MiniCPM-V 4.7 vs WeVisOne-VL-4B : un paragraphe ou un polygone

Le moyen le plus rapide de choisir entre MiniCPM-V 4.7 et WeVisOne-VL-4B est de regarder ce qu’ils produisent. WeVisOne-VL-4B renvoie des coordonnées : des boîtes normalisées sur une grille de mille points, des points, des masques d’instance et des masques alpha en pleine résolution produits par un décodeur à 9,6 millions de paramètres greffé sur un socle Qwen3-VL. MiniCPM-V 4.7 renvoie des phrases, des pages entières, dans un contexte de 262 144 tokens pouvant contenir une vidéo. L’un est un composant de perception que l’on câble dans un pipeline. L’autre est un lecteur auquel on pose des questions. Tous deux sont sous Apache-2.0, tous deux issus de laboratoires chinois, tous deux publiés en octobre 2026 avec quasiment aucune couverture dans la presse professionnelle anglophone, et ils n’appartiennent guère à la même catégorie de produit.

Les deux sont arrivés de manière très différente. L’équipe WeChat Vision de Tencent a mis WeVisOne-VL-4B sur Hugging Face et GitHub le 22 octobre 2026, accompagné d’un article arXiv et d’un modèle frère de 2B, sans billet de blog ni communiqué de presse. OpenBMB a mis en ligne MiniCPM-V 4.7 les 6 et 7 octobre, a daté la sortie du 12 octobre dans son dépôt et l’a annoncé dans un communiqué PR Newswire en anglais le 15 octobre, qui a suscité remarquablement peu de couverture dans la presse spécialisée anglophone. L’un est arrivé sous forme de dépôt ; l’autre sous forme de dépôt accompagné d’un communiqué de presse. La plupart des comparaisons entre les deux se trompent de catégorie avant même de se tromper sur les chiffres.

Deux réponses à la même question

WeVisOne-VL-4B est un fine-tuning de Qwen3-VL qui émet de la géométrie sous forme de tokens. Les boîtes et les points sont encodés sous forme de tokens décimaux de 0 à 1000, normalisés par rapport à l’image, et après chaque boîte prédite, le modèle émet un token spécial dont l’état caché alimente un décodeur de masque distinct : un adaptateur de caractéristiques visuelles, six blocs d’attention croisée déformable et une tête en cascade qui affine aux strides quatre, deux et un. Le résultat est un masque d’instance et, pour les tâches de matting, un canal alpha en pleine résolution. Il n’y a pas de second modèle dans la boucle ni d’appel à SAM ; tout le chemin des pixels fait moins de dix millions de paramètres attachés au modèle de langage. Il compte 4,83 milliards de paramètres en bfloat16, que la fiche du modèle arrondit à 5B, et il prend une image par tour — les grilles vidéo sont rejetées d’emblée par le décodeur de pixels.

MiniCPM-V 4.7 est un généraliste décliné en deux tailles. Le 35B-A3B stocke 35,2 milliards de paramètres répartis sur 256 experts, achemine huit experts par token pour environ 3 milliards de paramètres actifs, et prend en charge un contexte de 262 144 tokens avec des entrées mono-image, multi-image et vidéo. Le 1B est un modèle dense de 1,55 milliard de paramètres, avec la même longueur de contexte et un checkpoint BF16 de 3,1 Go. Les deux partagent une tour de vision SigLIP2 de 27 couches avec une compression mixte des tokens visuels en 4× et 16×, le mécanisme qui permet de garder un contexte d’un quart de million de tokens à un coût abordable. Aucun des deux ne possède de primitive de pointage, de détection ou de segmentation. Vous pouvez demander à l’un ou l’autre où se trouve le chat, et vous obtiendrez une description de l’endroit où se trouve le chat.

Cette différence n’est pas cosmétique. Elle détermine si votre code en aval analyse du JSON ou de la prose, si une mauvaise réponse échoue bruyamment ou discrètement, et si le modèle peut être composé avec autre chose sans un second modèle pour corriger sa sortie.

Les chiffres, et l’erreur de catégorie qui s’y dissimule

Tous les chiffres ci-dessous sont déclarés par les fournisseurs. Ceux de Tencent proviennent de l’article et du README, l’ensemble de comparaison ayant été choisi par les auteurs et sans reproduction par un tiers. Ceux d’OpenBMB proviennent de la page du modèle du fournisseur, publiés sous forme de texte et d’images de graphiques plutôt que de tableau numérique. Aucun des deux laboratoires ne dispose d’un score indépendant pour ces modèles sur un banc d’évaluation commun.

• Détection, F1 sur LVIS — WeVisOne-VL-4B obtient 55,3 contre 50,7 pour le meilleur modèle de référence cité par les auteurs. MiniCPM-V 4.7 ne publie aucun chiffre de détection.

• Détection dense, F1 sur Dense200 — 71,3 pour WeVisOne contre 58,7 pour la meilleure référence, et 15,2 pour Qwen3-VL-4B non modifié. Cette dernière ligne est la plus intéressante de l'article : c'est le fine-tuning qui transforme un généraliste en localisateur.

• Pour la tâche Referring, F1 sur le test RefCOCOg — 81,8 pour WeVisOne-VL-4B contre 77,6 pour la baseline la plus forte listée par les auteurs. C’est sur son taux de rejet des requêtes sans cible qu’il faut regarder en premier : 67,4 % sur RefCOCOg-Rej, 96,4 % sur WeRef-Bench interne et 52,6 % sur PR-Bench. Même modèle, trois réponses différentes, car les distributions diffèrent.

Comptage, PixMo-Count — 89,6 contre 82,8. Segmentation, ReasonSeg val gIoU — 71,2 contre 65,0.

• Matting, P3M-500-NP : différence absolue moyenne — 7,3 contre 15,4, une valeur plus faible étant meilleure, soit environ la moitié de l’erreur de la meilleure référence de matting spécialement conçue à laquelle les auteurs se sont comparés.

• Lecture, OCRBench — 91,2 pour MiniCPM-V 4.7 35B-A3B et 86,1 pour le 1B, contre un F1 TotalText de 52,0 pour WeVisOne-VL-4B.

Cette dernière puce est le piège. OCRBench mesure la reconnaissance de texte ; TotalText F1 mesure la localisation de texte. Placer 86,1 à côté de 52,0 et déclarer une victoire de 34 points est une erreur de catégorie, et c’est le genre d’erreur qui se recopie d’un article comparatif au suivant. L’affirmation honnête est que les deux modèles n’ont pas été testés sur la même tâche, et la seule chose que les chiffres établissent est que MiniCPM est conçu pour transcrire et WeVisOne pour localiser.

La mémoire est le vrai prix

WeVisOne-VL-4B est un checkpoint bfloat16 de 9,66 Go avant son décodeur de masque, et Tencent ne propose aucune variante quantifiée. Le chiffre de 19 Go sur la carte de comparaison correspond au même checkpoint converti en F32, ce qui le double ; dans les deux cas, vous avez toujours besoin du code d’inférence personnalisé : mask_decoder.pt est un composant requis, et non un module complémentaire facultatif, et un chargement Transformers standard vous donnera des boîtes et du texte, mais pas de masques. Les chemins de service documentés sont le package d’inférence propre au projet, qui encapsule soit un backend Transformers, soit un backend vLLM, plus une démo Gradio ; le décodage glouton et une limite de 1 960 jetons visuels par image sont les paramètres d’évaluation. Il s’agit d’un service GPU.

MiniCPM-V 4.7 35B-A3B représente environ 70 Go de poids BF16 répartis sur seize fragments, ce qui est pire sur le papier et meilleur en pratique, car seuls environ 3 milliards de paramètres sont actifs par token. Tout l’argumentaire d’OpenBMB repose sur le fait que les experts inactifs peuvent être diffusés en flux depuis le stockage plutôt que conservés en mémoire, grâce à Lookahead Expert Scheduling pour précharger les experts dont la couche suivante aura probablement besoin, ainsi qu’à une quantification couche par couche et au décodage spéculatif DSpark. Le fournisseur revendique 13 tokens par seconde ou plus sur un iPhone 17 Pro Max avec environ 3 Go de mémoire. Personne d’indépendant ne l’a reproduit, et cette affirmation dépend du fonctionnement conjoint des trois techniques plutôt que d’une seule d’entre elles.

Le modèle 1B change complètement l'économie du problème : 3,1 Go en BF16, environ 0,67 Go en GGUF Q4_K_M, ce qui explique pourquoi le moniteur de chats esp32-eye peut l'exécuter sur un MacBook comme un filtre qui ne se déclenche au plus qu'une fois toutes les 1,5 secondes. La même build a montré que le 1B n'était pas fiable pour distinguer quatre chats similaires ; c'est donc un détecteur de présence plutôt qu'un reconnaisseur fin — une limite utile pour quiconque envisage de l'utiliser comme classifieur bon marché.

Pour le dire simplement : WeVisOne achète de la géométrie avec 9,66 GB et un GPU. MiniCPM achète de la lecture avec 70 GB ou 3 GB selon la taille que vous choisissez, et un environnement d’exécution de classe téléphone si les affirmations d’OpenBMB en matière d’ordonnancement tiennent.

Qu’est-ce qui casse en production

Les modes de défaillance de WeVisOne sont documentés et précis. La qualité d’Alpha se dégrade sur les contours fins, les occlusions importantes et les matériaux véritablement transparents. Le modèle est sensible à la formulation du prompt : « les cheveux de la femme » et « ses cheveux » ne garantissent pas de renvoyer le même matte. Il ne prend pas en charge la vidéo et n’a pas de chaîne de raisonnement ; il n’existe donc aucun moyen de lui demander de raisonner sur une requête ambiguë avant de s’engager sur une boîte, et son comportement de rejet présente un point faible que le chiffre phare de l’article masque : 96,4 % sur WeRef-Bench, mais environ 52,6 % sur PR-Bench. Un composant qui refuse les cibles absentes la plupart du temps est utile ; un composant qui les refuse une fois sur deux sur une distribution différente a besoin d’un garde-fou.

Les modes de défaillance de MiniCPM-V 4.7 sont ceux du généraliste : il décrira une image avec aisance, que la description soit ancrée ou non, et il n’existe aucun canal de rejet. Rien dans la fiche ne vous indique quand le modèle ne sait pas. Pour un lecteur, c’est tolérable — un humain lit le paragraphe. Pour un pipeline qui a besoin d’une boîte, c’est rédhibitoire, car vous devriez transformer de la prose en coordonnées en espérant que ça marche.

Si ce qu'il vous faut cette semaine, c'est un modèle de vision généraliste hébergé plutôt qu'un spécialiste auto-hébergé, aucun des deux ne figure au catalogue d'OrcaRouter, et il vaut la peine de le dire avant le pitch : la voie pratique consiste en un modèle généraliste hébergé, appelé via une seule clé pour plus de 200 modèles à 0 % de marge sur les prix catalogue des fournisseurs, avec basculement automatique en cas de défaillance d'un point de terminaison amont. Cela vous donne un pipeline fonctionnel ; cela ne vous donnera pas de masques alpha, et c'est un produit différent de l'un ou l'autre des deux modèles dont traite cette page.

Choisir entre les deux

Prenez WeVisOne-VL-4B si votre sortie est de la géométrie : compter des objets sur un rayon de magasin, détourer un produit sur une photo, mettre en évidence une région pour un utilisateur, ou refuser lorsque l’élément n’est pas là. Le chiffre de matting est véritablement inhabituel, le canal de rejet est une véritable fonctionnalité d’ingénierie, et les 9.66 GB sont le prix d’un composant qui renvoie quelque chose qu’un programme peut utiliser.

Prenez MiniCPM-V 4.7 35B-A3B si votre objectif est la compréhension : un long PDF, un tableau de bord, une vidéo, une page mêlant texte et figures. Prenez le 1B s'il vous faut un filtre peu coûteux en amont de quelque chose de plus cher, et ne lui demandez pas de distinguer deux chats qui se ressemblent.

La comparaison qui trancherait vraiment n'existe pas encore : un banc d'essai indépendant qui fait tourner les deux modèles sur le même ensemble de détection et d'OCR, avec le même budget d'images. Tant que personne ne le publie, la position défendable est la plus banale — ces modèles remplissent des tâches différentes, les tableaux des fournisseurs ne se recoupent pas, et le seul chiffre qui devrait influencer votre décision est la taille de ce que vous devez déployer.