MiniCPM-V 4.7 vs. WeVisOne-VL-4B: Ein Absatz oder ein Polygon

Der schnellste Weg, zwischen MiniCPM-V 4.7 und WeVisOne-VL-4B zu wählen, ist ein Blick darauf, was aus ihnen herauskommt. WeVisOne-VL-4B liefert Koordinaten: auf ein Tausend-Punkte-Raster normalisierte Boxen, Punkte, Instanzmasken und Alpha-Mattes in voller Auflösung, erzeugt von einem Decoder mit 9,6 Millionen Parametern, der an ein Qwen3-VL-Backbone angeschlossen ist. MiniCPM-V 4.7 liefert Sätze, seitenweise davon, in einem Kontext von 262.144 Token, der ein Video aufnehmen kann. Das eine ist eine Wahrnehmungskomponente, die man in eine Pipeline einbindet. Das andere ist ein Leser, dem man Fragen stellt. Beide stehen unter Apache-2.0, beide stammen aus chinesischen Labors, beide wurden im Oktober 2026 veröffentlicht, mit fast keiner Berichterstattung in der englischsprachigen Fachpresse, und sie gehören kaum derselben Produktkategorie an.

Die beiden kamen auf sehr unterschiedliche Weise an. Das WeChat-Vision-Team von Tencent stellte WeVisOne-VL-4B am 22. Oktober 2026 auf Hugging Face und GitHub bereit, zusammen mit einem arXiv-Paper und einem 2B-Geschwistermodell, ohne Blogbeitrag und ohne Pressemitteilung. OpenBMB lud MiniCPM-V 4.7 am 6. und 7. Oktober hoch, datierte die Veröffentlichung in seinem Repository auf den 12. Oktober und kündigte sie am 15. Oktober in einer englischsprachigen PR-Newswire-Mitteilung an, die bemerkenswert wenig englischsprachige Fachberichterstattung hervorbrachte. Das eine erschien als Repository, das andere als Repository plus Agenturmeldung. Bei den meisten Vergleichen der beiden ist schon die Kategorie falsch, bevor die Zahlen falsch werden.

Zwei Antworten auf dieselbe Frage

WeVisOne-VL-4B ist ein Fine-Tuning von Qwen3-VL, das Geometrie als Tokens ausgibt. Boxen und Punkte werden als Dezimal-Tokens von 0 bis 1000 kodiert, auf das Bild normalisiert, und nach jeder vorhergesagten Box gibt das Modell ein spezielles Token aus, dessen Hidden State einen separaten Masken-Decoder speist: einen visuellen Feature-Adapter, sechs deformierbare Cross-Attention-Blöcke und einen Cascade-Head, der bei Schrittweite vier, zwei und eins verfeinert. Das Ergebnis ist eine Instanzmaske und bei Matting-Aufgaben ein Alpha-Kanal in voller Auflösung. Es gibt kein zweites Modell im Ablauf und keinen SAM-Aufruf; der gesamte Pixelpfad umfasst weniger als zehn Millionen Parameter, die an das Sprachmodell angehängt sind. Es hat 4,83 Milliarden Parameter in bfloat16, was die Modellkarte auf 5B rundet, und es nimmt ein Bild pro Turn entgegen — Video-Gitter werden vom Pixel-Decoder schlicht abgelehnt.

MiniCPM-V 4.7 ist ein Generalist in zwei Größen. Das 35B-A3B speichert 35,2 Milliarden Parameter verteilt auf 256 Experten, routet pro Token acht davon und kommt auf rund 3 Milliarden aktive Parameter; es bietet einen Kontext von 262.144 Token mit Einzelbild-, Mehrbild- und Videoeingabe. Das 1B ist ein dichtes Modell mit 1,55 Milliarden Parametern, derselben Kontextlänge und einem BF16-Checkpoint von 3,1 GB. Beide nutzen einen gemeinsamen 27-schichtigen SigLIP2-Vision-Tower mit gemischter 4×- und 16×-Kompression visueller Token; dieser Mechanismus sorgt dafür, dass ein Kontext von einer Viertelmillion Token bezahlbar bleibt. Keines der beiden verfügt über eine Primitive für Pointing, Detektion oder Segmentierung. Man kann jedes von beiden fragen, wo die Katze ist, und bekommt eine Beschreibung, wo die Katze ist.

Dieser Unterschied ist nicht kosmetisch. Er entscheidet darüber, ob Ihr nachgelagerter Code JSON oder Prosa parst, ob eine schlechte Antwort laut oder leise fehlschlägt und ob das Modell mit irgendetwas anderem kombiniert werden kann, ohne dass ein zweites Modell seine Ausgabe korrigieren muss.

Die Zahlen und der Kategorienfehler, der in ihnen lauert

Alle folgenden Zahlen sind Anbieterangaben. Die von Tencent stammen aus dem Paper und der README, wobei die Vergleichsauswahl von den Autoren getroffen wurde und keine Nachbildung durch Dritte vorliegt. Die von OpenBMB stammen von der Modellseite des Anbieters und wurden als Fließtext und Diagrammbilder statt als numerische Tabelle veröffentlicht. Keines der beiden Labore hat eine unabhängige Bewertung für diese Modelle auf einem gemeinsamen Test-Harness.

• Detektion, LVIS F1 — WeVisOne-VL-4B 55,3 gegenüber dem besten Baseline-Wert, den die Autoren mit 50,7 aufführen. MiniCPM-V 4.7 veröffentlicht keine Detektionszahl.

Dichte Erkennung, Dense200-F1 — 71,3 für WeVisOne gegenüber 58,7 für die beste Baseline und 15,2 für das unveränderte Qwen3-VL-4B. Die letzte Zeile ist die interessanteste im Paper: Das Fine-Tuning ist das, was aus einem Generalisten einen Lokalisierer macht.

• Bezug nehmend, RefCOCOg-Test-F1 — 81,8 für WeVisOne-VL-4B gegenüber 77,6 für die stärkste Baseline, die die Autoren auflisten. Auf die Ablehnungsrate bei Abfragen ohne vorhandenes Ziel sollte man zuerst schauen: 67,4 Prozent bei RefCOCOg-Rej, 96,4 Prozent bei der internen WeRef-Bench und 52,6 Prozent bei PR-Bench. Dasselbe Modell, drei verschiedene Antworten, weil die Verteilungen unterschiedlich sind.

• Zählen, PixMo-Count — 89,6 gegenüber 82,8. Segmentierung, ReasonSeg val gIoU — 71,2 gegenüber 65,0.

• Matting, P3M-500-NP mittlere absolute Differenz — 7,3 gegenüber 15,4, wobei niedriger besser ist, was etwa der Hälfte des Fehlers der besten speziell für Matting entwickelten Baseline entspricht, mit der die Autoren verglichen haben.

Lesen, OCRBench — 91,2 für MiniCPM-V 4.7 35B-A3B und 86,1 für das 1B-Modell, gegenüber TotalText F1 von 52,0 für WeVisOne-VL-4B.

Der letzte Punkt ist die Falle. OCRBench misst Texterkennung; TotalText F1 misst Textlokalisierung. 86,1 neben 52,0 zu stellen und einen 34-Punkte-Sieg zu erklären, ist ein Kategorienfehler, und es ist die Art von Fehler, die von einem Vergleichsbeitrag zum nächsten abgeschrieben wird. Die ehrliche Aussage ist, dass die beiden Modelle nicht an derselben Aufgabe getestet wurden und die Zahlen nur eines belegen: MiniCPM ist auf Transkription ausgelegt und WeVisOne auf Lokalisierung.

Speicher ist der wahre Preis

WeVisOne-VL-4B ist ein 9,66 GB großer bfloat16-Checkpoint vor seinem Maskendecoder, und Tencent liefert keine quantisierte Variante. Die Angabe von 19 GB auf der Vergleichskarte ist derselbe Checkpoint, konvertiert in F32, was ihn verdoppelt; in beiden Fällen benötigt man weiterhin den benutzerdefinierten Inferenzcode: mask_decoder.pt ist eine erforderliche Komponente, kein optionales Zusatzteil, und ein Standard-Ladevorgang mit Transformers liefert Boxen und Text, aber keine Masken. Die dokumentierten Serving-Pfade sind das eigene Inferenzpaket des Projekts, das entweder ein Transformers-Backend oder ein vLLM-Backend umschließt, plus eine Gradio-Demo; Greedy-Dekodierung und eine Obergrenze von 1.960 visuellen Tokens pro Bild sind die Evaluierungseinstellungen. Dies ist ein GPU-Dienst.

MiniCPM-V 4.7 35B-A3B umfasst rund 70 GB BF16-Gewichte verteilt auf sechzehn Shards, was auf dem Papier schlechter und in der Praxis besser ist, weil pro Token nur etwa 3 Milliarden Parameter aktiv sind. Das gesamte Konzept von OpenBMB beruht darauf, dass die inaktiven Experten aus dem Speicher gestreamt werden können, statt im Arbeitsspeicher gehalten zu werden, und zwar mithilfe von Lookahead Expert Scheduling, um die Experten vorab zu laden, die die nächste Schicht wahrscheinlich benötigt, plus schichtweiser Quantisierung und DSpark-Speculative-Decoding. Die Herstellerangabe lautet 13 oder mehr Token pro Sekunde auf einem iPhone 17 Pro Max bei etwa 3 GB Speicherverbrauch. Niemand Unabhängiges hat das reproduziert, und die Behauptung hängt davon ab, dass alle drei Techniken zusammenwirken, nicht nur eine von ihnen.

Die 1B-Variante verändert die Wirtschaftlichkeit vollständig: 3,1 GB in BF16, etwa 0,67 GB als Q4_K_M-GGUF – deshalb kann der esp32-eye-Katzenmonitor sie auf einem MacBook als Gate laufen lassen, das höchstens alle 1,5 Sekunden auslöst. Derselbe Build zeigte, dass die 1B-Variante unzuverlässig darin war, vier ähnliche Katzen voneinander zu unterscheiden; sie ist also ein Anwesenheitsdetektor und kein feingranularer Erkanner – eine nützliche Grenze für alle, die sie als günstigen Klassifikator einsetzen wollen.

Einfach gesagt: WeVisOne kauft Geometrie mit 9,66 GB und einer GPU. MiniCPM kauft Lesen mit 70 GB oder 3 GB, je nachdem, welche Größe man nimmt, und einer Laufzeitumgebung der Telefonklasse, falls OpenBMBs Scheduling-Behauptungen zutreffen.

Was in der Produktion kaputtgeht

Die Fehlermodi von WeVisOne sind dokumentiert und spezifisch. Die Alpha-Qualität verschlechtert sich bei feinen Grenzen, starker Verdeckung und wirklich transparenten Materialien. Das Modell reagiert empfindlich auf die Formulierung des Prompts, daher ist nicht garantiert, dass „the woman's hair“ und „her hair“ dieselbe Matte liefern. Es kann keine Videos verarbeiten, es hat keine Gedankenkette, daher gibt es keine Möglichkeit, es dazu zu bringen, über eine mehrdeutige Anfrage zu reflektieren, bevor es sich auf eine Box festlegt, und sein Ablehnungsverhalten hat eine Schwachstelle, die die Schlagzeilenzahl des Papers verbirgt: 96,4 Prozent auf WeRef-Bench, aber etwa 52,6 Prozent auf PR-Bench. Eine Komponente, die fehlende Ziele die meiste Zeit ablehnt, ist nützlich; eine, die sie auf einer anderen Verteilung die Hälfte der Zeit ablehnt, braucht eine Absicherung.

Die Fehlermodi von MiniCPM-V 4.7 sind die eines Generalisten: Es beschreibt ein Bild flüssig, unabhängig davon, ob die Beschreibung im Bild verankert ist, und es gibt überhaupt keinen Ablehnungskanal. Nichts in der Modellkarte sagt einem, wann das Modell etwas nicht weiß. Für einen Leser ist das tolerierbar – ein Mensch liest den Absatz. Für eine Pipeline, die eine Box benötigt, ist es ein Ausschlusskriterium, denn man würde Prosa in Koordinaten parsen und hoffen.

Wenn Sie diese Woche ein gehostetes allgemeines Vision-Modell brauchen und keinen selbst gehosteten Spezialisten, steht keines der beiden im Katalog von OrcaRouter, und das sollte man vor dem Pitch sagen: Der praktische Weg ist ein gehostetes Allzweckmodell, aufgerufen über einen Schlüssel für mehr als 200 Modelle zu 0 % Aufschlag auf die Listenpreise der Anbieter, mit automatischem Failover, falls ein Upstream-Endpunkt wackelt. Das verschafft Ihnen eine funktionierende Pipeline; Alpha-Mattes liefert es Ihnen nicht, und es ist ein anderes Produkt als die beiden Modelle, um die es auf dieser Seite geht.

Zwischen ihnen wählen

Nehmen Sie WeVisOne-VL-4B, wenn Ihre Ausgabe Geometrie ist: Objekte in einem Regal im Einzelhandel zählen, ein Produkt aus einem Foto freistellen, einen Bereich für einen Nutzer hervorheben oder ablehnen, wenn das Objekt nicht vorhanden ist. Die Matting-Zahl ist wirklich ungewöhnlich, der Ablehnungskanal ist eine echte technische Funktion, und die 9.66 GB sind der Preis für eine Komponente, die etwas zurückgibt, das ein Programm verwenden kann.

Nimm MiniCPM-V 4.7 35B-A3B, wenn deine Aufgabe das Verstehen ist: ein langes PDF, ein Dashboard, ein Video, eine Seite mit gemischtem Text und Abbildungen. Nimm das 1B, wenn du ein günstiges Gate vor etwas Teurerem brauchst, und verlange nicht von ihm, zwei ähnliche Katzen auseinanderzuhalten.

Der Vergleich, der das tatsächlich entscheiden würde, existiert noch nicht: ein unabhängiger Prüfstand, der beide Modelle auf demselben Detektions- und OCR-Datensatz mit demselben Bildbudget laufen lässt. Bis jemand ihn veröffentlicht, ist die haltbare Position die langweilige – diese Modelle erledigen unterschiedliche Aufgaben, die Anbietertabellen überschneiden sich nicht, und die einzige Zahl, die Ihre Entscheidung beeinflussen sollte, ist die Größe des Objekts, das Sie bereitstellen müssen.