Una tarjeta principal generada con el titular 'MiniCPM-V 4.7 vs LLaDA-UI' y el subtítulo 'Un generalista listo para teléfonos frente a un agente GUI de difusión', una tarjeta izquierda que dice 'LLaDA-UI: MoE de 16.7B, difusión por bloques, agente GUI, ScreenSpot-Pro 52.9', una tarjeta derecha que dice 'MiniCPM-V 4.7: MoE disperso de 35.2B, autorregresivo, Apache-2.0, sin tabla de puntuaciones', y una píldora que dice 'Un especialista evaluado frente a un generalista no evaluado'. El logotipo de OrcaRouter aparece en la esquina inferior derecha.
Guides & Insights

MiniCPM-V 4.7 vs LLaDA-UI: un generalista listo para móviles frente a un agente de GUI de difusión

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Si se pone MiniCPM-V 4.7 junto a LLaDA-UI, el marco obvio —generalista frente a especialista— resulta ser la forma menos útil de leer el enfrentamiento. MiniCPM-V 4.7, que OpenBMB documentó y licenció el 12 de octubre de 2026, es un modelo de visión-lenguaje de mezcla de expertos dispersa de 35,2 mil millones de parámetros cuyo argumento completo es la eficiencia: su ficha técnica afirma más de 13 tokens por segundo en un iPhone 17 Pro Max y una mejor posición de rendimiento por tiempo de inferencia que Qwen3.6 35B-A3B. LLaDA-UI, el agente GUI con mezcla de expertos de inclusionAI, de aproximadamente 16,7 mil millones de parámetros, es una especie completamente distinta: no genera tokens de izquierda a derecha en absoluto, sino que desruidiza un bloque de ellos a la vez. La pregunta que realmente tiene quien construye es más acotada que «cuál es mejor»: es cuál de estos dos se ha medido en la tarea para la que lo contratas, y con qué evidencia.

Las dos bases de evidencia no son el mismo tipo de cosa

Ambos modelos cuentan con benchmarks del proveedor, y ninguno se ha reproducido de forma independiente. Más allá de eso, la comparación se bifurca.

• MiniCPM-V 4.7 — la sección de evaluación de su model card consta de cinco imágenes: rendimiento general de visión-lenguaje, rendimiento de lenguaje, el gráfico de la variante 1B, un gráfico de frontera de rendimiento frente a tiempo de inferencia, y una comparación de velocidad en dispositivo. El texto hace dos afirmaciones, ambas comparativas más que absolutas. No hay una tabla de puntuaciones por benchmark en la documentación pública.

• LLaDA-UI — el informe técnico, el artículo de arXiv y la página del proyecto ofrecen benchmarks con nombre y líneas base con nombre: ScreenSpot-Pro 52.9 frente al 52.7 de Qwen3-VL-8B, AndroidWorld 53.5 frente a 47.9, MobileWorld 25.6 frente a 9.4, WebVoyager 56.9 frente a 45.2, con ScreenSpot-V2 descrito como cercano y OSWorld-Verified enmarcado por la propia inclusionAI como la brecha restante.

• Qué significa esto en la práctica — un modelo publica cifras a nivel de tarea con las que se puede debatir, y el otro publica un compuesto que no se puede descomponer. «Mayor puntuación global en menos tiempo de inferencia» es una afirmación sobre un gráfico, y la ponderación que sustenta el compuesto no se publica. Una puntuación de 52.9 en ScreenSpot-Pro es una afirmación sobre una prueba definida con un protocolo definido.

• Ninguno de los dos está verificado de forma independiente — las cifras de LLaDA-UI provienen de su propia página de proyecto y de su informe técnico; las cifras de MiniCPM-V 4.7 provienen de gráficos elaborados por el proveedor. Tomar cualquiera de las dos como algo definitivo sería un error, pero tratarlas como igualmente informativas sería un error distinto.

Lo que cada modelo realmente es

La brecha arquitectónica es más amplia de lo que sugieren los recuentos de parámetros, y determina la mayoría de las diferencias prácticas posteriores.

• Base — MiniCPM-V 4.7 se apoya en una columna vertebral qwen3_5_moe_text con 256 expertos, 8 activos por token, 40 capas y un patrón de atención lineal-completa de tres a uno; LLaDA-UI se apoya en LLaDA2.0-mini-base, un modelo de lenguaje de difusión enmascarada.

• Generación — MiniCPM-V 4.7 es autorregresivo, un token a la vez; LLaDA-UI decodifica por bloques, eliminando el ruido de todo un bloque de posiciones de salida en paralelo y reconstruyendo bajo condiciones bidireccionales dentro de ese bloque.

• Parámetros — 35,2 mil millones en total para MiniCPM-V 4.7, con 8 de 256 expertos activos por token; aproximadamente 16,7 mil millones en total para LLaDA-UI como mezcla de expertos.

• Contexto — 262,144 tokens de posición máxima para MiniCPM-V 4.7; la tarjeta de LLaDA-UI documenta un --max-length predeterminado de 8192 para su script de inferencia, y las capturas de pantalla grandes necesitan que se aumente.

• Visión — MiniCPM-V 4.7 utiliza una torre de 27 capas y 1.152 de ancho con parche 14 y tamaño de imagen 980 con compresión de tokens mixta de 4x/16x; LLaDA-UI utiliza un ViT de resolución nativa inicializado a partir de SigLIP con embeddings rotatorios 2D y una fusión espacial de cuatro a uno en un MLP de dos capas, explícitamente para preservar la relación de aspecto de las capturas de pantalla de teléfonos, ordenadores y web.

• Salida — MiniCPM-V 4.7 produce texto, con comprensión de imágenes y vídeo como lado de entrada; LLaDA-UI produce coordenadas normalizadas en un rango de 0 a 999 y secuencias etiquetadas de razonamiento más acción destinadas a ejecutarse.

• Licencia — Apache-2.0 para MiniCPM-V 4.7, declarada el 12 de octubre; no se indica ninguna licencia en ningún lugar de la página del proyecto LLaDA-UI ni en la ficha del modelo.

Esa última viñeta no es una nota al pie si vas a lanzar. Uno de estos dos puedes incluirlo en un producto comercial hoy sin necesidad de una conversación; el otro, no.

La decodificación es donde reside la verdadera división.

La difusión por bloques es la razón por la que LLaDA-UI existe como una línea de trabajo separada en lugar de ser otro ajuste fino. En un bucle de agente autorregresivo, cada token de acción depende de todos los tokens anteriores, por lo que la coordenada del clic al final de una respuesta queda a la espera del razonamiento que la precede. En un agente de difusión, el bloque se refina como una unidad, y la consecuencia práctica que inclusionAI vende es la latencia: en una prueba de API emparejada, la página del proyecto reporta de 4,8 a 6,4 segundos frente a los 17 a 53 segundos de Qwen3-VL-8B, descrito como aceleraciones medias de 3,58x en web, 6,83x en escritorio y 8,95x en entradas móviles, además de emitir más tokens por llamada. En entradas de MobileWorld, las medias reportadas son de 5,9 segundos frente a 53,0.

Esos son números medidos por el proveedor, emparejados y sin caché en el banco de pruebas propio del laboratorio, y deben interpretarse como tales. Pero la dirección merece tomarse en serio incluso con la advertencia, porque los bucles de agentes multiplican la latencia. Un agente de interfaz que da diez pasos paga diez veces el coste por paso, y una diferencia de diez segundos por paso es la diferencia entre una demo y un producto.

MiniCPM-V 4.7 aborda el mismo problema desde el extremo opuesto. Mantiene la decodificación autorregresiva y abarata cada paso mediante la planificación de expertos: un predictor entre capas precarga los expertos que probablemente necesitará la siguiente capa, dando prioridad a aquellos que el enrutador real seleccionó de hecho, y la ficha técnica es explícita en que la predicción solo impulsa la precarga y que el enrutamiento propio del modelo sigue rigiendo la computación. Súmese la cuantización por capas y el muestreo especulativo DSpark, y la afirmación es de más de 13 tokens por segundo para un MoE de 35.000 millones de parámetros en un teléfono móvil. Mecanismo distinto, mismo objetivo: hacer que el bucle sea lo bastante rápido para que un dispositivo pueda ejecutarlo.

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.'

En qué es bueno cada uno, expresado de la forma más restrictiva que permita la evidencia.

• Elige LLaDA-UI cuando la tarea sea una interfaz — hacer clic, escribir o navegar por una aplicación móvil, una ventana de escritorio o una página web. Es el de los dos que cuenta con puntuaciones publicadas de grounding y navegación, una convención de coordenadas documentada y solicitudes de ejemplo empaquetadas para móvil, escritorio y web.

• Elige MiniCPM-V 4.7 cuando la tarea sea comprender — describir una fotografía, leer un documento, analizar un PDF, responder a una pregunta sobre un video, ejecutarse en hardware que posees. Es, de los dos, el que cuenta con un enfoque documentado en OCR, análisis de PDF y anclaje visual en su recetario, con soporte de serie en SGLang, vLLM, llama.cpp y Ollama, y con variantes cuantizadas publicadas para descargar.

• El solapamiento es menor de lo que parece — la ficha de MiniCPM-V 4.7 incluye el grounding visual como una guía de recetario, pero no publica ninguna puntuación de grounding. La ficha de LLaDA-UI se centra en una sola tarea. Si tu carga de trabajo es la automatización de GUI, estás comparando un especialista medido con un generalista no medido; si tu carga de trabajo es la comprensión de documentos e imágenes, estás comparando un generalista documentado con un modelo que nunca se diseñó para hacerlo.

• La fricción de despliegue va en sentido contrario — MiniCPM-V 4.7 ofrece puntos de control GGUF, AWQ, GPTQ, int4 y FP8, además de una ruta de OpenVINO y soporte declarado desde el día 0 para silicio de Rockchip, Houmo, Intel, AMD y Arm. La ruta de servicio de LLaDA-UI requiere los parches de difusión multimodal de SGLang propios del laboratorio y su script serve_llada_ui.sh; la tarjeta del modelo indica claramente que el servidor no se puede iniciar desde una instalación estándar de SGLang.

La pregunta sobre el coste que nadie publica

Ninguno de los dos modelos tiene un precio público por token, porque ninguno es un endpoint alojado que alquilas por millones de tokens. Alojas ambos, lo que significa que el costo es tu hardware y tu latencia. Eso replantea la elección: un checkpoint de 16,7 mil millones de parámetros de unos 32 GB en BF16 es un compromiso materialmente menor que uno de 70 GB y 35 mil millones de parámetros, y si la tarea del agente solo necesita el modelo más pequeño, el más grande no te aporta nada en esa carga de trabajo.

El caso híbrido es donde una capa de enrutamiento justifica su existencia. Ejecuta localmente el modelo pequeño y específico para el trabajo rutinario de interfaz, y entrega las imágenes realmente difíciles —una captura de pantalla densa, un documento poco habitual, una pregunta que requiere el conocimiento del mundo de un modelo más grande— a un endpoint alojado. OrcaRouter pone más de 200 modelos alojados detrás de una sola clave con el precio de lista de cada proveedor traspasado con un 0 % de margen y conmutación por error automática cuando un proveedor se degrada, y su DSL de enrutamiento permite que una sola llamada distribuya un caso difícil entre más de un modelo cuando la respuesta debe ser correcta más que barata. Ni MiniCPM-V 4.7 ni LLaDA-UI se sirven a través de él: ambos son checkpoints de pesos abiertos que ejecutas tú mismo, y el enrutador es lo que se sitúa al otro lado de ese traspaso.

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.

Tres preguntas que vale la pena responder antes de comprometerte

¿Es real la ventaja de velocidad de LLaDA-UI en tu hardware? Las cifras de 3 a 9 veces son mediciones pareadas, sin caché, realizadas con el banco de pruebas del propio laboratorio frente a una única línea base. La difusión por bloques tiene características de memoria distintas de las de la decodificación autorregresiva, y una aceleración medida en la GPU del proveedor no se traslada automáticamente a la tuya. Este es el único número que más vale la pena reproducir antes de construir sobre él.

¿Se puede orientar MiniCPM-V 4.7 hacia una tarea de interfaz? Es plausible —es un modelo de visión-lenguaje con herramientas de grounding documentadas—, pero la ficha no publica ningún benchmark de agente GUI, ni una convención de coordenadas ni un vocabulario de acciones. Construir hoy un agente GUI sobre él significa definir tú mismo el formato de salida y esperar que el modelo lo respete. LLaDA-UI resolvió ese problema deliberadamente, con razonamiento etiquetado más salidas de acciones y vocabularios por plataforma.

¿Cuál seguirá teniendo soporte dentro de seis meses? OpenBMB ha lanzado una familia completa en torno a MiniCPM-V 4.7 —dos variantes base, cinco formatos de cuantización, dos modelos draft de DSpark, un cookbook y un repositorio de despliegue en el edge— en menos de una semana, con términos Apache-2.0. LLaDA-UI tiene un informe técnico, un artículo en arXiv, una página de proyecto y un repositorio de código, y ninguna licencia declarada. La amplitud de la infraestructura que lo rodea es un indicador razonable de cuánto pretende un laboratorio mantener algo con vida.

El veredicto

Estos dos no son sustitutos, y la recomendación honesta se deriva de eso, no del número de parámetros. Si estás desarrollando automatización de interfaces, LLaDA-UI es el producto más acabado a pesar de ser el modelo más pequeño: medido en la tarea, con un formato de salida documentado y una ruta de servicio, y con el riesgo de licencia que debes resolver antes de lanzarlo. Si estás desarrollando cualquier cosa que implique mirar imágenes, leer documentos o ejecutarse en un teléfono, MiniCPM-V 4.7 es el que tiene el ecosistema, la licencia permisiva y la historia de despliegue, y sus afirmaciones de eficiencia son exactamente tan sólidas como puede hacerlas un gráfico no reproducido. Los equipos que necesitan ambos los ejecutan juntos, y la capa de enrutamiento es la parte más barata de esa combinación.

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.