WeVisOne-VL-2B vs. MiniCPM-V 4.7 1B: 0,45B Unterschied, unterschiedliche Aufgaben

Die Namen legen ein Verhältnis von zwei zu eins nahe. Die Checkpoints nicht. MiniCPM-V 4.7 1B bringt 1.554.476.272 Parameter in bfloat16 mit, und WeVisOne-VL-2B bringt etwa 2 Milliarden mit – der tatsächliche Abstand zwischen ihnen beträgt also rund 450 Millionen Parameter, nicht eine Milliarde. Packt man sie auf dieselbe Festplatte, nehmen sie vergleichbar viel Platz ein. Gibt man ihnen dieselbe Aufgabe, fallen sie komplett auseinander, denn MiniCPM-V 4.7 1B wurde gebaut, um ein Dokument zu lesen, ein Video anzusehen und sich darüber zu unterhalten, während WeVisOne-VL-2B gebaut wurde, um ein Objekt zu finden und eine Maske zurückzugeben.

Beide stehen unter Apache 2.0. Beide sind klein genug, um jemanden zu interessieren, der auf einer einzelnen GPU baut. Beide sind aktuell — MiniCPM-V 4.7 1B wurde am 6. Oktober 2026 hochgeladen und in OpenBMBs Release Notes auf den 12. Oktober datiert, WeVisOne-VL-2B auf den 22. Oktober. Gerade diese Kombination aus Ähnlichkeit und Unterschied macht die Paarung eine Seite wert: Fast jede zentrale Spezifikation liegt nah beieinander, und bei fast jeder tatsächlichen Nutzung ist das nicht der Fall.

Zuerst die Namen, korrigiert

OpenBMGs Namensgebung ist in einer Weise locker, die bereits in Vergleichstabellen für Verwirrung gesorgt hat. Das Modell namens 1B hat laut seinen eigenen Safetensors-Metadaten 1,55 Milliarden Parameter; in Herstellerunterlagen wurden an verschiedenen Stellen 1,3B und 1,38B angegeben. Der Kontext von 262.144 Tokens ist real und in der Modellkonfiguration festgelegt. Die Architektur ist ein 24-schichtiges Text-Backbone mit 1024 verborgenen Dimensionen, abgeleitet von Qwen3.5, mit einem 3:1-Muster aus linearer zu voller Attention, kombiniert mit einem 27-schichtigen Vision-Tower im SigLIP2-Stil, der auf 980-Pixel-Kacheln arbeitet, plus einem wählbaren Modus zur visuellen Token-Komprimierung um 4× oder 16×, der Detailtiefe gegen Kosten pro Anfrage eintauscht.

Tencents Namensgebung ist knapper. WeVisOne-VL-2B ist ein Modell mit 2 Milliarden Parametern, das auf Qwen3-VL aufbaut, samt einem separaten Pixeldecoder mit 9.511.460 Parametern, den die Karte als „eine erforderliche Kernkomponente, kein optionales Zusatzmodul“ bezeichnet. Der Decoder ist kein Rundungsfehler in der Deployment-Story: Ohne ihn liefert das Modell nur Boxen und Punkte, und keine der Masken- oder Matte-Ausgaben existiert.

Die richtige Gegenüberstellung ist also nicht klein versus groß. Sie lautet 1,55B versus 2B – ein Unterschied von 29 Prozent bei den Gewichten – mit völlig unterschiedlichen Ausgabeverträgen.

Zwei Benchmark-Vokabulare, die sich nie treffen

Das ist der Punkt, den die meisten Vergleiche falsch machen, deshalb lohnt es sich, ihn zu nennen, bevor irgendeine Zahl auftaucht. OpenBMB evaluiert MiniCPM-V 4.7 1B auf allgemeinen multimodalen Benchmarks: OCRBench 86,1, MMMU 56,89, MathVista 74,30, MMBench 83,17, MMStar 69,53, MMMU-Pro 38,03, MathVerse 60,41, CharXiv Reasoning 48,8, LongVideoBench 53,4 und MotionBench 54,55. Das sind vom Anbieter selbst ermittelte Werte, die größtenteils als Diagramme und nicht als Tabelle mit Angaben zum Testaufbau präsentiert werden, und keine unabhängige Stelle hat sie reproduziert.

Tencent evaluiert WeVisOne-VL-2B auf Wahrnehmungs-Benchmarks und berichtet überhaupt keine allgemeinen multimodalen Scores. In keiner seiner sieben Tabellen gibt es MMMU, MMBench, MathVista, DocVQA oder ein Captioning-Ergebnis. Stattdessen berichtet es Aufgabenspezifisches: Detection-F1, Counting-Exact-Match, Pointing-F1, OCR-Lokalisierungs-F1, Segmentierungs-cIoU und Matting-Fehler.

Die Diskrepanz ist bei OCR am größten, weil beide Modelle behaupten, es zu beherrschen. MiniCPMs 86,1 ist OCRBench – ein Transkriptionswert, der prüft, ob das Modell die Zeichen korrekt gelesen hat. WeVisOnes OCR-Zahlen sind Lokalisierungs-F1-Werte bei einer IoU-Schwelle von 0,5: 62,1 auf SROIE, 42,6 auf ICDAR2015, 42,5 auf TotalText und 30,5 auf HierText, die messen, ob das Modell die richtige Box um den Text gezogen hat. Ein Modell kann in dem einen exzellent und in dem anderen mittelmäßig sein. Druckt man „86,1 versus 62,1“, wäre das ein Vergleich zwischen einem Rechtschreibtest und einem Zeigetest.

Es gibt keinen Benchmark, bei dem beide Modelle eine Zahl melden, die auf dieselbe Weise berechnet wurde. Das ist keine rhetorische Floskel – es ist das zentrale Ergebnis dieses Vergleichs, und es bedeutet, dass jedes Ranking dieser beiden, das Sie sehen, aus nicht vergleichbaren Bestandteilen zusammengesetzt ist.

Was 262.144 Tokens kaufen, und was WeVisOne nicht sagen will

MiniCPM-V 4.7 1B veröffentlicht einen Kontext von 262.144 Token und einen Videopfad, der standardmäßig bis zu 128 Frames akzeptiert, mit einem Slice pro Frame. Das ist eine Dokument-und-Video-Maschine: lange PDFs, mehrseitige Scans, eine Minute Filmmaterial. Den 4×- und 16×-Kompressionsumschalter gibt es genau deshalb, weil es teuer ist, so viel visuelles Detail vorzuhalten, und mit OpenBMB lässt sich wählen, wie viel davon pro Anfrage behalten wird.

WeVisOne-VL-2B gibt keine Kontextlänge an. Die Modellkarte sagt dazu nichts; die Trainingsphasen des Papers liefen mit 4.096 und 8.192 Tokens, und die Inferenz begrenzt jedes Bild auf 1.960 visuelle Tokens bei Greedy-Decoding. Nichts davon ist ein Deployment-Fenster, und Tencent gibt nicht vor, dass eines existiert. Außerdem lehnt es Videoraster rundweg ab – der Pixel-Decoder ist nur für Bilder ausgelegt, Einzelturn, kein Chain-of-Thought.

Diese Asymmetrie verrät, worauf die einzelnen Anbieter optimiert haben. OpenBMB optimierte darauf, wie viel Eingabe ein einzelnes Modell schlucken kann. Tencent optimierte darauf, wie präzise ein einzelnes Modell auf das zeigen kann, was es geschluckt hat, und zog dann eine harte Grenze um den Eingabetyp, um den Decoder einfach zu halten.

Wo jedes Einzelne tatsächlich läuft

MiniCPM-V 4.7 1B hat mit Abstand das breitere Einsatzspektrum: Transformers 5.18 und später, vLLM, SGLang, llama.cpp und Ollama, mit GGUF-, AWQ-, GPTQ-, FP8-, bitsandbytes- und OpenVINO-Builds, plus Unterstützung für iOS, Android und HarmonyOS sowie Chip-Unterstützung ab Tag eins von einer Anbieterliste, zu der Rockchip, Arm und Apple gehören. OpenBMB liefert außerdem ein separates DSpark-Draft-Modell mit 213 Millionen Parametern für spekulatives Decoding.

WeVisOne-VL-2B hat ein eigenes GitHub-Paket, einen Transformers-Pfad sowie vLLM und SGLang, die auf der Modellkarte aufgeführt sind. Kein GGUF. Kein quantisierter Build. Kein ONNX. Keine Mobile-Story. Und die dichte Ausgabe ist eine Alpha-Matte in voller Auflösung mit Stride 1, was bedeutet, dass der Speicher mit dem Bild statt mit der Parameterzahl skaliert — ein 2B-Modell, das günstig im Vorhalten, aber nicht unbedingt günstig im Ausführen bei 4K ist.

Wenn Ihr Ziel ein Telefon ist, endet der Vergleich hier. MiniCPM wurde für diese Einschränkung entwickelt und sagt das in seiner Formatsliste auch. WeVisOne nicht, und erhebt auch keinen Anspruch darauf.

Der einzige Punkt, an dem sie gleichauf liegen: die Lizenz.

Apache 2.0 bei beiden. Keine Umsatzschwelle, keine Einschränkung des Anwendungsbereichs, keine separate kommerzielle Vereinbarung. In einer Kategorie, in der Liquid AI eine eigene Lizenz mit Umsatzobergrenze verwendet und Moondream eine Source-available-Lizenz mit einer Klausel nutzt, die keine Drittanbieterdienste gestattet, sind zwei Apache-2.0-Visionsmodelle dieser Größe bemerkenswert — das bedeutet, die Lizenz ist hier nicht die entscheidende Variable, was ungewöhnlich genug ist, um es laut auszusprechen.

Der Gleichstand beseitigt außerdem den häufigsten Grund, warum Teams das kleinere Modell wählen. Wenn beide die rechtliche Prüfung bestehen, entscheiden Sie nach Leistungsfähigkeit und Deployment, nicht nach Vertragsbedingungen.

Zwischen ihnen wählen

Fragen Sie, wohin die Ausgabe fließt. Wenn sie einen Dokumentenspeicher, ein Chatfenster, einen Videoindex oder ein nachgelagertes Sprachmodell speist, ist MiniCPM-V 4.7 1B die Form, die Sie wollen: Es erzeugt Text in großer Länge, es verarbeitet eine lange Eingabe und es wird in Formaten ausgeliefert, die auf Consumer-Hardware laufen.

Wenn es eine Compositing-Pipeline, einen Bildeditor, einen Katalogbereinigungsjob oder einen Region-of-Interest-Zuschnitt speist, ist WeVisOne-VL-2B die Ausprägung, die Sie brauchen: Boxen, Punkte, binäre Masken und kontinuierliche Alpha-Mattes sowie ein Ablehnungsverhalten, das wichtiger ist als jeder Benchmark. Tencent meldet eine Ablehnungsrate von 50,2 auf RefCOCOg bei Abfragen nach nicht vorhandenen Objekten, gegenüber 0,5 und 0,6 für zwei spezialisierte Grounding-Modelle in derselben Tabelle. Wenn die meisten Ihrer Bilder das gesuchte Objekt nicht enthalten, ist diese Zahl diejenige, die Ihnen Geld spart.

Es gibt einen dritten Fall, in dem sie sich ergänzen statt konkurrieren: eine Dokument-Pipeline, in der MiniCPM die Seite liest und WeVisOne den Bereich findet – die Unterschrift, den Stempel, das Produktfoto –, den der Leseschritt isolieren muss. Das ist weniger ein Routing-Problem als vielmehr eines der Pipeline-Gestaltung, und genau hier ist das Produkt OrcaRouter wirklich nützlich, statt nur nachträglich angeflanscht zu sein. Keines dieser Modelle ist in unserem Katalog; beide werden selbst gehostet, und wir werden nichts anderes andeuten. Was wir bereitstellen, ist die gehostete Hälfte: mehr als 200 Modelle hinter einem einzigen API-Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover, wenn die Leistung eines Anbieters nachlässt, und Modellfusion, mit der ein Panel von Modellen dieselbe Frage gemeinsam beantworten kann – nützlich, wenn eine Transkription gerade in eine Datenbank eingehen soll und Sie vorher eine zweite Meinung möchten.

Die Nummer, die Sie sich merken müssen

Nicht 1B und 2B — sondern 1,55B und 2B. Die Benennung lässt sie wie unterschiedliche Gewichtsklassen aussehen, und die Checkpoints lassen sie wie nahe Nachbarn aussehen, und beide Eindrücke sind irreführend. Was MiniCPM-V 4.7 1B von WeVisOne-VL-2B unterscheidet, ist nicht die Größe, die Lizenz oder auch nur die Aktualität. Es ist, dass der eine Wörter zurückgibt und der andere Pixel, und kein von einem der beiden Anbieter veröffentlichter Benchmark lässt sich vom anderen abziehen, um zu sagen, welcher besser darin ist, das zu sein, was man braucht.