MiniCPM-V 4.7 35B-A3B vs UI-Mate-27B : L'un lit l'écran, l'autre appuie sur le bouton

La première phrase honnête à propos de MiniCPM-V 4.7 35B-A3B face à UI-Mate-27B, c’est qu’ils ne sont pas concurrents. Tous deux ont été publiés sur Hugging Face sans annonce, tous deux sont sous licence permissive, tous deux sont entraînés sur des backbones de la famille Qwen, et tous deux sont décrits dans leur propre documentation comme performants pour comprendre ce qui s’affiche à l’écran — c’est pourquoi on les classe ensemble. Mais l’un est un modèle vision-langage général qui lit une image et répond en texte, et l’autre est un agent GUI qui lit une capture d’écran et émet des actions de souris et de clavier compatibles pyautogui. MiniCPM-V 4.7 35B-A3B peut vous dire ce que dit une boîte de dialogue. UI-Mate-27B peut la fermer. Tout le reste dans cette comparaison découle de cette unique différence, et la question utile n’est pas de savoir quel modèle gagne — mais quelle moitié du travail vous manque.

Tous deux sont eux aussi récents. UI-Mate-27B est arrivé le 14 août 2026 avec un article paru deux jours plus tard et aucune publication de lancement de la part du laboratoire ; il affichait zéro téléchargement sur Hugging Face lorsque nous en avons parlé pour la première fois, et il n’existe toujours aucune API hébergée nulle part. MiniCPM-V 4.7 est arrivé le 6 octobre sans la moindre fiche, et OpenBMB n’a pas publié de fiche modèle, d’étiquette de licence ni de section de revendications avant le 12 octobre. Ni l’un ni l’autre n’a fait l’objet d’une évaluation indépendante. Chaque chiffre de performance de cet article est étiqueté avec l’identité de celui qui l’a rapporté, et dans les deux cas, il s’agit du propre laboratoire du modèle.

Le même corps, deux fonctions différentes

Commençons par ce qui rend ce duo si naturel. Tous deux sont des modèles multimodaux à poids ouverts de taille moyenne à grande, sous licence Apache-2.0. Tous deux appartiennent à la même lignée en amont : UI-Mate-27B est un fine-tuning de Qwen3.6-27B, et la pile linguistique de MiniCPM-V 4.7 35B-A3B est un MoE sparse de la famille Qwen3.5. Tous deux visent le même vaste domaine d'application — les écrans, les documents et l'état des applications — et tous deux sont sortis dans le silence.

Ensuite, regardez ce que chacun produit. MiniCPM-V 4.7 renvoie des tokens de texte. UI-Mate-27B renvoie une action structurée — un clic, une frappe, un défilement, une attente, un signal de fin de tâche — dans un espace de coordonnées normalisé de 1000×1000 que l'agent de référence remet à l'échelle de la résolution réelle de la capture d'écran, afin que les prédictions résistent aux différences de mise à l'échelle de l'affichage entre les machines. La fiche du modèle précise explicitement que UI-Mate est « un point de contrôle d'agent plutôt qu'un modèle de chat visuel autonome » et que le harnais qui l'accompagne doit être utilisé pour toute application réelle.

Cette distinction détermine la plupart des déploiements réels. Si votre pipeline consiste à « lire cette capture d’écran et me dire ce qui ne va pas », un VLM généraliste est l’outil approprié et un agent est excessif, avec un mode de défaillance pire. Si votre pipeline consiste à « faire en sorte que l’application accomplisse l’action », un VLM seul vous laisse écrire toute la couche d’action vous-même — mappage de coordonnées, analyse des actions, récupération d’erreurs, logique de réessai — ce qui est précisément la partie sur laquelle UI-Mate a dépensé son budget d’apprentissage par renforcement.

Ce qu'est MiniCPM-V 4.7 35B-A3B, à l'heure actuelle

Premier MoE d'OpenBMB dans la série MiniCPM-V : 256 experts avec 8 actifs par token sur 40 couches, une fenêtre de contexte de 262 144 tokens et un vocabulaire de 248 144 tokens, soit environ 3 milliards de paramètres actifs sur 35,2 milliards au total. La vision passe par un module SigLIP2 avec compression précoce intra-ViT LLaVA-UHD v4 et un mode sélectionnable de compression mixte des tokens visuels 4x/16x — 16x par défaut pour le débit, 4x lorsque le détail fin est l'objectif. Il comprend des images uniques, des ensembles multi-images et la vidéo, et renvoie du texte.

L’affirmation phare de la fiche est qu’il s’agit du premier modèle MoE open source à offrir une inférence embarquée fluide et sans perte — ordonnancement d’experts Lookahead, quantification fine couche par couche et échantillonnage spéculatif via des brouillons DSpark distincts — à un débit annoncé de plus de 13 jetons par seconde sur un iPhone 17 Pro Max. Ce chiffre est déclaré par le fournisseur, non reproduit et non qualifié. Une deuxième affirmation, selon laquelle le modèle dépasse le score global en mode Instruct de Qwen3.6 35B-A3B avec un temps d’inférence inférieur, est présentée dans une image de graphique plutôt que dans un tableau, de sorte qu’elle ne peut pas être citée sous forme de nombre.

Ce qui est concret, c’est la distribution. Les poids Base, FP8, int4, AWQ, GPTQ et GGUF existent tous ; SGLang, vLLM, llama.cpp, Ollama et OpenVINO sont pris en charge ; des applications iOS, Android et HarmonyOS existent ; Rockchip, Houmo, Intel, AMD et Arm sont répertoriés pour le silicium dès le jour zéro ; et la fiche documente l’appel d’outils, avec un exemple concret d’appel de fonction dans la section consacrée au serving. Ce dernier détail compte pour cette comparaison : MiniCPM-V 4.7 peut être la couche de perception et de raisonnement à l’intérieur d’un agent que vous construisez, même s’il n’agira pas de lui-même.

Ce qu'est UI-Mate-27B, à l'heure actuelle

L'agent GUI de base à 27 milliards de paramètres du fournisseur, publié le 14 août 2026 aux côtés d'un homologue de 9B et d'une variante guidée par démonstration, UI-Mate-democua-27B. L'entraînement a consisté en un affinage supervisé suivi d'un apprentissage par renforcement en ligne dans des environnements GUI exécutables — le modèle a appris en pilotant réellement des bureaux, et non à partir de captures d'écran statiques. Son espace d'action couvre la souris, le clavier, le défilement, l'attente, l'interaction utilisateur et les signaux d'achèvement, et les actions émises sont compatibles avec pyautogui, de sorte que le harnais peut les exécuter directement.

Le facteur différenciant sur lequel le fournisseur s'appuie est l'exécution guidée par démonstration : enregistrez un flux de travail une fois et l'agent l'adapte à l'écran actuel, la capture d'écran en direct étant traitée comme faisant autorité plutôt que de rejouer un script figé. Le matériel d'accompagnement est inhabituellement complet pour un lancement discret — une page de projet avec une vidéo de démonstration et une application macOS Apple Silicon, un dépôt GitHub contenant le prompt officiel, l'analyseur de réponses et le harnais d'interaction, et la prépublication arXiv 2608.15930 soumise deux jours après la mise en ligne des poids.

Les chiffres phares sont un score WindowsAgentArena de 66,2 rapporté par le fournisseur et un score OSWorld-Verified de 77,0, qui se situeraient au sommet de ce qui a été publié sur ce benchmark cette année s’ils se maintiennent. Ils n’ont été reproduits par personne en dehors du laboratoire. Et le tableau du déploiement est limité, comme le sont généralement les premières versions d’agents : pas d’API hébergée, un chemin de service recommandé consistant en vLLM derrière un point de terminaison compatible OpenAI, et une instruction délibérée d’utiliser le harnais plutôt que d’appeler le checkpoint brut.

Huit dimensions, les deux côtés

• Sortie — texte, provenant de MiniCPM-V 4.7 35B-A3B ; actions structurées compatibles avec pyautogui, provenant de UI-Mate-27B.

• Entrée — texte, images et vidéo, contre des captures d'écran en direct plus une instruction. Ni l'un ni l'autre ne prend l'audio.

• Modèle de base — un MoE clairsemé de la famille Qwen3.5 pour le modèle MiniCPM, Qwen3.6-27B pour UI-Mate.

• Taille et forme — 35,2 B au total avec 3 B actifs répartis sur 256 experts ; 27 B dense. Le modèle sparse est moins coûteux par token, le modèle dense est plus simple à servir.

• Contexte — 262 144 jetons contre une valeur par défaut de cinq captures d’écran conservées, ce qui constitue la plus grande différence architecturale entre eux et la raison pour laquelle l’un peut lire un long ensemble de documents et l’autre non.

• Licence — Apache-2.0 sur les deux, ce qui, pour une fois, fait de ce choix un choix technique plutôt que juridique.

• Revendication phare, les deux étant rapportés par les fournisseurs — plus de 13 jetons par seconde sur un iPhone 17 Pro Max, contre 66,2 sur WindowsAgentArena et 77,0 sur OSWorld-Verified. Des benchmarks différents, aucune échelle commune, ni l’un ni l’autre reproduit.

• Disponible dès aujourd'hui — six formats de quantification, cinq runtimes et applications mobiles, face à zéro téléchargement lors de la première couverture, aucune API hébergée, et un harnais que le fournisseur vous conseille d'utiliser.

Là où ils se chevauchent réellement.

Il y a une tâche que les deux peuvent tenter : comprendre une capture d’écran d’interface utilisateur suffisamment bien pour répondre à une question à son sujet. Demandez « quel champ a échoué à la validation » et l’un ou l’autre modèle peut y répondre de façon plausible. Demandez « corrige-le » et seul UI-Mate-27B produit une action, et uniquement si vous avez mis en place le dispositif — la boucle de captures d’écran, le parseur, l’exécuteur, la remise à l’échelle des coordonnées et la politique de réessai lorsque le clic atterrit à un endroit inattendu.

Le chevauchement inverse est plus faible, mais bien réel. La prise en charge des appels d’outils de MiniCPM-V 4.7 signifie que vous pouvez construire un agent autour de lui — perception et planification sur le modèle de vision, avec votre propre couche d’action greffée via des appels de fonctions. C’est une architecture légitime et elle vous donne un contrôle total sur l’espace d’action. C’est aussi, en gros, réinventer ce sur quoi UI-Mate a déjà investi en apprentissage par renforcement, et le faire sans données d’entraînement spécifiques aux interfaces graphiques. Les équipes ont plus intérêt à choisir la couche qu’elles veulent maîtriser qu’à choisir le modèle qui est superficiellement meilleur pour les captures d’écran.

Servir les deux, et où un routeur s'intègre

Aucun des deux modèles n'est hébergé nulle part, y compris ici — MiniCPM-V 4.7 35B-A3B et UI-Mate-27B n'apparaissent tous deux nulle part dans le catalogue d'OrcaRouter, et rien dans cet article ne doit être interprété comme une affirmation selon laquelle nous les acheminons. Tous deux sont des checkpoints que vous téléchargez et exécutez vous-même, et pour UI-Mate, cela signifie deux choses : environ 27B de poids, et un point de terminaison compatible OpenAI, car le README du fournisseur lui-même recommande de le servir avec vLLM et le harnais attend une URL de base compatible.

Ce point de terminaison est la partie intéressante pour la planification des coûts, car le harness ne se soucie pas du modèle qui répond tant que le point de terminaison se comporte correctement. OrcaRouter place plus de 200 modèles hébergés derrière une seule clé au prix catalogue de chaque fournisseur, sans marge de notre part, avec un basculement automatique entre les routes des fournisseurs, ce qui en fait une URL de base immédiatement utilisable pour le volet planification d'un agent — et le DSL de routage vous permet de composer un modèle économique pour les étapes routinières et un modèle plus puissant pour les décisions qui comptent, en un seul appel plutôt que deux intégrations. La forme hébergée la plus proche du profil de coût du modèle MiniCPM est Qwen3.6 35B A3B — 35B au total, 3B actifs, contexte de 262K — à 0,25 $ par million de jetons d'entrée et 1,48 $ par million de jetons de sortie. Savoir si cela bat l'auto-hébergement d'un MoE clairsemé de 70 GB est une question à laquelle vous pouvez répondre en un après-midi, ce qui n'est vrai pour aucun des deux modèles cités dans le titre.

Lequel veux-tu ?

Prenez UI-Mate-27B si vous avez besoin d’un modèle qui agit — automatisation du bureau, remplacement de la RPA, workflows applicatifs à long horizon — et si vous acceptez le compromis qui l’accompagne : un benchmark rapporté par le fournisseur, aucune reproduction indépendante, aucune route hébergée, et un harnais que vous devez adopter plutôt que d’interroger. Le bon côté, c’est que tout, dans cette sortie, est inhabituellement bien documenté, de l’article au prompt en passant par le parseur, et que le petit frère 9B vous donne un modèle moins cher sur lequel prototyper.

Prenez MiniCPM-V 4.7 35B-A3B si vous avez besoin de perception — documents longs, flottes de captures d’écran, vidéo — et que vous êtes prêt à assumer vous-même la couche d’action. Vous obtenez la licence permissive, six formats de quantification, cinq environnements d’exécution, une fenêtre de 262K et un scénario de déploiement de classe téléphonique qui n’a été vérifié par personne en dehors d’OpenBMB.

Ce qui changerait cela : une exécution reproduite d’OSWorld ou de WindowsAgentArena pour UI-Mate, qui ferait passer son affirmation centrale du marketing à la mesure ; et un tableau d’évaluation pour MiniCPM-V 4.7, qui n’existe pas du tout. Jusqu’à ce que l’un de ces éléments arrive, la décision revient à votre diagramme d’architecture plutôt qu’à l’un ou l’autre des tableaux de score — un décodeur ou une main, et vous devriez savoir lequel des deux vous fait défaut.