MiniCPM-V 4.7 vs WeVisOne-VL-4B: ¿Un párrafo o un polígono?

La forma más rápida de elegir entre MiniCPM-V 4.7 y WeVisOne-VL-4B es fijarse en lo que producen. WeVisOne-VL-4B devuelve coordenadas: cajas normalizadas a una cuadrícula de mil puntos, puntos, máscaras de instancia y mattes alfa a resolución completa producidos por un decodificador de 9,6 millones de parámetros acoplado a un backbone Qwen3-VL. MiniCPM-V 4.7 devuelve frases, páginas de ellas, en un contexto de 262.144 tokens que puede contener un vídeo. Uno de estos es un componente de percepción que se conecta a un pipeline. El otro es un lector al que se le hacen preguntas. Ambos son Apache-2.0, ambos provienen de laboratorios chinos, ambos se lanzaron en octubre de 2026 con casi ninguna cobertura de la prensa especializada en inglés, y apenas pertenecen a la misma categoría de producto.

Los dos llegaron de formas muy distintas. El equipo WeChat Vision de Tencent publicó WeVisOne-VL-4B en Hugging Face y GitHub el 22 de octubre de 2026, junto con un artículo de arXiv y un hermano de 2B, sin entrada de blog ni comunicado de prensa. OpenBMB subió MiniCPM-V 4.7 el 6 y 7 de octubre, fechó el lanzamiento el 12 de octubre en su repositorio y lo anunció en un comunicado de PR Newswire en inglés el 15 de octubre que generó sorprendentemente poca cobertura de la prensa especializada en inglés. Uno llegó como repositorio; el otro como repositorio más un comunicado de agencia. La mayoría de las comparaciones entre ellos se equivocan de categoría antes de equivocarse con las cifras.

Dos respuestas a la misma pregunta

WeVisOne-VL-4B es un ajuste fino de Qwen3-VL que emite geometría como tokens. Las cajas y los puntos se codifican como tokens decimales de 0 a 1000, normalizados respecto a la imagen, y después de cada caja predicha el modelo emite un token especial cuyo estado oculto alimenta a un decodificador de máscaras independiente: un adaptador de características visuales, seis bloques de atención cruzada deformable y una cabeza en cascada que refina con stride cuatro, dos y uno. El resultado es una máscara de instancia y, para tareas de matting, un canal alfa a resolución completa. No hay un segundo modelo en el bucle ni una llamada a SAM; toda la ruta de píxeles tiene menos de diez millones de parámetros adjuntos al modelo de lenguaje. Tiene 4.83 mil millones de parámetros en bfloat16, que la ficha del modelo redondea a 5B, y acepta una imagen por turno: el decodificador de píxeles rechaza directamente las rejillas de vídeo.

MiniCPM-V 4.7 es un modelo generalista en dos tamaños. El 35B-A3B almacena 35,2 mil millones de parámetros en 256 expertos, enruta ocho por token para aproximadamente 3 mil millones activos y tiene un contexto de 262.144 tokens con entrada de una sola imagen, varias imágenes y vídeo. El 1B es un modelo denso de 1,55 mil millones de parámetros con la misma longitud de contexto y un checkpoint BF16 de 3,1 GB. Ambos comparten una torre de visión SigLIP2 de 27 capas con compresión mixta de tokens visuales de 4× y 16×, que es el mecanismo que permite que un contexto de un cuarto de millón de tokens siga siendo asequible. Ninguno tiene una primitiva de señalamiento, detección o segmentación. Puedes preguntar a cualquiera de los dos dónde está el gato, y obtendrás una descripción de dónde está el gato.

Esa diferencia no es cosmética. Determina si tu código posterior analiza JSON o prosa, si una respuesta incorrecta falla de forma ruidosa o silenciosa, y si el modelo puede combinarse con cualquier otra cosa sin un segundo modelo que corrija su salida.

Los números, y el error de categoría que aguarda en ellos

Todas las cifras siguientes están reportadas por el proveedor. Las de Tencent provienen del artículo y del README, con el conjunto de comparación elegido por los autores y sin reproducción por terceros. Las de OpenBMB provienen de la página del modelo del proveedor, publicadas como texto y gráficos en imágenes en lugar de una tabla numérica. Ninguno de los dos laboratorios tiene una puntuación independiente para estos modelos en un banco de pruebas compartido.

• Detección, LVIS F1 — WeVisOne-VL-4B 55.3 frente al mejor baseline que los autores incluyen en la lista, 50.7. MiniCPM-V 4.7 no publica ninguna cifra de detección.

• Detección densa, Dense200 F1 — 71,3 para WeVisOne frente a 58,7 del mejor baseline, y 15,2 para Qwen3-VL-4B sin modificar. Esa última fila es la más interesante del artículo: el ajuste fino es lo que convierte a un generalista en un localizador.

• Referencia, F1 de prueba de RefCOCOg: 81,8 para WeVisOne-VL-4B frente a 77,6 para la línea base más sólida que enumeran los autores. Su tasa de rechazo en consultas con objetivo ausente es donde deberías mirar primero: 67,4 por ciento en RefCOCOg-Rej, 96,4 por ciento en el WeRef-Bench interno y 52,6 por ciento en PR-Bench. El mismo modelo, tres respuestas diferentes, porque las distribuciones difieren.

• Conteo, PixMo-Count — 89,6 frente a 82,8. Segmentación, ReasonSeg val gIoU — 71,2 frente a 65,0.

• Matting, P3M-500-NP: diferencia absoluta media de 7,3 frente a 15,4; cuanto menor, mejor, lo que representa aproximadamente la mitad del error del mejor baseline de matting diseñado específicamente con el que compararon los autores.

Lectura, OCRBench — 91,2 para MiniCPM-V 4.7 35B-A3B y 86,1 para el 1B, frente a un F1 de 52,0 en TotalText para WeVisOne-VL-4B.

Ese último punto es la trampa. OCRBench mide el reconocimiento de texto; el F1 de TotalText mide la localización de texto. Poner 86,1 junto a 52,0 y declarar una victoria de 34 puntos es un error de categoría, y es el tipo de error que se copia de una publicación comparativa a la siguiente. La afirmación honesta es que los dos modelos no se probaron en la misma tarea, y lo único que establecen las cifras es que MiniCPM está diseñado para transcribir y WeVisOne está diseñado para localizar.

La memoria es el verdadero precio

WeVisOne-VL-4B es un checkpoint en bfloat16 de 9,66 GB antes de su decodificador de máscaras, y Tencent no ofrece ninguna variante cuantizada. La cifra de 19 GB de la tarjeta de comparación es el mismo checkpoint convertido a F32, lo que la duplica; en cualquier caso, sigues necesitando el código de inferencia personalizado: mask_decoder.pt es un componente obligatorio, no un complemento opcional, y una carga estándar de Transformers te dará cajas y texto, pero no máscaras. Las rutas de servicio documentadas son el propio paquete de inferencia del proyecto, que envuelve un backend de Transformers o un backend de vLLM, además de una demo de Gradio; la decodificación voraz y un límite de 1.960 tokens visuales por imagen son la configuración de evaluación. Este es un servicio de GPU.

MiniCPM-V 4.7 35B-A3B tiene aproximadamente 70 GB de pesos BF16 repartidos en dieciséis fragmentos, lo que sobre el papel es peor y en la práctica mejor, porque solo unos 3000 millones de parámetros están activos por token. Toda la propuesta de OpenBMB se basa en que los expertos inactivos pueden transmitirse desde el almacenamiento en lugar de mantenerse en memoria, usando Lookahead Expert Scheduling para precargar los expertos que probablemente necesite la siguiente capa, además de cuantización por capas y decodificación especulativa DSpark. La afirmación del fabricante es de 13 o más tokens por segundo en un iPhone 17 Pro Max usando unos 3 GB de memoria. Nadie independiente lo ha reproducido, y la afirmación depende de que las tres técnicas funcionen juntas, no de una sola de ellas.

El 1B cambia por completo la economía: 3,1 GB en BF16, unos 0,67 GB como Q4_K_M GGUF, y por eso el monitor de gatos esp32-eye puede ejecutarlo en un MacBook como una puerta que se activa como máximo cada 1,5 segundos. La misma compilación determinó que el 1B no era fiable para distinguir cuatro gatos similares, así que es un detector de presencia más que un reconocedor de grano fino — un límite útil para cualquiera que planee usarlo como un clasificador barato.

En términos simples: WeVisOne compra geometría con 9.66 GB y una GPU. MiniCPM compra lectura con 70 GB o 3 GB según el tamaño que elijas, y un entorno de ejecución de clase teléfono si las afirmaciones de planificación de OpenBMB se sostienen.

¿Qué se rompe en producción?

Los modos de fallo de WeVisOne están documentados y son específicos. La calidad de Alpha se degrada en límites finos, oclusión intensa y materiales genuinamente transparentes. El modelo es sensible a la redacción del prompt, por lo que «el pelo de la mujer» y «su pelo» no garantizan devolver el mismo matte. No puede procesar vídeo y no tiene cadena de pensamiento, así que no hay forma de pedirle que razone sobre una consulta ambigua antes de comprometerse con una caja, y su comportamiento de rechazo tiene un punto débil que la cifra principal del artículo oculta: 96,4 por ciento en WeRef-Bench pero alrededor del 52,6 por ciento en PR-Bench. Un componente que rechaza objetivos ausentes la mayoría de las veces es útil; uno que los rechaza la mitad de las veces en una distribución diferente necesita una salvaguarda.

Los modos de fallo de MiniCPM-V 4.7 son los de un generalista: describirá una imagen con fluidez tanto si la descripción está fundamentada como si no, y no hay ningún canal de rechazo. Nada en la ficha te indica cuándo el modelo no sabe. Para un lector, eso es tolerable —una persona lee el párrafo—. Para un flujo de procesamiento que necesita una caja, es eliminatorio, porque estarías convirtiendo prosa en coordenadas y cruzando los dedos.

Si lo que necesitas esta semana es un modelo de visión general alojado en lugar de un especialista autoalojado, ninguno de estos dos está en el catálogo de OrcaRouter, y vale la pena decirlo antes de la presentación: la vía práctica es un modelo de propósito general que está alojado, al que se accede mediante una sola clave para más de 200 modelos con 0 % de recargo sobre los precios de lista del proveedor, con conmutación por error automática si un endpoint upstream falla intermitentemente. Eso te da una canalización funcional; no te dará mattes alfa, y es un producto distinto de cualquiera de los dos modelos de los que trata esta página.

Elegir entre ellos

Elige WeVisOne-VL-4B si tu salida es geometría: contar objetos en una estantería de tienda, recortar un producto de una foto, resaltar una región para un usuario o rechazar cuando el objeto no está ahí. La cifra de matting es realmente inusual, el canal de rechazo es una verdadera característica de ingeniería, y los 9.66 GB son el precio de un componente que devuelve algo que un programa puede usar.

Elige MiniCPM-V 4.7 35B-A3B si tu objetivo es comprender: un PDF largo, un panel de control, un vídeo, una página con texto e imágenes mezclados. Elige el 1B si necesitas un filtro barato delante de algo más caro, y no le pidas que distinga entre dos gatos parecidos.

La comparación que realmente zanjaría esto aún no existe: un banco de pruebas independiente que ejecute ambos modelos sobre el mismo conjunto de detección y OCR, con el mismo presupuesto de imágenes. Hasta que alguien lo publique, la postura defendible es la aburrida: estos modelos hacen trabajos distintos, las tablas de los proveedores no se solapan, y el único número que debería influir en tu decisión es el tamaño de lo que tienes que desplegar.