WeVisOne-VL-2B vs MiniCPM-V 4.7 1B : 0,45 B d'écart, des rôles différents

Les noms suggèrent un écart de deux pour un. Les checkpoints, non. MiniCPM-V 4.7 1B embarque 1 554 476 272 paramètres en bfloat16, et WeVisOne-VL-2B en embarque environ 2 milliards — leur écart réel est donc d’environ 0,45 milliard de paramètres, pas d’un milliard. Placez-les sur le même disque et ils occuperont un espace comparable. Confiez-leur la même tâche et ils s’effondrent complètement, car MiniCPM-V 4.7 1B a été conçu pour lire un document, regarder une vidéo et en discuter, tandis que WeVisOne-VL-2B a été conçu pour trouver un objet et renvoyer un masque.

Les deux sont sous Apache 2.0. Les deux sont suffisamment petits pour intéresser quelqu'un qui développe sur un seul GPU. Les deux sont récents — MiniCPM-V 4.7 1B mis en ligne le 6 octobre 2026 et daté du 12 octobre dans les notes de version d'OpenBMB, WeVisOne-VL-2B le 22 octobre. C'est cette combinaison de ressemblance et de différence qui rend ce duo digne d'une page : presque toutes les caractéristiques phares sont proches, et presque aucun usage réel ne l'est.

D'abord, les noms, corrigés

La nomenclature d’OpenBMB est floue d’une manière qui a déjà semé la confusion dans les tableaux comparatifs. Le modèle appelé 1B compte 1,55 milliard de paramètres d’après ses propres métadonnées safetensors ; les documents commerciaux ont cité 1,3B et 1,38B à différents endroits. Le contexte de 262 144 tokens est réel et est défini dans la configuration du modèle. L’architecture repose sur une colonne vertébrale textuelle de 24 couches et 1024 dimensions cachées, dérivée de Qwen3.5, avec un motif 3:1 d’attention linéaire par rapport à l’attention complète, associée à une tour de vision de style SigLIP2 de 27 couches fonctionnant sur des tuiles de 980 pixels, ainsi qu’un mode de compression des tokens visuels sélectionnable de 4× ou 16×, qui échange du détail contre du coût par requête.

La nomenclature de Tencent est plus rigoureuse. WeVisOne-VL-2B est un modèle de 2 milliards de paramètres construit sur Qwen3-VL, doté d’un décodeur de pixels distinct de 9 511 460 paramètres que la fiche présente comme « un composant central indispensable, et non un module optionnel ». Le décodeur n’est pas un détail négligeable dans le scénario de déploiement : sans lui, le modèle produit des boîtes et des points, et aucune des sorties de masque ou de matte n’existe.

Donc la bonne façon de poser le problème n’est pas « petit contre grand ». C’est 1,55 B contre 2 B — une différence de 29 % sur les poids — avec des contrats de sortie entièrement différents.

Deux vocabulaires de référence qui ne se rencontrent jamais

C’est le point sur lequel la plupart des comparaisons se trompent, il vaut donc la peine de le préciser avant que le moindre chiffre n’apparaisse. OpenBMB évalue MiniCPM-V 4.7 1B sur des benchmarks multimodaux généraux : 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 et MotionBench 54,55. Ce sont des chiffres produits par le fournisseur, présentés surtout sous forme de graphiques plutôt que de tableau avec les détails du protocole d’évaluation, et aucun organisme indépendant ne les a reproduits.

Tencent évalue WeVisOne-VL-2B sur des benchmarks de perception et ne rapporte aucun score multimodal général. Il n’y a ni MMMU, ni MMBench, ni MathVista, ni DocVQA, ni résultat de légendage nulle part dans ses sept tableaux. Ce qu’il rapporte à la place est spécifique à la tâche : F1 de détection, exact-match de comptage, F1 de pointage, F1 de localisation OCR, cIoU de segmentation et erreur de matting.

C’est sur l’OCR que la collision est la plus nette, car les deux modèles prétendent en être capables. Le 86,1 de MiniCPM est un score OCRBench — un score de transcription, qui demande si le modèle a lu correctement les caractères. Les chiffres OCR de WeVisOne sont des F1 de localisation à un seuil d’IoU de 0,5 : 62,1 sur SROIE, 42,6 sur ICDAR2015, 42,5 sur TotalText et 30,5 sur HierText, mesurant si le modèle a dessiné la bonne boîte autour du texte. Un modèle peut être excellent dans l’un et médiocre dans l’autre. Afficher « 86,1 contre 62,1 » reviendrait à comparer un test d’orthographe à un test de pointage.

Il n’existe aucun benchmark sur lequel les deux modèles indiquent un chiffre calculé de la même manière. Ce n’est pas une figure de style — c’est la conclusion centrale de cette comparaison, et cela signifie que tout classement que vous voyez de ces deux modèles est assemblé à partir de parties incommensurables.

Ce que 262 144 tokens permettent d’acheter, et ce que WeVisOne ne dira pas

MiniCPM-V 4.7 1B publie un contexte de 262 144 jetons et un parcours vidéo qui accepte jusqu’à 128 images par défaut, avec une tranche par image. C’est une machine à documents et à vidéos : longs PDF, numérisations multipages, une minute de séquence. Le commutateur de compression 4× et 16× existe précisément parce que conserver autant de détails visuels coûte cher, et OpenBMB vous permet de choisir la quantité à conserver par requête.

WeVisOne-VL-2B ne publie aucune longueur de contexte. La fiche est muette ; les phases d’entraînement décrites dans l’article s’exécutaient à 4 096 et 8 192 tokens, et l’inférence plafonne chaque image à 1 960 tokens visuels avec un décodage glouton. Aucune de ces valeurs ne constitue une fenêtre de déploiement, et Tencent ne prétend pas qu’elle en soit une. Il rejette aussi catégoriquement les grilles vidéo — le décodeur de pixels est réservé aux images, à un seul tour, sans chaîne de pensée.

Cette asymétrie révèle ce que chaque fournisseur a cherché à optimiser. OpenBMB a optimisé la quantité d’entrée qu’un même modèle peut absorber. Tencent a optimisé la précision avec laquelle un modèle peut désigner ce qu’il a absorbé, puis a établi une frontière stricte autour du type d’entrée afin de garder le décodeur simple.

Où chacun s'exécute réellement

MiniCPM-V 4.7 1B dispose d’une surface de déploiement bien plus large, et de loin : Transformers 5.18 et versions ultérieures, vLLM, SGLang, llama.cpp et Ollama, avec des builds GGUF, AWQ, GPTQ, FP8, bitsandbytes et OpenVINO, ainsi que la prise en charge d’iOS, Android et HarmonyOS et l’activation de puces dès le jour zéro par une liste de fournisseurs incluant Rockchip, Arm et Apple. OpenBMB propose également un modèle draft DSpark distinct de 213 millions de paramètres pour le décodage spéculatif.

WeVisOne-VL-2B dispose de son propre paquet GitHub, d'un chemin Transformers, ainsi que de vLLM et SGLang listés sur la fiche. Pas de GGUF. Pas de version quantifiée. Pas d'ONNX. Pas de déclinaison mobile. Et la sortie dense est un alpha matte pleine résolution avec un stride de 1, ce qui signifie que la mémoire évolue avec l'image plutôt qu'avec le nombre de paramètres — un modèle 2B peu coûteux à héberger en mémoire et pas nécessairement peu coûteux à exécuter en 4K.

Si votre cible est un téléphone, cette section met fin à la comparaison. MiniCPM a été conçu pour cette contrainte et le dit dans sa liste de formats. WeVisOne ne l’a pas été, et ne prétend pas l’être.

Le seul point où ils sont à égalité : la licence

Apache 2.0 pour les deux. Aucun seuil de chiffre d’affaires, aucune restriction de champ d’utilisation, aucun accord commercial distinct. Dans une catégorie où Liquid AI utilise sa propre licence plafonnée en fonction des revenus et où Moondream utilise une licence à code source disponible avec une autorisation excluant les services tiers, deux modèles de vision Apache 2.0 de cette taille, cela mérite d’être remarqué — cela signifie que la licence n’est pas la variable décisive ici, ce qui est suffisamment inhabituel pour être dit tout haut.

L'égalité élimine aussi la raison la plus fréquente pour laquelle les équipes choisissent le modèle plus petit. Si les deux passent l'examen juridique, vous choisissez en fonction des capacités et du déploiement, et non des conditions.

Choisir entre les deux

Demandez à quoi sert la sortie. Si elle alimente un stockage de documents, une fenêtre de discussion, un index vidéo ou un modèle de langage en aval, MiniCPM-V 4.7 1B est le format qu’il vous faut : il produit du texte en quantité, il gère une entrée longue et il est proposé dans des formats qui s’exécutent sur du matériel grand public.

Si elle alimente un pipeline de compositing, un éditeur d’images, une tâche de nettoyage de catalogue ou un recadrage sur région d’intérêt, WeVisOne-VL-2B est le modèle qu’il vous faut : des boîtes, des points, des masques binaires et des mattes alpha continus, ainsi qu’un comportement de rejet qui compte plus que n’importe quel benchmark. Tencent rapporte un taux de rejet de 50,2 sur RefCOCOg pour les requêtes portant sur des objets absents, contre 0,5 et 0,6 pour deux modèles de grounding spécialisés sur le même tableau. Si la plupart de vos images ne contiennent pas ce que vous recherchez, c’est ce chiffre qui vous fait économiser de l’argent.

Il existe un troisième cas où ils se complètent plutôt qu'ils ne sont en concurrence : un pipeline documentaire dans lequel MiniCPM lit la page et WeVisOne localise la région — la signature, le tampon, la photo du produit — que l'étape de lecture doit isoler. Ce n'est pas tant un problème de routage qu'un problème de conception de pipeline, et c'est là que le produit OrcaRouter est véritablement utile plutôt qu'ajouté après coup. Aucun de ces deux modèles ne figure dans notre catalogue ; tous deux sont auto-hébergés, et nous n'allons pas laisser entendre le contraire. Ce que nous fournissons, c'est la moitié hébergée : plus de 200 modèles derrière une seule clé API, au prix catalogue du fournisseur et sans marge, un basculement automatique en cas de dégradation d'un fournisseur, et la fusion de modèles, qui permet à un panel de modèles de répondre ensemble à la même question — utile lorsqu'une transcription est sur le point d'entrer dans une base de données et que vous souhaitez un second avis avant que cela ne se produise.

Le numéro à retenir

Pas 1B et 2B — 1,55B et 2B. Leur nommage les fait passer pour des catégories de poids différentes, et leurs checkpoints pour des voisins proches, et ces deux impressions sont trompeuses. Ce qui sépare MiniCPM-V 4.7 1B de WeVisOne-VL-2B n’est ni la taille, ni la licence, ni même leur caractère récent. C’est que l’un renvoie des mots et l’autre des pixels, et aucun benchmark publié par l’un ou l’autre fournisseur ne peut être soustrait de l’autre pour vous dire lequel est meilleur pour être ce dont vous avez besoin.