MiniCPM-V 4.7 35B-A3B vs. UI-Mate-27B: Der eine liest den Bildschirm, der andere drückt den Button

Der ehrliche erste Satz über MiniCPM-V 4.7 35B-A3B gegenüber UI-Mate-27B lautet, dass sie keine Konkurrenten sind. Beide wurden ohne Ankündigung auf Hugging Face veröffentlicht, beide tragen eine permissive Lizenz, beide sind auf Backbones aus der Qwen-Familie trainiert, und beide werden in ihrer eigenen Dokumentation als stark darin beschrieben, zu verstehen, was auf einem Bildschirm zu sehen ist — weshalb sie zusammen abgelegt werden. Doch eines ist ein allgemeines Vision-Language-Modell, das ein Bild liest und in Text antwortet, und das andere ist ein GUI-Agent, der einen Screenshot liest und pyautogui-kompatible Maus- und Tastaturaktionen ausgibt. MiniCPM-V 4.7 35B-A3B kann Ihnen sagen, was in einem Dialogfeld steht. UI-Mate-27B kann es schließen. Alles andere in diesem Vergleich folgt aus diesem einen Unterschied, und die nützliche Frage ist nicht, welches Modell gewinnt — sondern welche Hälfte der Aufgabe Ihnen fehlt.

Beide sind außerdem früh dran. UI-Mate-27B erschien am 14. August 2026, mit einem Paper zwei Tage später und ohne Launch-Beitrag des Labors; als wir erstmals darüber berichteten, hatte es null Downloads auf Hugging Face, und es gibt weiterhin nirgends eine gehostete API. MiniCPM-V 4.7 kam am 6. Oktober ganz ohne Model Card, und OpenBMB veröffentlichte erst am 12. Oktober eine Modellkarte, ein Lizenz-Tag oder einen Claims-Abschnitt. Keines der beiden wurde unabhängig evaluiert. Jede Leistungsangabe in diesem Beitrag ist damit gekennzeichnet, wer sie gemeldet hat, und in beiden Fällen ist das das eigene Labor des Modells.

Derselbe Körper, zwei verschiedene Aufgaben

Beginne damit, was die Paarung natürlich wirken lässt. Beide sind mittlere bis große multimodale Modelle mit offenen Gewichten und Apache-2.0-Lizenzen. Beide entstammen derselben vorgelagerten Modelllinie – UI-Mate-27B ist ein Fine-Tuning von Qwen3.6-27B, und der Sprach-Stack von MiniCPM-V 4.7 35B-A3B ist ein sparse MoE aus der Qwen3.5-Familie. Beide zielen auf denselben breiten Anwendungsbereich – Bildschirme, Dokumente und Anwendungszustand –, und beide wurden in Stille veröffentlicht.

Dann schau dir an, was jede einzelne ausgibt. MiniCPM-V 4.7 gibt Text-Tokens zurück. UI-Mate-27B gibt eine strukturierte Aktion zurück – einen Klick, einen Tastendruck, ein Scrollen, ein Warten, ein Signal für den Aufgabenabschluss – in einem normalisierten 1000×1000-Koordinatenraum, den der Referenzagent auf die tatsächliche Screenshot-Auflösung umskaliert, sodass Vorhersagen Unterschiede bei der Display-Skalierung zwischen Maschinen überstehen. Die Modellkarte macht ausdrücklich klar, dass UI-Mate „ein Agenten-Checkpoint und kein eigenständiges visuelles Chat-Modell“ ist und dass das begleitende Harness für alles Reale verwendet werden sollte.

Diese Unterscheidung entscheidet über die meisten realen Deployments. Wenn deine Pipeline lautet: „Lies diesen Screenshot und sag mir, was daran falsch ist“, dann ist ein allgemeines VLM das richtige Werkzeug und ein Agent Overkill mit einem schlechteren Fehlermodus. Wenn deine Pipeline lautet: „Bring die Anwendung dazu, das zu tun“, dann musst du mit einem VLM allein die gesamte Aktionsschicht selbst schreiben – Koordinatenzuordnung, Aktions-Parsing, Fehlerwiederherstellung, Retry-Logik – also genau den Teil, für den UI-Mate sein Reinforcement-Learning-Budget ausgegeben hat.

Was MiniCPM-V 4.7 35B-A3B derzeit ist

OpenBMBs erstes MoE in der MiniCPM-V-Reihe: 256 Experten, von denen 8 pro Token über 40 Schichten hinweg aktiv sind, ein Kontextfenster von 262.144 Token und ein Vokabular von 248.144 Token, also grob 3 Mrd. aktive Parameter von insgesamt 35,2 Mrd. Die Vision läuft über ein SigLIP2-Modul mit LLaVA-UHD v4 Intra-ViT-Frühkomprimierung und einem auswählbaren gemischten 4x/16x-Komprimierungsmodus für visuelle Token – standardmäßig 16x für den Durchsatz, 4x, wenn es auf feine Details ankommt. Es versteht einzelne Bilder, Multi-Bild-Sets und Videos und gibt Text zurück.

Die zentrale Behauptung auf der Karte ist, dass dies das erste Open-Source-MoE-Modell mit verlustfreier, reibungsloser On-Device-Inferenz sei – Lookahead Expert Scheduling, feingranulare schichtweise Quantisierung und spekulatives Sampling über separate DSpark-Drafts – bei berichteten mehr als 13 Token pro Sekunde auf einem iPhone 17 Pro Max. Diese Zahl ist vom Anbieter angegeben, nicht reproduziert und nicht näher qualifiziert. Eine zweite Behauptung – dass das Modell die Gesamtbewertung von Qwen3.6 35B-A3B im Instruct-Modus in kürzerer Inferenzzeit übertrifft – ist in einem Diagrammbild statt in einer Tabelle dargestellt, sodass sie nicht als Zahl zitiert werden kann.

Das Konkrete ist die Distribution. Base-, FP8-, int4-, AWQ-, GPTQ- und GGUF-Gewichte sind alle vorhanden; SGLang, vLLM, llama.cpp, Ollama und OpenVINO werden unterstützt; iOS-, Android- und HarmonyOS-Apps existieren; Rockchip, Houmo, Intel, AMD und Arm sind für Day-Zero-Silizium aufgeführt; und die Modellkarte dokumentiert Tool-Calling, mit einem ausgearbeiteten Beispiel für Funktionsaufrufe im Serving-Abschnitt. Dieses letzte Detail ist für diesen Vergleich wichtig: MiniCPM-V 4.7 kann die Wahrnehmungs- und Reasoning-Schicht innerhalb eines Agenten sein, den Sie erstellen, auch wenn es nicht eigenständig handeln wird.

Was UI-Mate-27B derzeit ist

Der 27-Milliarden-Parameter-Foundation-GUI-Agent des Anbieters, veröffentlicht am 14. August 2026 zusammen mit einem 9B-Geschwistermodell und einer demonstrationsgesteuerten Variante, UI-Mate-democua-27B. Das Training bestand aus überwachtem Fine-Tuning, gefolgt von Online-Reinforcement-Learning in ausführbaren GUI-Umgebungen – das Modell lernte, indem es tatsächlich Desktops steuerte, nicht anhand statischer Screenshots. Sein Aktionsraum umfasst Maus, Tastatur, Scrollen, Warten, Nutzerinteraktion und Abschlusssignale, und die ausgegebenen Aktionen sind pyautogui-kompatibel, sodass die Testumgebung sie direkt ausführen kann.

Das Differenzierungsmerkmal, auf das der Anbieter setzt, ist die demonstrationsgesteuerte Ausführung: einen Workflow einmal aufzeichnen, und der Agent passt ihn an den aktuellen Bildschirm an, wobei der Live-Screenshot als maßgeblich gilt, anstatt ein festes Skript erneut abzuspielen. Das Begleitmaterial ist für eine stille Veröffentlichung ungewöhnlich vollständig – eine Projektseite mit einem Demo-Video und einer macOS-Apple-Silicon-App, ein GitHub-Repository mit dem offiziellen Prompt, Antwort-Parser und Interaktions-Harness sowie der arXiv-Preprint 2608.15930, der zwei Tage nach dem Hochladen der Gewichte eingereicht wurde.

Die Schlagzeilenwerte sind ein vom Anbieter gemeldeter WindowsAgentArena-Score von 66,2 und OSWorld-Verified von 77,0, die, sollten sie sich bestätigen, an der Spitze dessen stünden, was in diesem Jahr für diesen Benchmark veröffentlicht wurde. Sie wurden von niemandem außerhalb des Labors reproduziert. Und das Bild beim Deployment ist dünn, wie es bei frühen Agent-Veröffentlichungen üblich ist: keine gehostete API, ein empfohlener Serving-Pfad von vLLM hinter einem OpenAI-kompatiblen Endpunkt und eine ausdrückliche Anweisung, das Harness zu verwenden, anstatt den Checkpoint roh aufzurufen.

Acht Dimensionen, beide Seiten

• Ausgabe — Text, von MiniCPM-V 4.7 35B-A3B; strukturierte pyautogui-kompatible Aktionen, von UI-Mate-27B.

• Eingabe — Text, Bilder und Video, gegen Live-Screenshots plus eine Anweisung. Keines von beiden verarbeitet Audio.

• Basismodell — ein Sparse-MoE aus der Qwen3.5-Familie für das MiniCPM-Modell, Qwen3.6-27B für UI-Mate.

• Größe und Form — 35,2B insgesamt mit 3B aktiven Parametern, verteilt auf 256 Experten; 27B dicht. Das dünnbesetzte Modell ist pro Token günstiger, das dichte Modell ist einfacher bereitzustellen.

• Kontext — 262.144 Tokens gegenüber einem Standard von fünf beibehaltenen Screenshots, was der größte einzelne architektonische Unterschied zwischen ihnen und der Grund dafür ist, dass das eine einen langen Dokumentensatz lesen kann und das andere nicht.

• Lizenz — Apache-2.0 bei beiden, was die Wahl ausnahmsweise zu einer technischen statt einer rechtlichen macht.

• Schlagzeilen-Behauptung, beide vom Hersteller angegeben — 13-plus Token pro Sekunde auf einem iPhone 17 Pro Max, gegenüber WindowsAgentArena 66,2 und OSWorld-Verified 77,0. Unterschiedliche Benchmarks, keine gemeinsame Skala, keines von beiden reproduziert.

• Heute verfügbar – sechs Quantisierungsformate, fünf Runtimes und mobile Apps, gegenüber null Downloads bei Erstberichterstattung, keiner gehosteten API und einem Harness, dessen Nutzung der Anbieter empfiehlt.

Wo sie sich tatsächlich überschneiden

Es gibt eine Aufgabe, die beide versuchen können: einen UI-Screenshot gut genug zu verstehen, um eine Frage dazu zu beantworten. Fragt man „welches Feld die Validierung nicht bestanden hat“, kann jedes der beiden Modelle plausibel antworten. Fragt man „behebe es“, erzeugt nur UI-Mate-27B eine Aktion, und nur, wenn du das Setup eingerichtet hast – die Screenshot-Schleife, den Parser, den Executor, die Koordinaten-Neuskalierung und die Retry-Richtlinie, wenn der Klick irgendwo unerwartet landet.

Die umgekehrte Überschneidung ist schwächer, aber real. Die Tool-Calling-Unterstützung von MiniCPM-V 4.7 bedeutet, dass Sie einen Agenten darum herum bauen können – Wahrnehmung und Planung auf dem Vision-Modell, mit einer eigenen Aktionsschicht, die über Funktionsaufrufe angebunden wird. Das ist eine legitime Architektur, und sie gibt Ihnen die vollständige Kontrolle über den Aktionsraum. Es ist außerdem, grob gesagt, ein Neu-Erfinden dessen, worauf UI-Mate bereits Reinforcement Learning aufgewendet hat – und das ohne GUI-spezifische Trainingsdaten. Für Teams ist es besser, danach zu wählen, welche Ebene sie selbst besitzen wollen, als danach, welches Modell bei Screenshots oberflächlich besser ist.

Beides bedienen, und wo ein Router passt

Keines der beiden Modelle wird irgendwo gehostet, auch nicht hier — MiniCPM-V 4.7 35B-A3B und UI-Mate-27B tauchen beide nirgendwo in OrcaRouters Katalog auf, und nichts in diesem Artikel sollte als Behauptung gelesen werden, dass wir sie routen. Beide sind Checkpoints, die man selbst herunterlädt und ausführt, und für UI-Mate bedeutet das zwei Dinge: etwa 27B an Gewichten und einen OpenAI-kompatiblen Endpunkt, denn das README des Anbieters empfiehlt, es mit vLLM bereitzustellen, und die Testumgebung erwartet eine kompatible Basis-URL.

Dieser Endpoint ist der interessante Teil für die Kostenplanung, denn dem Harness ist es egal, welches Modell antwortet, solange der Endpoint sich korrekt verhält. OrcaRouter stellt über 200 gehostete Modelle hinter einem einzigen Schlüssel zum Listenpreis des jeweiligen Anbieters, ohne Aufschlag unsererseits, mit automatischem Failover zwischen Anbieter-Routen, was ihn zu einer Drop-in-Basis-URL für die Planungsseite eines Agenten macht — und die Routing-DSL ermöglicht es Ihnen, ein günstiges Modell für Routine-Schritte und ein stärkeres für die Entscheidungen, die zählen, in einem Aufruf statt in zwei Integrationen zu kombinieren. Die gehostete Variante, die dem Kostenprofil des MiniCPM-Modells am nächsten kommt, ist Qwen3.6 35B A3B — 35B gesamt, 3B aktiv, 262K Kontext — bei $0,25 pro Million Eingabe-Tokens und $1,48 pro Million Ausgabe-Tokens. Ob das besser ist als das Selbsthosting eines 70 GB großen Sparse-MoE, ist eine Frage, die Sie an einem Nachmittag beantworten können, was auf keines der beiden Modelle in der Überschrift zutrifft.

Welchen möchtest du?

Nehmen Sie UI-Mate-27B, wenn Sie ein Modell brauchen, das handelt – Desktop-Automatisierung, RPA-Ersatz, langhorizontige Anwendungs-Workflows – und wenn Sie den Kompromiss akzeptieren, der damit einhergeht: einen vom Anbieter gemeldeten Benchmark, keine unabhängige Reproduktion, keine gehostete Route und einen Harness, den Sie übernehmen müssen, statt ihn zu hinterfragen. Der Vorteil ist, dass alles an der Veröffentlichung ungewöhnlich gut dokumentiert ist – vom Paper über den Prompt bis zum Parser – und das 9B-Schwestermodell bietet Ihnen ein günstigeres Modell zum Prototypisieren.

Nimm MiniCPM-V 4.7 35B-A3B, wenn du Wahrnehmung brauchst – lange Dokumente, Screenshot-Flotten, Video – und bereit bist, die Aktionsschicht selbst zu verantworten. Du bekommst die permissive Lizenz, sechs Quantisierungsformate, fünf Laufzeitumgebungen, ein 262K-Fenster und eine Deployment-Story für die Handy-Klasse, die von niemandem außerhalb von OpenBMB verifiziert wurde.

Was das ändern würde: ein reproduzierter OSWorld- oder WindowsAgentArena-Lauf für UI-Mate, der seine zentrale Behauptung von Marketing in eine Messung verwandeln würde; und eine Evaluierungstabelle für MiniCPM-V 4.7, die es überhaupt nicht gibt. Bis eines davon vorliegt, kommt die Entscheidung deinem Architekturdiagramm zu und nicht einem der beiden Scoreboards — ein Decoder oder eine Hand, und du solltest wissen, welches von beiden dir fehlt.