WeVisOne-VL-2B vs MiniCPM-V 4.7 1B: 0.45B de diferencia, tareas diferentes

Los nombres sugieren una diferencia de dos a uno. Los checkpoints no. MiniCPM-V 4.7 1B incluye 1,554,476,272 parámetros en bfloat16, y WeVisOne-VL-2B incluye unos 2 mil millones; por lo tanto, la distancia real entre ellos es de aproximadamente 0.45 mil millones de parámetros, no de mil millones. Si los pones en el mismo disco, ocuparían un espacio comparable. Si los pones en la misma tarea, se desmoronan por completo, porque MiniCPM-V 4.7 1B se diseñó para leer un documento, ver un vídeo y mantener una conversación sobre él, mientras que WeVisOne-VL-2B se diseñó para encontrar un objeto y devolver una máscara.

Ambos son Apache 2.0. Ambos son lo bastante pequeños como para interesar a alguien que esté construyendo sobre una sola GPU. Ambos son recientes: MiniCPM-V 4.7 1B se subió el 6 de octubre de 2026 y aparece fechado el 12 de octubre en las notas de la versión de OpenBMB, y WeVisOne-VL-2B el 22 de octubre. Esa combinación de similitud y diferencia es lo que hace que el emparejamiento merezca una página: casi todas las especificaciones principales son parecidas, y casi ningún uso real lo es.

Primero, los nombres, corregidos.

La nomenclatura de OpenBMB es imprecisa de una manera que ya ha causado confusión en las tablas comparativas. El modelo llamado 1B tiene 1,55 mil millones de parámetros según sus propios metadatos de safetensors; los materiales del proveedor han citado 1,3B y 1,38B en distintos lugares. El contexto de 262.144 tokens es real y está establecido en la configuración del modelo. La arquitectura es una columna vertebral de texto de 24 capas y 1024 dimensiones ocultas derivada de Qwen3.5, con un patrón 3:1 de atención lineal a atención completa, emparejada con una torre de visión de 27 capas al estilo SigLIP2 que trabaja con mosaicos de 980 píxeles, además de un modo seleccionable de compresión de tokens visuales de 4× o 16× que sacrifica detalle a cambio de coste por solicitud.

La nomenclatura de Tencent es más precisa. WeVisOne-VL-2B es un modelo de 2 mil millones de parámetros construido sobre Qwen3-VL, con un decodificador de píxeles independiente de 9,511,460 parámetros que la ficha describe como "un componente central obligatorio, no un complemento opcional". El decodificador no es un detalle insignificante en la historia de despliegue: sin él, el modelo produce cajas y puntos, y no existe ninguna de las salidas de máscara o matte.

Así que el planteamiento correcto no es pequeño frente a grande. Es 1.55B frente a 2B —una diferencia del 29 por ciento en los pesos— con contratos de salida completamente diferentes.

Dos vocabularios de referencia que nunca coinciden

Esta es la parte en la que más se equivocan la mayoría de las comparaciones, así que vale la pena aclararlo antes de que aparezca cualquier cifra. OpenBMB evalúa MiniCPM-V 4.7 1B en benchmarks multimodales generales: 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 y MotionBench 54.55. Son cifras obtenidas por el proveedor, presentadas en su mayoría como gráficos en lugar de como una tabla con detalles del harness, y ninguna entidad independiente las ha reproducido.

Tencent evalúa WeVisOne-VL-2B en benchmarks de percepción y no reporta en absoluto puntuaciones multimodales generales. No hay MMMU, ni MMBench, ni MathVista, ni DocVQA, ni resultados de captioning en ninguna de sus siete tablas. Lo que reporta en su lugar es específico por tarea: F1 de detección, coincidencia exacta de conteo, F1 de pointing, F1 de localización OCR, cIoU de segmentación y error de matting.

El choque es más agudo en OCR, porque ambos modelos afirman hacerlo. El 86.1 de MiniCPM es OCRBench: una puntuación de transcripción que evalúa si el modelo leyó los caracteres correctamente. Los números de OCR de WeVisOne son F1 de localización con un umbral de IoU de 0.5: 62.1 en SROIE, 42.6 en ICDAR2015, 42.5 en TotalText y 30.5 en HierText, y miden si el modelo dibujó la caja correcta alrededor del texto. Un modelo puede ser excelente en una y mediocre en la otra. Imprimir «86.1 frente a 62.1» sería comparar un examen de ortografía con una prueba de señalar.

No hay ningún benchmark en el que ambos modelos reporten una cifra calculada de la misma manera. Eso no es una floritura retórica — es el hallazgo central de esta comparación, y significa que cualquier ranking que veas de estos dos se arma a partir de partes inconmensurables.

Qué compran 262,144 tokens y qué no dirá WeVisOne

MiniCPM-V 4.7 1B publica un contexto de 262.144 tokens y una ruta de vídeo que acepta hasta 128 fotogramas por defecto, con un segmento por fotograma. Eso es una máquina de documentos y vídeo: PDF largos, escaneos de varias páginas, un minuto de metraje. El conmutador de compresión 4× y 16× existe precisamente porque conservar tanto detalle visual es costoso, y OpenBMB te permite elegir cuánto de él mantener por solicitud.

WeVisOne-VL-2B no publica longitud de contexto. La tarjeta no dice nada; las etapas de entrenamiento del artículo se ejecutaron con 4.096 y 8.192 tokens, y la inferencia limita cada imagen a 1.960 tokens visuales con decodificación codiciosa. Ninguna de esas cifras es una ventana de despliegue, y Tencent no pretende que lo sea. También rechaza de plano las cuadrículas de vídeo —el decodificador de píxeles es solo para imágenes, de un solo turno, sin cadena de pensamiento.

Esa asimetría te dice para qué optimizó cada proveedor. OpenBMB optimizó para cuánta entrada puede absorber un modelo. Tencent optimizó para con qué precisión un modelo puede señalar lo que absorbió, y luego trazó un límite estricto en torno al tipo de entrada para mantener sencillo el decodificador.

Dónde se ejecuta realmente cada uno

MiniCPM-V 4.7 1B tiene la superficie de despliegue más amplia con diferencia: Transformers 5.18 y versiones posteriores, vLLM, SGLang, llama.cpp y Ollama, con compilaciones GGUF, AWQ, GPTQ, FP8, bitsandbytes y OpenVINO, además de compatibilidad con iOS, Android y HarmonyOS y habilitación de chips desde el primer día por parte de una lista de fabricantes que incluye Rockchip, Arm y Apple. OpenBMB también distribuye un modelo borrador DSpark independiente de 213 millones de parámetros para la decodificación especulativa.

WeVisOne-VL-2B tiene su propio paquete de GitHub, una ruta de Transformers, y vLLM y SGLang listados en la tarjeta. No hay GGUF. No hay compilación cuantizada. No hay ONNX. No hay propuesta para móviles. Y la salida densa es un matte alfa a resolución completa con paso 1, lo que significa que la memoria escala con la imagen en lugar de con el número de parámetros: un modelo de 2B que es barato de mantener y no necesariamente barato de ejecutar a 4K.

Si tu objetivo es un teléfono, esta sección pone fin a la comparación. MiniCPM se creó para esa restricción y así lo indica en su lista de formatos. WeVisOne no, y no pretende serlo.

El único punto en el que empatan: la licencia

Apache 2.0 en ambos. Sin umbral de ingresos, sin restricción de campo de uso, sin acuerdo comercial aparte. En una categoría en la que Liquid AI usa su propia licencia con límite de ingresos y Moondream usa una licencia de código disponible con una cláusula que no permite servicios de terceros, dos modelos de visión Apache 2.0 de este tamaño merecen atención — significa que la licencia no es la variable decisiva aquí, lo cual es lo bastante inusual como para decirlo en voz alta.

El empate también elimina la razón más común por la que los equipos eligen el modelo más pequeño. Si ambos pasan la revisión legal, la elección se basa en la capacidad y el despliegue, no en las condiciones.

Elegir entre ellos

Pregunta qué alimenta la salida. Si alimenta un almacén de documentos, una ventana de chat, un índice de vídeo o un modelo de lenguaje posterior, MiniCPM-V 4.7 1B es la forma que buscas: genera texto extenso, admite una entrada larga y se distribuye en formatos que funcionan en hardware de consumo.

Si alimenta una canalización de composición, un editor de imágenes, una tarea de limpieza de catálogos o un recorte de región de interés, WeVisOne-VL-2B tiene el formato que buscas: cajas, puntos, máscaras binarias y mattes alfa continuos, además de un comportamiento de rechazo que importa más que cualquier benchmark. Tencent informa una tasa de rechazo del 50,2 % en RefCOCOg para consultas sobre objetos ausentes, frente a 0,5 y 0,6 de dos modelos especializados de grounding en la misma tabla. Si la mayoría de tus imágenes no contienen lo que buscas, esa cifra es la que te ahorra dinero.

Hay un tercer caso en el que se complementan en lugar de competir: un flujo de trabajo documental en el que MiniCPM lee la página y WeVisOne encuentra la región —la firma, el sello, la foto del producto— que el paso de lectura necesita aislar. No se trata tanto de un problema de enrutamiento como de diseño de un flujo de trabajo, y es donde el producto OrcaRouter resulta genuinamente útil en lugar de un añadido forzado. Ninguno de estos modelos está en nuestro catálogo; ambos son autoalojados, y no vamos a insinuar lo contrario. Lo que proporcionamos es la mitad alojada: más de 200 modelos tras una única clave de API al precio de lista del proveedor y sin recargo, conmutación por error automática cuando un proveedor se degrada, y fusión de modelos, que permite que un panel de modelos responda en conjunto a la misma pregunta —útil cuando una transcripción está a punto de entrar en una base de datos y quieres una segunda opinión antes de que lo haga.

El número a recordar

No 1B y 2B — 1,55B y 2B. La nomenclatura hace que parezcan categorías de peso distintas, y los checkpoints hacen que parezcan casi vecinos, y ambas impresiones son engañosas. Lo que separa a MiniCPM-V 4.7 1B de WeVisOne-VL-2B no es el tamaño, la licencia ni siquiera lo reciente. Es que uno devuelve palabras y el otro devuelve píxeles, y ningún benchmark publicado por ninguno de los dos proveedores puede restarse del otro para decirte cuál es mejor a la hora de ser lo que necesitas.