MiniCPM-V 4.7 35B-A3B vs UI-Mate-27B: uno lee la pantalla, el otro pulsa el botón

La primera frase honesta sobre MiniCPM-V 4.7 35B-A3B frente a UI-Mate-27B es que no son competidores. Ambos se publicaron en Hugging Face sin anuncio, ambos tienen una licencia permisiva, ambos están entrenados sobre backbones de la familia Qwen, y ambos se describen en su propia documentación como sólidos a la hora de comprender lo que aparece en una pantalla, que es por lo que se los clasifica juntos. Pero uno es un modelo general de visión y lenguaje que lee una imagen y responde en texto, y el otro es un agente de GUI que lee una captura de pantalla y emite acciones de ratón y teclado compatibles con pyautogui. MiniCPM-V 4.7 35B-A3B puede decirte qué dice un cuadro de diálogo. UI-Mate-27B puede cerrarlo. Todo lo demás en esta comparación se deriva de esa única diferencia, y la pregunta útil no es qué modelo gana, sino qué mitad del trabajo te falta.

Ambos también son recientes. UI-Mate-27B llegó el 14 de agosto de 2026 con un artículo publicado dos días después y ninguna entrada de lanzamiento por parte del laboratorio; tenía cero descargas en Hugging Face cuando lo cubrimos por primera vez, y todavía no hay ninguna API alojada en ninguna parte. MiniCPM-V 4.7 llegó el 6 de octubre sin ninguna ficha, y OpenBMB no publicó una ficha de modelo, una etiqueta de licencia ni una sección de afirmaciones hasta el 12 de octubre. Ninguno de los dos ha sido evaluado de forma independiente. Todas las cifras de rendimiento de este artículo están etiquetadas con quién las reportó, y en ambos casos se trata del propio laboratorio del modelo.

El mismo cuerpo, dos trabajos diferentes

Empieza por lo que hace que el emparejamiento resulte natural. Ambos son modelos multimodales de pesos abiertos de tamaño medio a grande con licencias Apache-2.0. Ambos se sitúan en el mismo linaje upstream: UI-Mate-27B está afinado a partir de Qwen3.6-27B, y la pila de lenguaje de MiniCPM-V 4.7 35B-A3B es un MoE disperso de la familia Qwen3.5. Ambos están orientados a la misma amplia área de aplicación —pantallas, documentos y estado de aplicaciones—, y ambos se lanzaron en silencio.

Luego, fíjate en lo que genera cada uno. MiniCPM-V 4.7 devuelve tokens de texto. UI-Mate-27B devuelve una acción estructurada —un clic, una pulsación de tecla, un desplazamiento, una espera, una señal de tarea completada— dentro de un espacio de coordenadas normalizado de 1000×1000 que el agente de referencia reescala a la resolución real de la captura de pantalla, de modo que las predicciones sobreviven a las diferencias de escalado de pantalla entre máquinas. La ficha del modelo especifica explícitamente que UI-Mate es «un agente más que un chat visual independiente» y que para cualquier cosa real debe usarse el harness que lo acompaña.

Esa distinción decide la mayoría de los despliegues reales. Si tu pipeline es «lee esta captura de pantalla y dime qué está mal en ella», un VLM de propósito general es la herramienta adecuada y un agente es excesivo, con un modo de fallo peor. Si tu pipeline es «haz que la aplicación haga eso», un VLM por sí solo te deja escribiendo toda la capa de acción por tu cuenta —mapeo de coordenadas, análisis de acciones, recuperación de errores, lógica de reintentos—, que es la parte en la que UI-Mate gastó su presupuesto de aprendizaje por refuerzo.

Qué es MiniCPM-V 4.7 35B-A3B, a día de hoy

El primer MoE de OpenBMB en la serie MiniCPM-V: 256 expertos con 8 activos por token en 40 capas, una ventana de contexto de 262.144 tokens y un vocabulario de 248.144 tokens, o aproximadamente 3.000 millones de parámetros activos de un total de 35.200 millones. La visión se ejecuta mediante un módulo SigLIP2 con compresión temprana intra-ViT de LLaVA-UHD v4 y un modo seleccionable de compresión mixta de tokens visuales de 4x/16x —16x de forma predeterminada para el rendimiento, 4x cuando lo importante es el detalle fino. Entiende imágenes individuales, conjuntos de varias imágenes y vídeo, y devuelve texto.

La afirmación principal de la tarjeta es que este es el primer modelo MoE de código abierto con inferencia fluida y sin pérdida en el dispositivo —Lookahead Expert Scheduling, cuantización de grano fino por capas y muestreo especulativo mediante borradores DSpark separados— a una velocidad reportada de más de 13 tokens por segundo en un iPhone 17 Pro Max. Esa cifra es reportada por el proveedor, no ha sido reproducida y no está matizada. Una segunda afirmación, que el modelo supera la puntuación general en modo Instruct de Qwen3.6 35B-A3B en menos tiempo de inferencia, se muestra dentro de una imagen de gráfico en lugar de una tabla, por lo que no puede citarse como un número.

Lo concreto es la distribución. Los pesos Base, FP8, int4, AWQ, GPTQ y GGUF existen todos; se admiten SGLang, vLLM, llama.cpp, Ollama y OpenVINO; existen aplicaciones para iOS, Android y HarmonyOS; Rockchip, Houmo, Intel, AMD y Arm aparecen listados para silicio desde el día cero; y la ficha documenta la llamada a herramientas, con un ejemplo práctico de llamada a funciones en la sección de servicio. Ese último detalle importa para esta comparación: MiniCPM-V 4.7 puede ser la capa de percepción y razonamiento dentro de un agente que construyas, aunque no actuará por sí solo.

Qué es UI-Mate-27B, a día de hoy

el agente GUI fundacional de 27 mil millones de parámetros del proveedor, publicado el 14 de agosto de 2026 junto con un hermano de 9B y una variante guiada por demostraciones, UI-Mate-democua-27B. El entrenamiento consistió en ajuste fino supervisado seguido de aprendizaje por refuerzo en línea en entornos GUI ejecutables: el modelo aprendió conduciendo escritorios reales, no a partir de capturas de pantalla estáticas. Su espacio de acciones abarca ratón, teclado, desplazamiento, espera, interacción del usuario y señales de finalización, y las acciones emitidas son compatibles con pyautogui, por lo que el arnés puede ejecutarlas directamente.

El diferenciador en el que se apoya el proveedor es la ejecución guiada por demostración: se graba un flujo de trabajo una vez y el agente lo adapta a la pantalla actual, con la captura de pantalla en vivo tratada como autoritativa en lugar de reproducir un guion fijo. El material de apoyo es inusualmente completo para un lanzamiento silencioso: una página de proyecto con un vídeo de demostración y una aplicación para macOS Apple Silicon, un repositorio de GitHub que contiene el prompt oficial, el analizador de respuestas y el arnés de interacción, y el preprint de arXiv 2608.15930 enviado dos días después de que se publicaran los pesos.

Las cifras destacadas son una puntuación de WindowsAgentArena de 66,2 reportada por el proveedor y de 77,0 en OSWorld-Verified, que se situarían en lo más alto de lo publicado sobre ese benchmark este año si se mantienen. Nadie fuera del laboratorio las ha reproducido. Y el panorama de despliegue es escaso, como suelen serlo los lanzamientos tempranos de agentes: sin API alojada, una ruta de servicio recomendada de vLLM detrás de un endpoint compatible con OpenAI, y una instrucción deliberada de usar el arnés en lugar de llamar al checkpoint en bruto.

Ocho dimensiones, ambos lados

• Salida — texto, de MiniCPM-V 4.7 35B-A3B; acciones estructuradas compatibles con pyautogui, de UI-Mate-27B.

• Entrada — texto, imágenes y video, frente a capturas de pantalla en vivo más una instrucción. Ninguno acepta audio.

• Modelo base — un MoE disperso de la familia Qwen3.5 para el modelo MiniCPM, Qwen3.6-27B para UI-Mate.

• Tamaño y forma — 35.2B en total con 3B activos en 256 expertos; 27B denso. El disperso es más barato por token; el denso es más sencillo de servir.

• Contexto — 262.144 tokens frente a un valor predeterminado de cinco capturas de pantalla retenidas, que es la mayor diferencia arquitectónica entre ambos y la razón por la que uno puede leer un conjunto extenso de documentos y el otro no.

• Licencia — Apache-2.0 en ambos, lo que convierte la elección en una decisión técnica y no legal, para variar.

• Afirmación del titular, ambas cifras reportadas por el proveedor — 13 o más tokens por segundo en un iPhone 17 Pro Max, frente a WindowsAgentArena 66.2 y OSWorld-Verified 77.0. Benchmarks distintos, sin una escala común, ninguno de los dos reproducido.

• Disponibles hoy — seis formatos de cuantización, cinco entornos de ejecución y aplicaciones móviles, frente a cero descargas en la cobertura inicial, ninguna API alojada y un arnés que el proveedor recomienda usar.

Donde realmente se superponen

Hay una tarea que ambos pueden intentar: comprender una captura de pantalla de UI lo suficientemente bien como para responder una pregunta sobre ella. Pregunta "qué campo falló la validación" y cualquiera de los dos modelos puede responder de forma plausible. Pregunta "arréglalo" y solo UI-Mate-27B produce una acción, y solo si has configurado el proceso — el bucle de capturas de pantalla, el analizador, el ejecutor, el reescalado de coordenadas y la política de reintentos cuando el clic cae en un lugar inesperado.

La superposición inversa es más débil, pero real. El soporte de llamadas a herramientas de MiniCPM-V 4.7 significa que puedes construir un agente en torno a él: percepción y planificación en el modelo de visión, con tu propia capa de acción añadida mediante llamadas a funciones. Es una arquitectura legítima y te da control total sobre el espacio de acciones. También es, más o menos, reinventar aquello en lo que UI-Mate ya invirtió aprendizaje por refuerzo, y hacerlo sin datos de entrenamiento específicos para GUI. Para los equipos, es mejor decidir qué capa quieren controlar que qué modelo es superficialmente mejor con las capturas de pantalla.

Sirviendo a ambos, y dónde encaja un enrutador

Ninguno de los dos modelos está alojado en ningún lugar, incluido aquí —ni MiniCPM-V 4.7 35B-A3B ni UI-Mate-27B aparecen en ninguna parte del catálogo de OrcaRouter, y nada en este artículo debe interpretarse como una afirmación de que los enrutamos. Ambos son puntos de control que descargas y ejecutas por tu cuenta, y para UI-Mate eso significa dos cosas: unos 27B de pesos y un punto de conexión compatible con OpenAI, porque el propio README del proveedor recomienda servirlo con vLLM y el arnés de pruebas espera una URL base compatible.

Ese endpoint es la parte interesante para la planificación de costos, porque al harness no le importa qué modelo responda siempre que el endpoint se comporte. OrcaRouter pone más de 200 modelos alojados detrás de una sola clave al precio de lista de cada proveedor sin nuestro margen, con conmutación por error automática entre rutas de proveedores, lo que lo convierte en una URL base que se puede usar directamente para el lado de planificación de un agente — y el DSL de enrutamiento te permite componer un modelo barato para pasos rutinarios y uno más potente para las decisiones que importan en una sola llamada en lugar de dos integraciones. La opción alojada más cercana al perfil de costos del modelo MiniCPM es Qwen3.6 35B A3B — 35B en total, 3B activos, contexto de 262K — a $0.25 por millón de tokens de entrada y $1.48 por millón de tokens de salida. Si eso supera al autoalojamiento de un MoE disperso de 70 GB es una pregunta que puedes responder en una tarde, lo cual no es cierto para ninguno de los dos modelos del titular.

¿Cuál quieres?

Toma UI-Mate-27B si necesitas un modelo que actúe —automatización de escritorio, sustitución de RPA, flujos de trabajo de aplicaciones de largo horizonte— y si aceptas la contrapartida que conlleva: un benchmark informado por el proveedor, ninguna reproducción independiente, ninguna ruta alojada y un harness que debes adoptar en lugar de interrogar. La ventaja es que todo sobre el lanzamiento está documentado de forma inusualmente detallada, desde el artículo hasta el prompt y el analizador, y el hermano de 9B te ofrece un modelo más barato con el que prototipar.

Toma MiniCPM-V 4.7 35B-A3B si necesitas percepción —documentos largos, flotas de capturas de pantalla, vídeo— y estás dispuesto a hacerte cargo tú mismo de la capa de acción. Obtienes la licencia permisiva, seis formatos de cuantización, cinco entornos de ejecución, una ventana de 262K y una historia de despliegue de clase telefónica que nadie fuera de OpenBMB ha verificado.

Qué cambiaría esto: una ejecución reproducida de OSWorld o WindowsAgentArena para UI-Mate, que convertiría su afirmación central de marketing en una medición; y una tabla de evaluación para MiniCPM-V 4.7, que no existe en absoluto. Hasta que llegue uno de esos, la decisión le corresponde a tu diagrama de arquitectura, no a ninguno de los dos marcadores —un decodificador o una mano, y deberías saber cuál de los dos te falta.