI wird darüber bereitgestellt – beides sind Open-Weights-Checkpoints, die Sie selbst betreiben, und der Router ist das, was auf der anderen Seite dieser Übergabe sitzt.

A screenshot of the Hugging Face model page for inclusionAI/LLaDA-UI, showing the title 'LLaDA-UI — Bringing Block-wise Diffusion to Vision-Language GUI Agents', the arXiv, Project Page, HF Collection and GitHub badges, the opening description of MoE block-wise diffusion, the Figure 1 architecture diagram and the Model Details block.

Drei Fragen, die es sich zu beantworten lohnt, bevor Sie sich festlegen

Ist der Geschwindigkeitsvorteil von LLaDA-UI auf Ihrer Hardware real? Die Werte von 3- bis 9-fach sind gepaarte, nicht gecachte Messungen mit dem eigenen Testaufbau des Labors gegenüber einer einzigen Baseline. Blockweise Diffusion hat andere Speichereigenschaften als autoregressives Decoding, und eine auf der GPU des Anbieters gemessene Beschleunigung überträgt sich nicht automatisch auf Ihre. Dies ist die eine Zahl, deren Reproduktion sich am meisten lohnt, bevor Sie darauf aufbauen.

Kann man MiniCPM-V 4.7 überhaupt auf eine Interface-Aufgabe ansetzen? Plausibel – es ist ein Vision-Language-Modell mit dokumentierten Grounding-Werkzeugen –, doch die Modellkarte veröffentlicht weder einen GUI-Agent-Benchmark noch eine Koordinatenkonvention noch ein Aktionsvokabular. Heute einen GUI-Agenten darauf aufzubauen bedeutet, das Ausgabeformat selbst zu definieren und zu hoffen, dass das Modell es einhält. LLaDA-UI hat dieses Problem bewusst gelöst, mit getaggtem Reasoning plus Aktionsausgaben und plattformspezifischen Vokabularen.

Welche davon wird in sechs Monaten noch unterstützt? OpenBMB hat innerhalb von weniger als einer Woche eine komplette Familie rund um MiniCPM-V 4.7 veröffentlicht — zwei Basisvarianten, fünf Quantisierungsformate, zwei DSpark-Draft-Modelle, ein Cookbook und ein Repository für Edge-Deployment — zu Apache-2.0-Bedingungen. LLaDA-UI hat einen technischen Bericht, ein arXiv-Paper, eine Projektseite und ein Code-Repository und keine angegebene Lizenz. Die Breite der umgebenden Infrastruktur ist ein vernünftiger Anhaltspunkt dafür, wie sehr ein Labor etwas am Leben halten möchte.

Das Urteil

Diese beiden sind kein Ersatz füreinander, und die ehrliche Empfehlung folgt daraus und nicht aus den Parameterzahlen. Wenn Sie Schnittstellenautomatisierung entwickeln, ist LLaDA-UI trotz des kleineren Modells das ausgereiftere Produkt – gemessen an der Aufgabe, mit einem dokumentierten Ausgabeformat und einem Serving-Pfad und mit dem Lizenzrisiko, das Sie vor der Auslieferung klären müssen. Wenn Sie irgendetwas entwickeln, bei dem es um das Betrachten von Bildern, das Lesen von Dokumenten oder den Betrieb auf einem Smartphone geht, ist MiniCPM-V 4.7 das Modell mit dem Ökosystem, der permissiven Lizenz und der Deployment-Story, und seine Effizienzversprechen sind genau so belastbar, wie eine nicht reproduzierte Grafik sie machen kann. Teams, die beides brauchen, betreiben sie zusammen, und die Routing-Schicht ist der günstigste Teil dieser Anordnung.

A generated three-card graphic headed 'Which one for which job'. The 'Interface automation' card reads 'LLaDA-UI', 'Measured on GUI benchmarks', 'Documented action format', 'No stated licence'. The 'Images and documents' card reads 'MiniCPM-V 4.7', 'OCR, PDF and video guides', 'Apache-2.0', 'No benchmark table'. The 'Both at once' card reads 'Run the small local model', 'Route hard cases to a hosted model', 'One key, provider list price'. A footer reads 'Benchmark figures vendor-reported; architecture figures read from each model's config.' The OrcaRouter logo sits bottom-right.