כרטיס גיבור שנוצר עם כותרת 'MiniCPM-V 4.7 נגד LLaDA-UI' עם כותרת המשנה 'גנרליסט מוכן לטלפון נגד סוכן GUI מבוסס דיפוזיה', כרטיס שמאלי שקורא 'LLaDA-UI: 16.7B MoE, דיפוזיה לפי בלוקים, סוכן GUI, ScreenSpot-Pro 52.9', כרטיס ימני שקורא 'MiniCPM-V 4.7: 35.2B MoE דליל, אוטורגרסיבי, Apache-2.0, ללא טבלת ציונים', וגלולה שקוראת 'מומחה מדוד נגד גנרליסט לא מדוד'. הלוגו של OrcaRouter מופיע בפינה הימנית התחתונה.
Guides & Insights

MiniCPM-V 4.7 מול LLaDA-UI: גנרליסט מוכן לטלפון נגד סוכן GUI דיפוזי

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

הצבו את MiniCPM-V 4.7 לצד LLaDA-UI, והמסגור המובן מאליו — ג'נרליסט מול מומחה — מתברר כדרך הכי פחות שימושית לקרוא את ההתמודדות. MiniCPM-V 4.7, שאותו OpenBMB תיעד והעניק לו רישיון ב-12 באוקטובר 2026, הוא מודל ראייה-שפה דליל מסוג תערובת מומחים עם 35.2 מיליארד פרמטרים, שכל הטיעון שלו הוא יעילות: כרטיס המודל טוען ליותר מ-13 טוקנים בשנייה על iPhone 17 Pro Max ולעמדת ביצועים טובה יותר ביחס לזמן הסקה מאשר Qwen3.6 35B-A3B. LLaDA-UI, סוכן ה-GUI מסוג תערובת מומחים של inclusionAI עם כ-16.7 מיליארד פרמטרים, הוא מין אחר לגמרי — הוא כלל לא מייצר טוקנים משמאל לימין; הוא מבצע הסרת רעש מבלוק שלם שלהם בבת אחת. השאלה שלמעשה יש למי שבונה היא צרה יותר מ"מה טוב יותר": היא איזה משני אלה נמדד על התפקיד שאתה מגייס עבורו, ועל איזה בסיס ראיות.

שני בסיסי הראיות אינם אותו סוג של דבר

שני המודלים נמדדו במבחני ביצועים של הספק, ואף אחד מהם לא שוחזר באופן עצמאי. מעבר לכך, ההשוואה מתפצלת.

• MiniCPM-V 4.7 — מדור ההערכה בכרטיס המודל שלו מורכב מחמש תמונות: ביצועים חזותיים-לשוניים כלליים, ביצועים לשוניים, התרשים של גרסת ה-1B, גרף חזית של ביצועים מול זמן הסקה, והשוואת מהירות במכשיר. הטקסט מציג שתי טענות, ושתיהן השוואתיות ולא מוחלטות. אין טבלת ציונים לפי מדד בתיעוד הציבורי.

• LLaDA-UI — הדוח הטכני, מאמר ה-arXiv ודף הפרויקט מספקים בנצ'מרקים בעלי שם עם קווי בסיס בעלי שם: ScreenSpot-Pro 52.9 מול 52.7 של Qwen3-VL-8B, ‏AndroidWorld 53.5 מול 47.9, ‏MobileWorld 25.6 מול 9.4, ‏WebVoyager 56.9 מול 45.2, כאשר ScreenSpot-V2 מתואר כקרוב ו-OSWorld-Verified ממוסגר על ידי inclusionAI עצמה כפער שנותר.

• מה זה אומר בפועל — מודל אחד מפרסם מספרים ברמת המשימה שאפשר להתווכח איתם, והאחר מפרסם מדד מורכב שאי אפשר לפרק. "ציון כולל גבוה יותר בזמן הסקה קצר יותר" הוא טענה על גרף, והמשקולות שמאחורי המדד המורכב אינן מפורסמות. ציון 52.9 ב-ScreenSpot-Pro הוא טענה על מבחן מוגדר עם פרוטוקול מוגדר.

• אף אחד מהם אינו מאומת באופן בלתי תלוי — הנתונים של LLaDA-UI מגיעים מדף הפרויקט ומהדוח הטכני שלה עצמה; הנתונים של MiniCPM-V 4.7 מגיעים מתרשימים שהספק צייר. התייחסות לאחד מהם כאל מוסכם תהיה טעות, אך התייחסות אליהם כמהימנים באותה מידה תהיה טעות מסוג אחר.

מה כל מודל הוא בפועל

הפער הארכיטקטוני רחב יותר ממה שמספרי הפרמטרים מרמזים, והוא קובע את רוב ההבדלים המעשיים בהמשך.

• Base — MiniCPM-V 4.7 מבוסס על עמוד שדרה qwen3_5_moe_text עם 256 מומחים, 8 פעילים לכל טוקן, 40 שכבות ותבנית קשב לינארי-מלא ביחס של שלושה לאחד; LLaDA-UI מבוסס על LLaDA2.0-mini-base, מודל שפה דיפוזי ממוסך.

• יצירה — MiniCPM-V 4.7 הוא אוטורגרסיבי, טוקן אחד בכל פעם; LLaDA-UI מפענח באופן של בלוקים, מסיר רעש מבלוק שלם של עמדות פלט במקביל ומשחזר בתנאים דו-כיווניים בתוך אותו בלוק.

• פרמטרים — סה"כ 35.2 מיליארד עבור MiniCPM-V 4.7, כאשר 8 מתוך 256 מומחים פעילים לכל טוקן; כ-16.7 מיליארד סה"כ עבור LLaDA-UI כתערובת של מומחים.

• הקשר — מיקום מקסימלי של 262,144 טוקנים עבור MiniCPM-V 4.7; הכרטיס של LLaDA-UI מתעד --max-length עם ברירת מחדל של 8192 עבור סקריפט ההסקה שלו, כאשר צילומי מסך גדולים מחייבים את העלאתו.

• ראייה — MiniCPM-V 4.7 משתמש במגדל בן 27 שכבות וברוחב 1,152 בגודל patch 14 וגודל תמונה 980 עם דחיסת טוקנים משולבת של 4x/16x; LLaDA-UI משתמש ב-ViT ברזולוציה מקורית שאותחל מ-SigLIP עם הטמעות סיבוביות דו-ממדיות ומיזוג מרחבי של ארבעה לאחד לתוך MLP בן שתי שכבות, במפורש כדי לשמר את יחס הגובה-רוחב של צילומי מסך של טלפון, מחשב שולחני ואינטרנט.

• פלט — MiniCPM-V 4.7 מפיק טקסט, כאשר הבנת תמונות ווידאו היא בצד הקלט; LLaDA-UI מפיק קואורדינטות מנורמלות בטווח של 0 עד 999 ורצפים מתויגים של חשיבה-בתוספת-פעולה שמיועדים לביצוע.

• רישיון — Apache-2.0 עבור MiniCPM-V 4.7, כפי שהוצהר ב-12 באוקטובר; לא מצוין רישיון בשום מקום בעמוד הפרויקט או בכרטיס המודל של LLaDA-UI.

הנקודה האחרונה הזו היא לא הערת שוליים אם אתה משיק. אחד מהשניים האלה אתה יכול לשים היום במוצר מסחרי בלי שיחה; את האחר אתה לא יכול.

הפענוח הוא המקום שבו נמצא הפיצול האמיתי.

דיפוזיה ברמת בלוקים היא הסיבה ש-LLaDA-UI קיים כמסלול עבודה נפרד ולא ככיוונון עדין נוסף. בלולאת סוכן אוטורגרסיבית, כל טוקן פעולה תלוי בכל טוקן שלפניו, ולכן קואורדינטת הלחיצה בסוף תגובה ממתינה להנמקה שקדמה לה. בסוכן דיפוזיה, הבלוק מעובד כיחידה שלמה, וההשלכה המעשית ש-inclusionAI מוכרת היא השהיה: בבדיקת API מזווגת, עמוד הפרויקט מדווח על 4.8 עד 6.4 שניות לעומת 17 עד 53 שניות של Qwen3-VL-8B, המתוארות כהאצות ממוצעות של פי 3.58 בווב, פי 6.83 בדסקטופ ופי 8.95 בקלטים לנייד, תוך פליטת יותר טוקנים בכל קריאה. בקלטי MobileWorld, הממוצעים המדווחים הם 5.9 שניות לעומת 53.0.

אלה מספרים שנמדדו על ידי הספק, בזוגות, ללא מטמון, על רתמת הבדיקה של המעבדה עצמה, ויש לקרוא אותם ככאלה. אבל הכיוון ראוי להתייחס אליו ברצינות גם עם הסתייגות זו, מפני שלולאות סוכנים מכפילות את זמן השהיה. סוכן ממשק שנדרש לעשרה צעדים משלם את העלות לכל צעד עשר פעמים, והבדל של עשר שניות לצעד הוא ההבדל בין דמו למוצר.

MiniCPM-V 4.7 תוקף את אותה בעיה מהקצה הנגדי. הוא שומר על פענוח אוטורגרסיבי והופך כל צעד לזול באמצעות תזמון מומחים — מנבא חוצה-שכבות טוען מראש מומחים שסביר שהשכבה הבאה תזדקק להם, ומתעדף את אלה שהנתב האמיתי בחר בהם בפועל, כאשר הכרטיס מבהיר במפורש שהחיזוי מניע טעינה מראש בלבד ושהניתוב של המודל עצמו עדיין מושל בחישוב. הוסיפו קוונטיזציה שכבה-אחר-שכבה ודגימה ספקולטיבית DSpark, והטענה היא קצב של יותר מ-13 טוקנים לשנייה עבור MoE בעל 35 מיליארד פרמטרים על מכשיר נייד. מנגנון שונה, אותה מטרה: להפוך את הלולאה למהירה מספיק כדי שמכשיר יוכל להריץ אותה.

A generated two-column comparison table headed with 'MiniCPM-V 4.7' and 'LLaDA-UI' over six shared rows. The MiniCPM-V 4.7 column reads '35.2B total, 8 of 256 active', 'autoregressive', 'vendor charts, no table', 'documented, unscored', 'Apache-2.0' and 'GGUF, AWQ, GPTQ, FP8'; the LLaDA-UI column reads 'approx 16.7B MoE', 'block-wise diffusion', 'named benchmarks in report', 'ScreenSpot-Pro 52.9', 'not stated' and 'lab SGLang patches required'. A footer reads 'LLaDA-UI figures vendor-reported from its technical report; MiniCPM-V 4.7 figures from its model card and config.json.'

במה כל אחד טוב, מנוסח באופן מצומצם ככל שהראיות מאפשרות

• בחר ב-LLaDA-UI כאשר המשימה היא ממשק — לחיצה, הקלדה, ניווט באפליקציה לנייד, בחלון שולחן עבודה או בדף אינטרנט. זהו האחד מבין השניים עם ציוני עיגון וניווט מפורסמים, מוסכמת קואורדינטות מתועדת ובקשות דוגמה ארוזות לנייד, שולחן עבודה ואינטרנט.

• בחרו ב-MiniCPM-V 4.7 כשהמשימה היא הבנה — תיאור תצלום, קריאת מסמך, ניתוח PDF, מענה על שאלה על סרטון, הרצה על חומרה שבבעלותכם. זהו האחד מבין השניים עם התייחסות מתועדת ל-OCR, לניתוח PDF ולעיגון ויזואלי ב-cookbook שלו, עם תמיכה מובנית ב-SGLang, vLLM, llama.cpp ו-Ollama, ועם וריאנטים מכומתים שפורסמו להורדה.

• החפיפה קטנה ממה שהיא נראית — הכרטיס של MiniCPM-V 4.7 מפרט עיגון חזותי כמדריך cookbook, אך אינו מפרסם ציון עיגון כלל. הכרטיס של LLaDA-UI עוסק במשימה אחת בלבד. אם עומס העבודה שלכם הוא אוטומציה של GUI, אתם משווים מומחה מדוד מול גנרליסט לא מדוד; אם עומס העבודה שלכם הוא הבנת מסמכים ותמונות, אתם משווים גנרליסט מתועד מול מודל שמעולם לא נבנה לעשות זאת.

• חיכוך הפריסה פועל בכיוון ההפוך — MiniCPM-V 4.7 מציע נקודות ביקורת GGUF, AWQ, GPTQ, int4 ו-FP8 וכן מסלול OpenVINO ותמיכה מוצהרת מ-day-0 עבור שבבי Rockchip, Houmo, Intel, AMD ו-Arm. מסלול ההגשה של LLaDA-UI דורש את טלאי הדיפוזיה המולטימודלית של SGLang מבית המעבדה ואת סקריפט ה-serve_llada_ui.sh שלה; כרטיס המודל מציין במפורש שלא ניתן להפעיל את השרת מהתקנת SGLang סטנדרטית.

שאלת העלות שאיש לא מפרסם

לאף אחד מהמודלים אין מחיר פומבי לכל טוקן, מפני שאף אחד מהם אינו נקודת קצה מתארחת שאתם שוכרים לפי מיליון טוקנים. אתם מארחים את שניהם, מה שאומר שהעלות היא החומרה והשהיה שלכם. זה ממסגר מחדש את הבחירה: צ'קפוינט בעל 16.7 מיליארד פרמטרים בנפח של כ-32 GB ב-BF16 מהווה התחייבות קטנה באופן מהותי מזו של צ'קפוינט בנפח 70 GB עם 35 מיליארד פרמטרים, ואם משימת הסוכן זקוקה רק למודל הקטן, הגדול יותר לא מוסיף לכם דבר בעומס העבודה הזה.

המקרה ההיברידי הוא המקום שבו שכבת ניתוב מצדיקה את קיומה. הריצו את המודל הקטן והייעודי מקומית עבור עבודת הממשק השגרתית, ומסרו את הפריימים הקשים באמת — צילום מסך צפוף, מסמך יוצא דופן, שאלה שדורשת את הידע העולמי של מודל גדול יותר — לנקודת קצה מתארחת. OrcaRouter מציב יותר מ-200 מודלים מתארחים מאחורי מפתח אחד עם מחיר המחירון של כל ספק מועבר הלאה בתוספת של 0% ומעבר אוטומטי לגיבוי כאשר ספק מתדרדר, וה-DSL לניתוב שלו מאפשר לקריאה אחת לפזר מקרה קשה אל יותר ממודל אחד כאשר התשובה צריכה להיות נכונה ולא זולה. לא MiniCPM-V 4.7 ולא LLaDA-UI מוגשים דרכו — שניהם נקודות ביקורת במשקלים פתוחים שאתם מריצים בעצמכם, והנתב הוא מה שנמצא בצד השני של ההעברה הזו.

A screenshot of the Hugging Face model page for inclusionAI/LLaDA-UI, showing the title 'LLaDA-UI — Bringing Block-wise Diffusion to Vision-Language GUI Agents', the arXiv, Project Page, HF Collection and GitHub badges, the opening description of MoE block-wise diffusion, the Figure 1 architecture diagram and the Model Details block.

שלוש שאלות ששווה לענות עליהן לפני שאתה מתחייב

האם יתרון המהירות של LLaDA-UI אמיתי בחומרה שלך? נתוני 3 עד 9x הם מדידות מזווגות, ללא מטמון, על מערכת הבדיקה של המעבדה עצמה מול בסיס השוואה אחד. לדיפוזיה מבוססת בלוקים יש מאפייני זיכרון שונים מפענוח אוטו-רגרסיבי, והאצה שנמדדה ב-GPU של הספק אינה עוברת אוטומטית לשלך. זהו המספר היחיד שהכי כדאי לשחזר לפני שאתה בונה עליו.

האם אפשר בכלל לכוון את MiniCPM-V 4.7 למשימת ממשק? סביר להניח — זהו מודל חזותי-לשוני עם כלי grounding מתועדים — אבל הכרטיס לא מפרסם בנצ'מרק לסוכן GUI, לא מוסכמת קואורדינטות ולא אוצר פעולות. בניית סוכן GUI עליו כיום פירושה להגדיר את פורמט הפלט בעצמך ולקוות שהמודל יכבד אותו. LLaDA-UI פתר את הבעיה הזו במכוון, עם חשיבה מתויגת בתוספת פלטי פעולות ואוצרות מילים לכל פלטפורמה.

איזה מהם עדיין ייתמך בעוד חצי שנה? OpenBMB השיקה משפחה שלמה סביב MiniCPM-V 4.7 — שני וריאנטים בסיסיים, חמישה פורמטים של קוונטיזציה, שני מודלי טיוטה DSpark, ספר מתכונים ומאגר לפריסה בקצה — בפחות משבוע, בתנאי Apache-2.0. ל-LLaDA-UI יש דוח טכני, מאמר arXiv, דף פרויקט ומאגר קוד, וללא רישיון מוצהר. רוחב התשתית הסובבת הוא פרוקסי סביר למידת הכוונה של מעבדה להשאיר משהו בחיים.

פסק הדין

שני אלה אינם תחליפים זה לזה, וההמלצה הכנה נובעת מכך ולא ממספר הפרמטרים. אם אתם בונים אוטומציה של ממשקים, LLaDA-UI הוא המוצר המוגמר יותר למרות היותו המודל הקטן יותר — נמדד על המשימה, עם פורמט פלט מתועד ומסלול שירות, ונושא את סיכון הרישיון שעליכם לפתור לפני שחרור. אם אתם בונים משהו שכולל הסתכלות בתמונות, קריאת מסמכים או הרצה על טלפון, MiniCPM-V 4.7 הוא זה עם המערכת האקולוגית, הרישיון המתירני וסיפור הפריסה, וטענות היעילות שלו חזקות בדיוק במידה שתרשים שלא שוחזר יכול להעניק להן. צוותים שזקוקים לשניהם מריצים אותם יחד, ושכבת הניתוב היא החלק הזול ביותר בהסדר הזה.

A generated three-card graphic headed 'Which one for which job'. The 'Interface automation' card reads 'LLaDA-UI', 'Measured on GUI benchmarks', 'Documented action format', 'No stated licence'. The 'Images and documents' card reads 'MiniCPM-V 4.7', 'OCR, PDF and video guides', 'Apache-2.0', 'No benchmark table'. The 'Both at once' card reads 'Run the small local model', 'Route hard cases to a hosted model', 'One key, provider list price'. A footer reads 'Benchmark figures vendor-reported; architecture figures read from each model's config.' The OrcaRouter logo sits bottom-right.