MiniCPM-V 4.7 לעומת WeVisOne-VL-4B: פסקה או מצולע

הדרך המהירה ביותר לבחור בין MiniCPM-V 4.7 ל-WeVisOne-VL-4B היא להסתכל על מה שיוצא מהן. WeVisOne-VL-4B מחזיר קואורדינטות: תיבות מנורמלות לרשת של אלף נקודות, נקודות, מסכות מופע, ומסכות אלפא ברזולוציה מלאה שנוצרות על ידי מפענח בעל 9.6 מיליון פרמטרים שהוצמד לשלד Qwen3-VL. MiniCPM-V 4.7 מחזיר משפטים, דפים שלמים מהם, בהקשר של 262,144 טוקנים שיכול להכיל וידאו. אחד מאלה הוא רכיב תפיסה שאתה מחבר לתוך צינור עיבוד. האחר הוא קורא שאתה שואל אותו שאלות. שניהם Apache-2.0, שניהם ממעבדות סיניות, שניהם שוחררו באוקטובר 2026 כמעט בלי סיקור בעיתונות המקצועית באנגלית, והם בקושי באותה קטגוריית מוצרים.

השניים הגיעו באופנים שונים מאוד. צוות WeChat Vision של Tencent העלה את WeVisOne-VL-4B ל-Hugging Face ול-GitHub ב-22 באוקטובר 2026, לצד מאמר ב-arXiv ודגם אחות בגודל 2B, בלי פוסט בבלוג ובלי הודעה לעיתונות. OpenBMB העלתה את MiniCPM-V 4.7 ב-6 וב-7 באוקטובר, תיארכה את השחרור ל-12 באוקטובר במאגר שלה, והכריזה עליו בהודעה לעיתונות באנגלית ב-PR Newswire ב-15 באוקטובר, שהולידה סיקור תעשייתי אנגלי מועט באופן מפתיע. האחד הגיע כמאגר; האחר כמאגר בתוספת הודעה לעיתונות ברשת. רוב ההשוואות ביניהם טועות בקטגוריה לפני שהן טועות במספרים.

שתי תשובות לאותה שאלה

WeVisOne-VL-4B הוא פיין-טיון של Qwen3-VL שפולט גאומטריה כטוקנים. תיבות ונקודות מקודדות כטוקנים עשרוניים מ-0 עד 1000, מנורמלים לתמונה, ולאחר כל תיבה חזויה המודל פולט טוקן מיוחד שמצבו החבוי מזין מפענח מסכות נפרד: מתאם תכונות חזותי, שישה בלוקי cross-attention דפורמביליים, וראש מפל שמעדן בסטרייד ארבע, שתיים ואחת. התוצאה היא מסכת מופע ולמשימות מטינג, ערוץ אלפא ברזולוציה מלאה. אין מודל שני בלופ ואין קריאת SAM; כל מסלול הפיקסלים הוא מתחת לעשרה מיליון פרמטרים המחוברים למודל השפה. יש לו 4.83 מיליארד פרמטרים ב-bfloat16, שאותם כרטיס המודל מעגל ל-5B, והוא מקבל תמונה אחת בכל תור — גרידים של וידאו נדחים לחלוטין על ידי מפענח הפיקסלים.

MiniCPM-V 4.7 הוא מודל כללי בשני גדלים. ה-35B-A3B מאחסן 35.2 מיליארד פרמטרים ב-256 מומחים, מנתב שמונה לכל טוקן לכ-3 מיליארד פעילים, ומחזיק הקשר של 262,144 טוקנים עם קלט של תמונה בודדת, מספר תמונות ווידאו. ה-1B הוא מודל צפוף בעל 1.55 מיליארד פרמטרים עם אותו אורך הקשר ונקודת ביקורת BF16 בגודל 3.1 GB. שניהם חולקים מגדל ראייה SigLIP2 בעל 27 שכבות עם דחיסת טוקנים חזותיים משולבת של 4× ו-16×, וזה המנגנון שמאפשר הקשר של רבע מיליון טוקנים להישאר בהישג יד. לאף אחד מהם אין פרימיטיב של הצבעה, זיהוי או סגמנטציה. אפשר לשאול כל אחד מהם איפה החתול, ותקבלו תיאור של איפה החתול.

ההבדל הזה אינו קוסמטי. הוא קובע אם קוד ההמשך שלך ינתח JSON או פרוזה, אם תשובה גרועה תיכשל בקול רם או בשקט, ואם אפשר להרכיב את המודל עם משהו אחר בלי מודל שני שיתקן את הפלט שלו.

המספרים, וטעות הקטגוריה שממתינה בהם

כל נתון שלהלן מדווח על ידי הספק. הנתונים של Tencent מגיעים מהמאמר וה-README, כאשר מערך ההשוואה נבחר על ידי המחברים ולא בוצע שחזור על ידי צד שלישי. הנתונים של OpenBMB מגיעים מדף המודל של הספק, שפורסמו כפרוזה ותמונות תרשים ולא כטבלה מספרית. לאף אחת מהמעבדות אין ציון בלתי תלוי עבור מודלים אלה במערכת הערכה משותפת.

• זיהוי, LVIS F1 — WeVisOne-VL-4B 55.3 לעומת קו הבסיס הטוב ביותר שהמחברים מפרטים, 50.7. MiniCPM-V 4.7 אינו מפרסם נתון זיהוי.

• זיהוי צפוף, Dense200 F1 — 71.3 עבור WeVisOne לעומת 58.7 לקו הבסיס הטוב ביותר, ו-15.2 עבור Qwen3-VL-4B ללא שינוי. השורה האחרונה הזו היא המעניינת ביותר במאמר: הכיוונון העדין הוא מה שהופך מודל כללי למאתר.

• Referring, F1 במבחן RefCOCOg — 81.8 עבור WeVisOne-VL-4B לעומת 77.6 עבור קו הבסיס החזק ביותר שהמחברים מפרטים. שיעור הדחייה שלו בשאילתות שבהן היעד חסר הוא המקום שבו כדאי להסתכל קודם: 67.4 אחוז ב-RefCOCOg-Rej, 96.4 אחוז ב-WeRef-Bench הפנימי, ו-52.6 אחוז ב-PR-Bench. אותו מודל, שלוש תשובות שונות, כי ההתפלגויות שונות.

• ספירה, PixMo-Count — 89.6 לעומת 82.8. סגמנטציה, ReasonSeg val gIoU — 71.2 לעומת 65.0.

• מטינג, P3M-500-NP הפרש מוחלט ממוצע — 7.3 לעומת 15.4, כאשר נמוך יותר עדיף, שהוא בערך מחצית מהשגיאה של קו הבסיס הייעודי הטוב ביותר למטינג שאליו השוו המחברים.

• קריאה, OCRBench — 91.2 עבור MiniCPM-V 4.7 35B-A3B ו-86.1 עבור ה-1B, לעומת TotalText F1 של 52.0 עבור WeVisOne-VL-4B.

הנקודה האחרונה ברשימה היא המלכודת. OCRBench מודד זיהוי טקסט; TotalText F1 מודד איתור טקסט. הצבת 86.1 לצד 52.0 והכרזה על ניצחון של 34 נקודות היא טעות קטגורית, והיא מסוג הטעויות שמועתקות מפוסט השוואה אחד למשנהו. האמירה הכנה היא ששני המודלים לא נבחנו על אותה משימה, והדבר היחיד שהמספרים קובעים הוא ש-MiniCPM בנוי לתמלול ו-WeVisOne בנוי לאיתור.

הזיכרון הוא המחיר האמיתי

WeVisOne-VL-4B הוא צ'קפוינט bfloat16 בנפח 9.66 GB לפני מפענח המסכות שלו, ו-Tencent לא מספקת גרסה מכומתת. הנתון 19 GB בכרטיס ההשוואה הוא אותו צ'קפוינט שהומר ל-F32, מה שמכפיל אותו; כך או כך עדיין תזדקק לקוד ההסקה המותאם אישית: mask_decoder.pt הוא רכיב חובה, לא תוספת אופציונלית, וטעינה סטנדרטית של Transformers תיתן לך תיבות וטקסט אך לא מסכות. נתיבי ההגשה המתועדים הם חבילת ההסקה של הפרויקט עצמו, שעוטפת backend של Transformers או backend של vLLM, וכן הדגמת Gradio; פענוח חמדני ומגבלה של 1,960 טוקנים חזותיים לתמונה הם הגדרות ההערכה. זהו שירות GPU.

MiniCPM-V 4.7 35B-A3B הוא בקירוב 70 ג'יגה-בייט של משקולות BF16 על פני שישה-עשר שברים, מה שנראה גרוע יותר על הנייר וטוב יותר בפועל, מפני שרק כ-3 מיליארד פרמטרים פעילים לכל טוקן. ההצעה כולה של OpenBMB היא שאפשר להזרים את המומחים הלא-פעילים מהאחסון במקום להחזיק אותם בזיכרון, באמצעות Lookahead Expert Scheduling כדי להביא מראש את המומחים שהשכבה הבאה צפויה להזדקק להם, בתוספת קוונטיזציה שכבה-אחר-שכבה ופענוח ספקולטיבי של DSpark. טענת היצרן היא 13 טוקנים בשנייה או יותר על iPhone 17 Pro Max תוך שימוש בכ-3 ג'יגה-בייט של זיכרון. אף גורם עצמאי לא שחזר זאת, והטענה תלויה בכך שכל שלוש הטכניקות יעבדו יחד ולא באחת מהן בלבד.

ה-1B משנה את הכלכלה לחלוטין: 3.1 GB ב-BF16, כ-0.67 GB כ-Q4_K_M GGUF, ולכן ה-esp32-eye cat monitor יכול להריץ אותו על MacBook כשער שמופעל לכל היותר כל 1.5 שניות. אותו build מצא שה-1B אינו אמין בהבחנה בין ארבעה חתולים דומים, כך שהוא גלאי נוכחות ולא מזהה עדין — גבול שימושי למי שמתכנן להשתמש בו כמסווג זול.

במילים פשוטות: WeVisOne קונה גיאומטריה עם 9.66 GB ו-GPU. MiniCPM קונה קריאה עם 70 GB או 3 GB, תלוי באיזה גודל תבחרו, וסביבת הרצה ברמת טלפון אם טענות התזמון של OpenBMB יחזיקו מעמד.

מה נשבר בפרודקשן

אופני הכשל של WeVisOne מתועדים וספציפיים. איכות Alpha נפגעת בגבולות עדינים, בהסתרה כבדה ובחומרים שקופים באמת. המודל רגיש לניסוח הפרומפט, כך ש"שיער האישה" ו"השיער שלה" לא מובטח שיחזירו את אותו מאט. הוא לא יכול לקבל וידאו, ואין לו שרשרת מחשבה, כך שאין דרך לבקש ממנו להפעיל שיקול דעת לגבי שאילתה דו-משמעית לפני שהוא מתחייב לתיבה, ולהתנהגות הדחייה שלו יש נקודת תורפה שמספר הכותרת של המאמר מסתיר: 96.4 אחוז ב-WeRef-Bench אך כ-52.6 אחוז ב-PR-Bench. רכיב שמסרב ליעדים נעדרים רוב הזמן הוא שימושי; רכיב שמסרב להם חצי מהזמן בהתפלגות אחרת זקוק לשכבת הגנה.

מצבי הכשל של MiniCPM-V 4.7 הם של מודל גנרליסטי: הוא יתאר תמונה באופן שוטף בין אם התיאור מבוסס ובין אם לא, ואין כלל ערוץ דחייה. שום דבר בכרטיס לא אומר לך מתי המודל לא יודע. עבור קורא זה נסבל — אדם קורא את הפסקה. עבור פייפליין שזקוק לתיבה, זה פוסל, כי היית מפרסר פרוזה לקואורדינטות ומקווה לטוב.

אם מה שאתה צריך השבוע הוא מודל ראייה כללי מתארח ולא מומחה באירוח עצמי, אף אחד מהשניים אינו בקטלוג של OrcaRouter, וכדאי לומר זאת לפני המצגת: המסלול המעשי הוא מודל לשימוש כללי שמתארח, שנקרא דרך מפתח אחד על פני יותר מ-200 מודלים ב-0% תוספת על מחירי המחירון של הספק, עם מעבר אוטומטי לגיבוי אם נקודת קצה במעלה הזרם מתנדנדת. זה נותן לך צינור עובד; זה לא ייתן לך מסכות אלפא, וזה מוצר שונה מכל אחד משני המודלים שהעמוד הזה עוסק בהם.

לבחור ביניהם

קח את WeVisOne-VL-4B אם הפלט שלך הוא גאומטריה: ספירת אובייקטים על מדף קמעונאי, חיתוך מוצר מתוך תמונה, הדגשת אזור עבור משתמש, או סירוב כשהדבר לא נמצא. מספר ה-matting הוא באמת יוצא דופן, ערוץ הדחייה הוא תכונת הנדסה אמיתית, וה-9.66 GB הוא המחיר של רכיב שמחזיר משהו שתוכנית יכולה להשתמש בו.

קח את MiniCPM-V 4.7 35B-A3B אם התפוקה שלך היא הבנה: PDF ארוך, לוח מחוונים, וידאו, עמוד של טקסט ותמונות משולבים. קח את ה-1B אם אתה צריך שער זול לפני משהו יקר יותר, ואל תבקש ממנו להבחין בין שני חתולים דומים.

ההשוואה שבאמת תכריע את העניין עדיין לא קיימת: מערך בדיקה עצמאי שמריץ את שני המודלים על אותה קבוצת זיהוי ו-OCR, עם אותו תקציב תמונות. עד שמישהו יפרסם אותו, העמדה שניתן להגן עליה היא המשעממת — המודלים האלה עושים עבודות שונות, טבלאות הספקים אינן חופפות, והמספר היחיד שאמור להשפיע על ההחלטה שלך הוא הגודל של הדבר שאתה צריך לפרוס.