WeVisOne-VL-4B vs MiniCPM-V 4.7 1B: Dos apuestas opuestas sobre para qué sirve un token visual

MiniCPM-V 4.7 1B obtiene 86,1 en OCRBench. WeVisOne-VL-4B obtiene 52,0 en TotalText. Si se ponen esas dos cifras una al lado de la otra, el modelo de 1B parece superar al modelo de 4B por treinta y cuatro puntos en lectura de texto, lo que sería un resultado notable y también es un error de categoría. OCRBench mide si un modelo puede transcribir los caracteres de una imagen. TotalText, tal como lo reporta Tencent, mide F1 para localizar cada instancia de texto a través de umbrales de IoU de 0,5 a 0,95. Uno es reconocimiento; el otro es geometría. MiniCPM-V 4.7 1B y WeVisOne-VL-4B se publicaron con nueve días de diferencia en octubre de 2026, ambos de laboratorios chinos, ambos Apache 2.0, y discrepan fundamentalmente sobre para qué sirven los tokens visuales: uno los comprime hasta eliminarlos, el otro los dedica a la precisión.

Ese desacuerdo es toda la comparación. Todo lo demás —conteo de parámetros, memoria, filas de benchmarks— se deriva de ello.

Compresión versus precisión

MiniCPM-V 4.7 1B hereda un esquema de compresión temprana intra-ViT de LLaVA-UHD v4 y lo expone como un conmutador en tiempo de ejecución entre compresión de tokens visuales de 4× y 16×. La idea es encajar más imagen, y más vídeo, en un presupuesto fijo: la tarjeta del modelo afirma un contexto de 262.144 tokens, un valor predeterminado de 128 fotogramas de vídeo y un esquema de teselado de 448×448 con un número configurable de divisiones. Comprime de forma temprana, mantén la secuencia corta y un modelo de 1B puede ver un vídeo largo en un móvil.

WeVisOne-VL-4B hace el compromiso opuesto. Su evaluación se ejecuta con hasta 1.960 tokens visuales por imagen y su decodificador de píxeles opera sobre características ViT previas a la fusión, manteniendo deliberadamente el detalle de alta resolución que la compresión temprana descarta. Por eso puede producir un mate alfa a resolución completa con stride 1 y por eso no puede procesar una cuadrícula de vídeo en absoluto: el decodificador la rechaza. La precisión cuesta tokens, y los tokens cuestan latencia.

Ninguna de las dos apuestas está equivocada. Son respuestas a preguntas distintas. MiniCPM pregunta «¿cuánto puedo ver a la vez en un teléfono?». WeVisOne pregunta «¿con qué exactitud puedo describir dónde está una cosa?».

La historia del tamaño es más extraña que 1B frente a 4B

• Parámetros — WeVisOne-VL-4B 4.83B denso frente a MiniCPM-V 4.7 1B denominado 1B, aunque los metadatos de su repositorio indican 2B en BF16

• Formato de pesos — safetensors F32 de aproximadamente 19 GB frente a BF16 de unos 3,1 GB, o 0,67 GB en Q4_K_M más un proyector de visión de 0,90–1,11 GB

• Contexto — no publicado para WeVisOne-VL-4B frente a 262.144 tokens en teoría para MiniCPM-V 4.7 1B

• Vídeo — rechazado por el decodificador de píxeles frente a 128 fotogramas de forma predeterminada

• Entrada multimodal — una sola imagen por turno frente a imagen y vídeo

• Cuantización — ninguna incluida por el proveedor frente a las variantes int4, AWQ, GPTQ, GGUF y FP8

• Runtimes en el dispositivo — ninguno frente a iOS, Android y HarmonyOS, además de llama.cpp y Ollama

• Licencia — Apache 2.0 para el código de autoría de Tencent frente a Apache 2.0

La fila de memoria es la que reencuadra la comparación. Un modelo de 1B a cuatro bits cabe en menos de un gigabyte antes del proyector de visión; un modelo de 4.83B en F32 necesita aproximadamente diecinueve. No son competidores para el mismo espacio. Uno es un componente que se incluye dentro de una aplicación; el otro es un servicio que se ejecuta en una GPU.

Leer las filas del benchmark sin engañarte a ti mismo

Ambos proveedores publicaron tablas, y ambas tablas son autoseleccionadas. MiniCPM-V 4.7 1B reporta OCRBench 86.1, MathVista 74.3, CharXiv Reasoning 48.8, LongVideoBench 53.4 y MotionBench 54.55. WeVisOne-VL-4B reporta una media F1 de LVIS de 55.3, 81.8 en la prueba de RefCOCOg, 89.6 en la prueba de PixMo-Count, una media F1 de TotalText de 52.0, un gIoU de validación de ReasonSeg de 71.2 y un MAD de P3M-500-NP de 7.3. Ni un solo benchmark aparece en ambas listas. No hay ninguna forma defendible de calcular un ganador a partir de estos documentos, y cualquier artículo que lo haga está inventando un resultado.

La lectura justa es más estrecha y aun así útil. MiniCPM-V 4.7 1B es inusualmente fuerte en razonamiento sobre imágenes para su tamaño: un 74,3 en MathVista de un modelo que cabe en un teléfono es la cifra de la que sus autores están más orgullosos, y está reportada por el fabricante y no ha sido reproducida. WeVisOne-VL-4B es inusualmente fuerte en producir geometría: máscaras, mattes, cajas y una tasa de rechazo medida del 96,4 % en WeRef-Bench cuando el objeto no está presente. La ficha de MiniCPM no publica ninguna métrica de rechazo, y la de WeVisOne no publica ningún benchmark de razonamiento. Cada modelo guarda silencio justo donde el otro alza la voz.

Lo que cada uno no puede hacer

WeVisOne-VL-4B no puede ver un vídeo, no puede mantener una conversación de varios turnos sobre una imagen y no puede ejecutarse en un teléfono. No tiene una cifra publicada de tokens por segundo ni compilaciones cuantizadas, lo que significa que cualquiera que lo despliegue se compromete a usar una GPU y a medir el rendimiento por su cuenta. El código de ajuste fino sigue siendo una casilla sin marcar en la lista de tareas pendientes del proyecto.

MiniCPM-V 4.7 1B no puede devolver una máscara ni un mate alfa. Te dirá que hay una persona en la imagen y, aproximadamente, dónde está; no te entregará un recorte de bordes suaves. También conlleva los riesgos habituales de una familia de modelos completamente nueva: un nuevo model_type en Transformers, un requisito de versión mínima de 5.18.0 y primeros informes de fallos en la decodificación de vídeo en algunas combinaciones de CUDA y torchcodec. Su contexto de 262K es una cifra sobre el papel: no se ha demostrado que el postentrenamiento lo aproveche por completo.

El costo de una segunda llamada

En la práctica, estos dos modelos no son sustitutos, y la arquitectura interesante utiliza ambos: un modelo pequeño y barato para describir y razonar sobre la imagen, y un modelo de percepción para devolver la geometría. Eso convierte una llamada de inferencia en dos, que es donde el costo deja de ser una nota a pie de página.

La contribución de OrcaRouter a ese esquema es la aburrida que importa — una única clave para más de 200 modelos, con el precio de lista del proveedor trasladado con un margen del 0 % y con conmutación por error automática cuando un endpoint de origen se degrada. Una rebaja de precio de un proveedor en el lado generalista llega a nuestro lado el mismo día, porque no hay ninguna capa de margen que actualizar. Hoy en día, ni WeVisOne-VL-4B ni MiniCPM-V 4.7 1B están en ese catálogo, así que la mitad de percepción del pipeline sigue siendo algo que alojas tú. Lo que evitas es un segundo contrato y un segundo conjunto de credenciales para la mitad que sí lo está.

Cómo ejecutarías cualquiera de los dos

WeVisOne-VL-4B es la instalación más exigente.mask_decoder.pt es un componente obligatorio: si cargas el checkpoint sin el paquete de inferencia del proyecto, obtienes cajas y texto, pero no máscaras. La decodificación es greedy con hasta 1.960 tokens visuales por imagen, y no hay ninguna cifra de rendimiento publicada, así que lo primero que harás en tu propio hardware es medirla.

MiniCPM-V 4.7 1B es el más sencillo. Requiere Transformers 5.18.0 o posterior, y el ecosistema llegó junto con él: compilaciones para llama.cpp, Ollama, SGLang y vLLM, además de cuantizaciones int4, AWQ, GPTQ y FP8, y un modelo borrador DSpark independiente de 213 M de parámetros para decodificación especulativa. Si tu objetivo es un teléfono, un equipo Intel o una placa Rockchip, este es el camino allanado.

Qué apuesta tomar

Si la limitación es el dispositivo, elige MiniCPM-V 4.7 1B. Nada de WeVisOne-VL-4B está pensado para un teléfono, y la cuantización, el soporte de ejecución y el manejo de vídeo del lado de MiniCPM son el producto de un laboratorio que ha lanzado varias generaciones de modelos en dispositivo.

Si la limitación es la salida —necesitas máscaras, mattes, cajas densas de objetos pequeños o una respuesta fiable de «no presente»—, elige WeVisOne-VL-4B y presupuesta para la GPU. Ten en cuenta que trabajas con un artículo de hace dos días y sin evaluación independiente, y que las cifras de matting son de Tencent.

Si necesitas ambas cosas, necesitas dos modelos. Esa es la conclusión honesta, y es la que respaldan las propias tablas de evaluación comparativa de ambos proveedores: optimizaron para cosas diferentes y ninguno intentó superar al otro.