WeVisOne-VL-4B vs. MiniCPM-V 4.7 1B: Zwei gegensätzliche Wetten darauf, wofür ein visuelles Token da ist

MiniCPM-V 4.7 1B erzielt 86,1 auf OCRBench. WeVisOne-VL-4B erzielt 52,0 auf TotalText. Stellt man diese beiden Zahlen nebeneinander, scheint das 1B-Modell das 4B-Modell beim Lesen von Text um vierunddreißig Punkte zu schlagen – ein bemerkenswertes Ergebnis, das zugleich ein Kategorienfehler ist. OCRBench misst, ob ein Modell die Zeichen in einem Bild transkribieren kann. TotalText, so wie Tencent es berichtet, misst F1 für die Lokalisierung jeder Textinstanz über IoU-Schwellenwerte von 0,5 bis 0,95. Das eine ist Erkennung, das andere ist Geometrie. MiniCPM-V 4.7 1B und WeVisOne-VL-4B wurden im Oktober 2026 mit neun Tagen Abstand veröffentlicht, beide aus chinesischen Laboren, beide Apache 2.0, und sie sind grundlegend unterschiedlicher Auffassung darüber, wofür visuelle Token da sind: Das eine komprimiert sie weg, das andere investiert sie in Präzision.

Diese Uneinigkeit ist der gesamte Vergleich. Alles andere – Parameterzahlen, Speicher, Benchmark-Zeilen – folgt daraus.

Komprimierung versus Präzision

MiniCPM-V 4.7 1B übernimmt ein Intra-ViT-Frühkomprimierungsschema von LLaVA-UHD v4 und stellt es als Laufzeitumschalter zwischen 4× und 16× visueller Token-Komprimierung bereit. Der Punkt ist, mehr Bild und mehr Video in ein festes Budget zu packen: Die Modellkarte gibt einen Kontext von 262.144 Token, standardmäßig 128 Videoframes und ein 448×448-Kachelschema mit konfigurierbarer Slice-Anzahl an. Früh komprimieren, die Sequenz kurz halten, und ein 1B-Modell kann sich ein langes Video auf einem Telefon ansehen.

WeVisOne-VL-4B geht den entgegengesetzten Kompromiss ein. Seine Evaluierung läuft mit bis zu 1.960 visuellen Tokens pro Bild, und sein Pixel-Decoder arbeitet mit ViT-Merkmalen vor dem Merging und behält bewusst die hochauflösenden Details bei, die eine frühe Komprimierung verwirft. Deshalb kann er eine Alpha-Matte in voller Auflösung mit Schrittweite 1 erzeugen, und deshalb kann er ein Videoraster überhaupt nicht verarbeiten: Der Decoder lehnt es ab. Präzision kostet Tokens, und Tokens kosten Latenz.

Keine der beiden Wetten ist falsch. Sie sind Antworten auf unterschiedliche Fragen. MiniCPM fragt: „Wie viel kann ich auf einmal auf einem Telefon sehen?“ WeVisOne fragt: „Wie genau kann ich beschreiben, wo sich eine Sache befindet?“

Die Größenfrage ist seltsamer als 1B versus 4B.

• Parameter — WeVisOne-VL-4B mit 4,83B dense vs. MiniCPM-V 4.7 1B, das als 1B bezeichnet wird, obwohl seine Repository-Metadaten 2B in BF16 angeben

• Gewichtsformat — F32-Safetensors mit rund 19 GB gegenüber BF16 mit etwa 3,1 GB oder 0,67 GB bei Q4_K_M plus einem Vision-Projektor mit 0,90–1,11 GB

• Kontext — für WeVisOne-VL-4B nicht veröffentlicht, gegenüber 262.144 Tokens auf dem Papier für MiniCPM-V 4.7 1B

Video — vom Pixel-Decoder verworfen vs. standardmäßig 128 Frames

• Multimodale Eingabe – einzelnes Bild pro Turn vs. Bild und Video

• Quantisierung — keine vom Anbieter mitgelieferten vs. int4-, AWQ-, GPTQ-, GGUF- und FP8-Varianten

• On-Device-Runtimes — keine vs. iOS, Android, HarmonyOS, plus llama.cpp und Ollama

• Lizenz — Apache 2.0 für von Tencent verfassten Code vs. Apache 2.0

Die Speicherzeile ist diejenige, die den Vergleich neu einordnet. Ein 1B-Modell mit vier Bit passt noch vor dem Vision-Projektor in weniger als ein Gigabyte; ein 4,83B-Modell in F32 braucht etwa neunzehn Gigabyte. Das sind keine Konkurrenten für denselben Platz. Das eine ist eine Komponente, die man in einer Anwendung ausliefert; das andere ein Dienst, den man auf einer GPU betreibt.

Benchmark-Zeilen lesen, ohne sich selbst etwas vorzumachen

Beide Anbieter haben Tabellen veröffentlicht, und beide Tabellen beruhen auf einer eigenen Auswahl. MiniCPM-V 4.7 1B meldet OCRBench 86,1, MathVista 74,3, CharXiv Reasoning 48,8, LongVideoBench 53,4 und MotionBench 54,55. WeVisOne-VL-4B meldet LVIS F1 Mean 55,3, RefCOCOg Test 81,8, PixMo-Count Test 89,6, TotalText F1 Mean 52,0, ReasonSeg Val gIoU 71,2 und P3M-500-NP MAD 7,3. Kein einziger Benchmark erscheint in beiden Listen. Es gibt keine vertretbare Möglichkeit, aus diesen Dokumenten einen Sieger zu ermitteln, und jeder Artikel, der das tut, erfindet ein Ergebnis.

Die faire Lesart ist enger und dennoch nützlich. MiniCPM-V 4.7 1B ist für seine Größe ungewöhnlich stark im Schlussfolgern über Bilder – 74,3 auf MathVista von einem Modell, das in ein Telefon passt, ist die Zahl, auf die seine Autoren am stolzesten sind, und sie wurde vom Anbieter berichtet und nicht reproduziert. WeVisOne-VL-4B ist ungewöhnlich stark darin, Geometrie zu erzeugen – Masken, Mattes und Boxen – sowie eine gemessene Ablehnungsrate von 96,4 % auf WeRef-Bench, wenn das Objekt nicht vorhanden ist. Die Modellkarte von MiniCPM veröffentlicht keine Ablehnungskennzahl, und die von WeVisOne veröffentlicht keinen Reasoning-Benchmark. Jedes Modell schweigt genau dort, wo das andere laut ist.

Was jeder Einzelne nicht kann

WeVisOne-VL-4B kann kein Video ansehen, kein mehrstufiges Gespräch über ein Bild führen und nicht auf einem Smartphone laufen. Es gibt keine veröffentlichte Tokens-pro-Sekunde-Angabe und keine quantisierten Builds, was bedeutet, dass sich jeder, der es einsetzt, auf eine GPU festlegt und den Durchsatz selbst benchmarken muss. Der Fine-Tuning-Code ist auf der TODO-Liste des Projekts noch ein unerledigter Punkt.

MiniCPM-V 4.7 1B kann weder eine Maske noch eine Alpha-Matte zurückgeben. Es sagt Ihnen, dass sich eine Person im Bild befindet und ungefähr wo; einen weich abgegrenzten Freisteller liefert es nicht. Außerdem bringt es die üblichen Risiken einer brandneuen Modellfamilie mit sich: ein neues model_type in Transformers, eine Mindestversionsanforderung von 5.18.0 und frühe Berichte über Fehlfunktionen bei der Videodekodierung in einigen CUDA- und torchcodec-Kombinationen. Sein 262K-Kontext ist eine Angabe auf dem Papier – es wurde nicht gezeigt, dass das Post-Training ihn vollständig ausschöpft.

Die Kosten für einen zweiten Anruf

In der Praxis sind diese beiden Modelle keine Substitute, und die interessante Architektur nutzt beide: ein kleines, kostengünstiges Modell, das das Bild beschreibt und darüber Schlussfolgerungen zieht, und ein Wahrnehmungsmodell, das die Geometrie liefert. Dadurch werden aus einem Inferenzaufruf zwei, und genau hier ist der Kostenaspekt keine Fußnote mehr.

OrcaRouters Beitrag zu diesem Konstrukt ist der langweilige, auf den es ankommt — ein einziger Schlüssel für mehr als 200 Modelle, mit den Listenpreisen der Anbieter zu 0 % Aufschlag durchgereicht und automatischem Failover, wenn ein vorgelagerter Endpunkt beeinträchtigt ist. Eine Preissenkung eines Anbieters auf der Generalisten-Seite schlägt noch am selben Tag bei uns durch, weil es keine Aufschlagsebene gibt, die aktualisiert werden müsste. Weder WeVisOne-VL-4B noch MiniCPM-V 4.7 1B ist heute in diesem Katalog, sodass die Wahrnehmungshälfte der Pipeline weiterhin von Ihnen gehostet werden muss. Was Sie sich ersparen, ist ein zweiter Vertrag und ein zweiter Satz Zugangsdaten für die Hälfte, die im Katalog ist.

Wie Sie eines von beiden ausführen würden

WeVisOne-VL-4B ist die anspruchsvollere Installation. Die Modellkarte dokumentiert Transformers, vLLM, SGLang und Docker Model Runner, aber mask_decoder.pt ist eine erforderliche Komponente: Lädst du den Checkpoint ohne das Inferenzpaket des Projekts, erhältst du Bounding-Boxen und Text, aber keine Masken. Die Dekodierung erfolgt greedy mit bis zu 1.960 visuellen Tokens pro Bild, und es gibt keinen veröffentlichten Durchsatzwert, daher ist das Erste, was du auf deiner eigenen Hardware tun wirst, ihn zu messen.

MiniCPM-V 4.7 1B ist der einfachere Weg. Es benötigt Transformers 5.18.0 oder neuer, und das Ökosystem ist damit verfügbar – Builds für llama.cpp, Ollama, SGLang und vLLM sowie int4-, AWQ-, GPTQ- und FP8-Quantisierungen und ein separates DSpark-Draft-Modell mit 213 Mio. Parametern für spekulatives Decoding. Wenn dein Ziel ein Smartphone, eine Intel-Box oder ein Rockchip-Board ist, dann ist das der Weg, der bereits gepflastert ist.

Welche Wette sollte man eingehen?

Wenn die Einschränkung das Gerät ist, nimm MiniCPM-V 4.7 1B. Nichts an WeVisOne-VL-4B ist für ein Telefon konzipiert, und die Quantisierung, Runtime-Unterstützung und Videoverarbeitung auf der MiniCPM-Seite sind das Ergebnis eines Labors, das bereits mehrere Generationen von On-Device-Modellen auf den Markt gebracht hat.

Wenn die Einschränkung die Ausgabe ist — Sie brauchen Masken, Mattes, dichte Boxen für kleine Objekte oder eine verlässliche Antwort „nicht vorhanden“ —, nehmen Sie WeVisOne-VL-4B und planen Sie die GPU ein. Bedenken Sie, dass Sie mit einem zwei Tage alten Paper ohne unabhängige Evaluation arbeiten und dass die Matting-Zahlen von Tencent selbst stammen.

Wenn Sie beides brauchen, brauchen Sie zwei Modelle. Das ist die ehrliche Schlussfolgerung, und sie wird von den Benchmark-Tabellen beider Anbieter selbst gestützt: Sie wurden für unterschiedliche Dinge optimiert, und keines von beiden hat versucht, das andere zu übertreffen.