WeVisOne-VL-2B לעומת MiniCPM-V 4.7 1B: פער של 0.45B, תפקידים שונים

השמות מרמזים על פער של שניים לאחד. הצ'ק פוינטים לא. MiniCPM-V 4.7 1B מגיע עם 1,554,476,272 פרמטרים ב-bfloat16, ו-WeVisOne-VL-2B מגיע עם כ-2 מיליארד — כך שהמרחק האמיתי ביניהם הוא בערך 0.45 מיליארד פרמטרים, לא מיליארד. שימו אותם על אותו דיסק והם יתפסו מקום דומה. שימו אותם על אותה משימה והם מתפרקים לחלוטין, כי MiniCPM-V 4.7 1B נבנה כדי לקרוא מסמך, לצפות בסרטון ולנהל שיחה עליו, בעוד WeVisOne-VL-2B נבנה כדי למצוא אובייקט ולהחזיר מסכה.

שניהם ברישיון Apache 2.0. שניהם קטנים מספיק כדי לעניין מי שבונה על GPU יחיד. שניהם חדשים — MiniCPM-V 4.7 1B הועלה ב-6 באוקטובר 2026 ותאריכו 12 באוקטובר בהערות השחרור של OpenBMB, ו-WeVisOne-VL-2B ב-22 באוקטובר. השילוב הזה של דמיון ושוני הוא מה שהופך את הזיווג לשווה עמוד: כמעט כל מפרט כותרת קרוב, וכמעט כל שימוש בפועל אינו.

ראשית, השמות המתוקנים

מתן השמות של OpenBMB רופף באופן שכבר יצר בלבול בטבלאות השוואה. למודל שנקרא 1B יש 1.55 מיליארד פרמטרים לפי מטא-הנתונים של safetensors שלו עצמו; חומרי הספק ציינו 1.3B ו-1.38B במקומות שונים. ההקשר של 262,144 טוקנים הוא אמיתי ומוגדר בקונפיגורציית המודל. הארכיטקטורה כוללת backbone טקסטואלי בן 24 שכבות עם 1024 ממדים מוסתרים, שנגזר מ-Qwen3.5, עם דפוס של 3:1 בין קשב לינארי לקשב מלא, בשילוב עם מגדל חזותי בסגנון SigLIP2 בן 27 שכבות שפועל על אריחים של 980 פיקסלים, ובנוסף מצב דחיסת טוקנים חזותיים ניתן לבחירה של 4× או 16×, שמחליף פירוט תמורת עלות נמוכה יותר לכל בקשה.

השמות של Tencent מדויקים יותר. WeVisOne-VL-2B הוא מודל בעל 2 מיליארד פרמטרים שנבנה על Qwen3-VL, עם מפענח פיקסלים נפרד בעל 9,511,460 פרמטרים, שאותו הכרטיס מכנה "רכיב ליבה נדרש, לא תוספת אופציונלית". המפענח אינו טעות עיגול בסיפור הפריסה: בלעדיו המודל מפיק תיבות ונקודות, וכל פלטי המסכה או המאטה אינם קיימים.

אז הניסוח הנכון אינו קטן לעומת גדול. אלא 1.55B לעומת 2B — הבדל של 29 אחוזים במשקלים — עם חוזי פלט שונים לחלוטין.

שני אוצרות מילים של בנצ'מרק שלעולם אינם נפגשים

זהו החלק שרוב ההשוואות טועות בו, ולכן כדאי להבהיר אותו לפני שמופיע מספר כלשהו. OpenBMB מעריכה את MiniCPM-V 4.7 1B על מדדי מולטימודל כלליים: 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 ו-MotionBench 54.55. אלו נתונים שהופקו על ידי הספק, המוצגים בעיקר בתרשימים ולא כטבלה עם פרטי מערך הבדיקות, ואף גוף בלתי תלוי לא שחזר אותם.

טנסנט מעריכה את WeVisOne-VL-2B על מדדי תפיסה ואינה מדווחת כלל על ציונים מולטימודליים כלליים. אין MMMU, אין MMBench, אין MathVista, אין DocVQA ואין תוצאת תיאור תמונות בשום מקום בשבע הטבלאות שלה. מה שהיא מדווחת במקום זה הוא ייעודי למשימה: F1 לזיהוי, התאמה מדויקת לספירה, F1 להצבעה, F1 ללוקליזציית OCR, cIoU לפילוח ושגיאת מאטינג.

ההתנגשות חדה ביותר ב-OCR, מפני ששני המודלים טוענים שהם עושים זאת. הערך 86.1 של MiniCPM הוא OCRBench — ציון תעתיק, שבודק אם המודל קרא את התווים נכון. מספרי ה-OCR של WeVisOne הם F1 של לוקליזציה בסף IoU של 0.5: 62.1 ב-SROIE, 42.6 ב-ICDAR2015, 42.5 ב-TotalText ו-30.5 ב-HierText, והם מודדים אם המודל צייר את התיבה הנכונה סביב הטקסט. מודל יכול להיות מצוין באחד ובינוני באחר. הדפסת "86.1 לעומת 62.1" תהיה השוואה בין מבחן איות למבחן הצבעה.

אין בנצ'מרק שבו שני המודלים מדווחים על מספר המחושב באותה דרך. זה אינו קישוט רטורי — זהו הממצא המרכזי של השוואה זו, והוא פירושו שכל דירוג שתראו של שני אלה מורכב מחלקים שאינם ברי-השוואה.

מה 262,144 טוקנים קונים — ומה WeVisOne לא תגיד

MiniCPM-V 4.7 1B מפרסם חלון הקשר של 262,144 טוקנים ומסלול וידאו שמקבל עד 128 פריימים כברירת מחדל, עם פרוסה אחת לכל פריים. זו מכונת מסמכים ווידאו: קובצי PDF ארוכים, סריקות מרובות עמודים, דקת צילום. מתג הדחיסה 4× ו-16× קיים בדיוק משום שאחזקת כמות כזו של פרטים חזותיים יקרה, ו-OpenBMB מאפשרת לך לבחור כמה ממנה לשמור בכל בקשה.

WeVisOne-VL-2B אינה מפרסמת אורך הקשר. הכרטיס שותק; שלבי האימון במאמר רצו ב-4,096 וב-8,192 טוקנים, והאינפרנס מגביל כל תמונה ל-1,960 טוקנים חזותיים עם פענוח חמדני. אף אחד מאלה אינו חלון פריסה, ו-Tencent אינה מעמידה פנים שאחד מהם כן. היא גם דוחה רשתות וידאו באופן מוחלט — מפענח הפיקסלים מיועד לתמונות בלבד, תור יחיד, ללא שרשרת מחשבה.

האסימטריה הזו מגלה לך על מה כל ספק ביצע אופטימיזציה. OpenBMB ביצעה אופטימיזציה על כמות הקלט שמודל אחד יכול לבלוע. Tencent ביצעה אופטימיזציה על מידת הדיוק שבה מודל אחד יכול להצביע על מה שבלע, ואז שרטטה גבול קשיח סביב סוג הקלט כדי לשמור על המפענח פשוט.

איפה כל אחד מהם למעשה פועל

ל-MiniCPM-V 4.7 1B יש משטח פריסה רחב יותר בהפרש ניכר: Transformers 5.18 ואילך, vLLM, SGLang, llama.cpp ו-Ollama, עם גרסאות GGUF, AWQ, GPTQ, FP8, bitsandbytes ו-OpenVINO, בנוסף לתמיכה ב-iOS, Android ו-HarmonyOS ולהפעלת שבבים מהיום הראשון מרשימת ספקים הכוללת את Rockchip, Arm ו-Apple. OpenBMB מספקת גם מודל טיוטה נפרד DSpark בעל 213 מיליון פרמטרים עבור פענוח ספקולטיבי.

ל-WeVisOne-VL-2B יש חבילת GitHub משלו, מסלול Transformers, ו-vLLM ו-SGLang רשומים בכרטיס המודל. בלי GGUF. בלי בנייה מכווצת. בלי ONNX. בלי סיפור מובייל. והפלט ה-dense הוא alpha matte ברזולוציה מלאה עם stride-1, כלומר הזיכרון גדל עם התמונה ולא עם מספר הפרמטרים — מודל 2B שזול להחזיק בו, אבל לא בהכרח זול להריץ אותו ב-4K.

אם היעד שלך הוא טלפון, הקטע הזה מסיים את ההשוואה. MiniCPM נבנה עבור האילוץ הזה ואומר זאת ברשימת הפורמטים שלו. WeVisOne לא נבנה לכך, ואינו טוען שכן.

הנקודה היחידה שבה הם שווים: הרישיון

Apache 2.0 בשניהם. ללא סף הכנסות, ללא הגבלת תחום שימוש, ללא הסכם מסחרי נפרד. בקטגוריה שבה Liquid AI משתמשת ברישיון משלה עם תקרת הכנסות ו-Moondream משתמשת ברישיון זמין-מקור עם הענקה שאוסרת שירותי צד שלישי, שני מודלים חזותיים תחת Apache 2.0 בגודל הזה הם משהו ששווה לשים לב אליו — כלומר הרישיון אינו המשתנה המכריע כאן, וזה יוצא דופן מספיק כדי לומר אותו בקול.

השוויון גם מסיר את הסיבה הנפוצה ביותר לכך שצוותים בוחרים במודל הקטן יותר. אם שניהם עוברים בדיקה משפטית, אתם בוחרים לפי יכולות ופריסה, ולא לפי תנאים.

לבחור ביניהם

שאל מה מזין הפלט. אם הוא מזין מאגר מסמכים, חלון צ'אט, אינדקס וידאו או מודל שפה במורד הזרם, MiniCPM-V 4.7 1B הוא הצורה הרצויה: הוא מפיק טקסט באורך, הוא מחזיק קלט ארוך, והוא מסופק בפורמטים שרצים על חומרת צרכנים.

אם הוא מזין צינור קומפוזיטינג, עורך תמונות, משימת ניקוי קטלוג או חיתוך של אזור עניין, WeVisOne-VL-2B הוא הפורמט שמתאים לכם: תיבות, נקודות, מסכות בינאריות ומסכות אלפא רציפות, ובנוסף התנהגות דחייה שחשובה יותר מכל בנצ'מרק. Tencent מדווחת על שיעור דחייה של 50.2% ב-RefCOCOg עבור שאילתות של אובייקטים נעדרים, לעומת 0.5% ו-0.6% לשני מודלים מתמחים ל-grounding באותה טבלה. אם רוב התמונות שלכם אינן מכילות את הדבר שאתם מחפשים, המספר הזה הוא זה שיחסוך לכם כסף.

יש מקרה שלישי שבו הם משלימים זה את זה במקום להתחרות: צינור עיבוד מסמכים שבו MiniCPM קורא את העמוד ו-WeVisOne מאתר את האזור — החתימה, החותמת, תמונת המוצר — שאותו שלב הקריאה צריך לבודד. זו אינה בעיית ניתוב אלא בעיית תכנון צינור עיבוד, וזה המקום שבו המוצר OrcaRouter באמת מועיל ולא מהווה תוספת מאולצת. אף אחד מהמודלים האלה אינו בקטלוג שלנו; שניהם באירוח עצמי, ואיננו מתכוונים לרמוז אחרת. מה שאנחנו מספקים הוא החלק המתארח: יותר מ-200 מודלים מאחורי מפתח API אחד במחיר המחירון של הספק ללא תוספת, מעבר אוטומטי לגיבוי כאשר ספק נחלש, ומיזוג מודלים, שמאפשר לפאנל של מודלים להשיב יחד על אותה שאלה — שימושי כאשר תעתיק עומד להיכנס למסד נתונים ואתם רוצים חוות דעת נוספת לפני שזה קורה.

המספר שיש לזכור

לא 1B ו-2B — אלא 1.55B ו-2B. השמות גורמים להם להיראות כמחלקות משקל שונות, והצ'קפוינטים גורמים להם להיראות כשכנים קרובים, ושני הרושמים מטעים. מה שמבדיל בין MiniCPM-V 4.7 1B ל-WeVisOne-VL-2B הוא לא גודל, רישיון או אפילו עדכניות. אלא העובדה שאחד מחזיר מילים והשני מחזיר פיקסלים, ואין בנצ'מרק שפרסם מי מהספקים שאפשר להחסיר מזה של האחר כדי לומר לך מי מהם טוב יותר בלהיות הדבר שאתה צריך.