WeVisOne-VL-4B לעומת MiniCPM-V 4.7 1B: שני הימורים מנוגדים בשאלה למה נועד טוקן חזותי
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 13 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 151 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 1076 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 157 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 1885 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 49 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 105 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
MiniCPM-V 4.7 1B משיג {{1}}86.1{{/1}} ב-OCRBench. WeVisOne-VL-4B משיג {{2}}52.0{{/2}} ב-TotalText. אם מציבים את שני המספרים האלה זה לצד זה, נראה ש{{3}}מודל ה-1B{{/3}} מנצח את {{4}}מודל ה-4B{{/4}} ב{{5}}שלושים וארבע נקודות{{/5}} בקריאת טקסט — תוצאה יוצאת דופן, וגם טעות קטגורית. {{6}}OCRBench{{/6}} מודד אם מודל מסוגל לתעתק את התווים בתמונה. {{7}}TotalText{{/7}}, כפי שטנסנט מדווחת עליו, מודד {{8}}F1{{/8}} עבור איתור כל מופע טקסט על פני ספי IoU מ-{{9}}0.5{{/9}} עד {{10}}0.95{{/10}}. האחד הוא זיהוי, האחר הוא גאומטריה. {{11}}MiniCPM-V 4.7 1B{{/11}} ו{{12}}WeVisOne-VL-4B{{/12}} שוחררו בהפרש של תשעה ימים באוקטובר 2026, שניהם ממעבדות סיניות, שניהם Apache 2.0, והם חלוקים מהיסוד בשאלה לשם מה נועדו טוקנים חזותיים: האחד דוחס אותם עד היעלמותם, והאחר משקיע אותם בדיוק.
המחלוקת הזו היא כל ההשוואה. כל השאר — מספרי פרמטרים, זיכרון, שורות בנצ'מרק — נובע ממנה.
דחיסה לעומת דיוק
MiniCPM-V 4.7 1B יורש סכמת דחיסה מוקדמת בתוך ה־ViT מ־LLaVA-UHD v4 וחושף אותה כמתג בזמן ריצה בין דחיסת טוקנים חזותיים של פי 4 לפי 16. המטרה היא להכניס יותר תמונה, ויותר וידאו, לתקציב קבוע: כרטיס המודל מצהיר על הקשר של 262,144 טוקנים, ברירת מחדל של 128 פריימים בווידאו, וסכמת אריחים של 448×448 עם מספר פרוסות שאפשר להגדיר. לדחוס מוקדם, לשמור על רצף קצר, ומודל של 1B יכול לצפות בווידאו ארוך בטלפון.
WeVisOne-VL-4B מבצע את הפשרה ההפוכה. ההערכה שלו פועלת בעד 1,960 טוקנים חזותיים לתמונה, ומפענח הפיקסלים שלו פועל על מאפייני ViT לפני המיזוג, ובכך שומר בכוונה על הפרט ברזולוציה גבוהה שאותו דחיסה מוקדמת משליכה. זו הסיבה לכך שהוא יכול להפיק מסכת אלפא ברזולוציה מלאה ב-stride 1, וזו הסיבה לכך שהוא אינו יכול לעבד רשת וידאו כלל: המפענח דוחה אותה. דיוק עולה בטוקנים, וטוקנים עולים בהשהיה.
אף אחד מההימורים אינו שגוי. הם תשובות לשאלות שונות. MiniCPM שואל "כמה אני יכול לראות בבת אחת בטלפון?" WeVisOne שואל "איך בדיוק אני יכול לתאר היכן נמצא דבר?"
סיפור הגודל מוזר יותר מאשר 1B לעומת 4B
• פרמטרים — WeVisOne-VL-4B 4.83B dense לעומת MiniCPM-V 4.7 1B המכונה 1B, אף שמטא-הנתונים של המאגר שלו מפרטים 2B ב-BF16
• פורמט משקלים — F32 safetensors בנפח של כ־19 GB לעומת BF16 בכ־3.1 GB, או 0.67 GB ב-Q4_K_M בתוספת מקרן חזותי של 0.90–1.11 GB
• הקשר — לא פורסם עבור WeVisOne-VL-4B לעומת 262,144 טוקנים על הנייר עבור MiniCPM-V 4.7 1B
• וידאו — נדחה על ידי מפענח הפיקסלים לעומת 128 פריימים כברירת מחדל
• קלט מולטימודלי — תמונה בודדת בכל תור לעומת תמונה ווידאו
• כימות — ללא כימות שסופק על ידי הספק לעומת וריאנטים int4, AWQ, GPTQ, GGUF ו-FP8
• סביבות הרצה על המכשיר — אין, לעומת iOS, Android ו-HarmonyOS, ובנוסף llama.cpp ו-Ollama
• רישיון — Apache 2.0 עבור קוד שנכתב על ידי Tencent לעומת Apache 2.0
שורת הזיכרון היא זו שממסגרת מחדש את ההשוואה. מודל 1B בארבעה ביטים נכנס בפחות מגיגה־בייט לפני המקרן החזותי; מודל 4.83B ב-F32 דורש בערך תשע־עשרה ג׳יגה־בייט. אלה לא מתחרים על אותה משבצת. האחד הוא רכיב שאתה משגר בתוך אפליקציה; האחר הוא שירות שאתה מריץ על GPU.
לקרוא את שורות הבנצ׳מרק בלי להטעות את עצמך
שתי הספקיות פרסמו טבלאות, ושתי הטבלאות נבחרו על־ידן. MiniCPM-V 4.7 1B מדווח על OCRBench 86.1, MathVista 74.3, CharXiv Reasoning 48.8, LongVideoBench 53.4 ו-MotionBench 54.55. WeVisOne-VL-4B מדווח על LVIS F1 ממוצע 55.3, RefCOCOg test 81.8, PixMo-Count test 89.6, TotalText F1 ממוצע 52.0, ReasonSeg val gIoU 71.2 ו-P3M-500-NP MAD 7.3. אף לא מדד אחד מופיע בשתי הרשימות. אין שום דרך ניתנת להגנה לחשב מנצח מהמסמכים האלה, וכל מאמר שעושה זאת ממציא תוצאה.
הקריאה ההוגנת היא צרה יותר, ועדיין שימושית. MiniCPM-V 4.7 1B חזק באופן יוצא דופן בהסקה על גבי תמונות ביחס לגודלו — ציון 74.3 ב-MathVista ממודל שנכנס לטלפון הוא המספר שהמחברים שלו גאים בו ביותר, והוא מדווח על ידי היצרן וטרם שוחזר. WeVisOne-VL-4B חזק באופן יוצא דופן ביצירת גאומטריה — מסכות, מטות, תיבות, ושיעור סירוב מדוד של 96.4% ב-WeRef-Bench כאשר האובייקט אינו נוכח. הכרטיס של MiniCPM אינו מפרסם מדד סירוב, וזה של WeVisOne אינו מפרסם בנצ'מרק הסקה. כל מודל שותק בדיוק במקום שבו האחר קולני.
מה שכל אחד מהם לא יכול לעשות
WeVisOne-VL-4B לא יכול לצפות בווידאו, לא יכול לנהל שיחה מרובת תורות על תמונה, ולא יכול לרוץ על טלפון. אין לו נתון מפורסם של אסימונים לשנייה ואין גרסאות מכוונטטות, מה שאומר שכל מי שפורס אותו מתחייב ל-GPU ולמדידת התפוקה בעצמו. קוד הכוונון העדין עדיין תיבת סימון שאינה מסומנת ברשימת ה-TODO של הפרויקט.
MiniCPM-V 4.7 1B אינו יכול להחזיר מסכה או מט אלפא. הוא יגיד לך שיש אדם בתמונה ובאיזו בקירוב; הוא לא ימסור לך חיתוך עם קצוות רכים. הוא גם נושא את הסיכונים הרגילים של משפחת מודלים חדשה לגמרי: model_type חדש ב-Transformers, דרישת גרסה מינימלית של 5.18.0, ודיווחים מוקדמים על תקלות בפענוח וידאו בשילובים מסוימים של CUDA ו-torchcodec. חלון ההקשר של 262K שלו הוא נתון על הנייר — לא הוכח שהאימון המאוחר מנצל אותו במלואו.
העלות של שיחה שנייה
בפועל שני המודלים האלה אינם מחליפים זה את זה, והארכיטקטורה המעניינת משתמשת בשניהם: מודל קטן וזול כדי לתאר את התמונה ולנמק לגביה, ומודל תפיסה שמחזיר את הגאומטריה. זה הופך קריאת הסקה אחת לשתיים, וזה המקום שבו העלות מפסיקה להיות הערת שוליים.
התרומה של OrcaRouter לצורה הזו היא דווקא החלק המשעמם שחשוב — מפתח יחיד עבור יותר מ-200 מודלים, כאשר מחיר המחירון של הספק מועבר הלאה ללא תוספת מחיר (0% markup) ומעבר אוטומטי לגיבוי כאשר נקודת קצה במעלה הזרם נחלשת. הורדת מחיר של ספק בצד הכללי מגיעה לצד שלנו באותו יום, כי אין שכבת תוספת מחיר לעדכן. לא WeVisOne-VL-4B ולא MiniCPM-V 4.7 1B נמצאים בקטלוג הזה היום, כך שחצי התפיסה של הפייפליין עדיין משהו שאתם מארחים. מה שאתם נמנעים ממנו הוא חוזה שני וסט שני של פרטי התחברות עבור החצי שכן.
איך היית מריץ אחד מהשניים
WeVisOne-VL-4B הוא ההתקנה התובענית יותר. כרטיס המודל מתעד את Transformers, vLLM, SGLang ו-Docker Model Runner, אך mask_decoder.pt הוא רכיב חובה: אם תטען את נקודת הבידוק בלי חבילת ההסקה של הפרויקט, תקבל תיבות וטקסט, בלי מסכות. הפענוח מתבצע באופן חמדני עם עד 1,960 טוקנים חזותיים לתמונה, ואין נתון תפוקה שפורסם, לכן הדבר הראשון שתעשה בחומרה שלך הוא למדוד אותו.
MiniCPM-V 4.7 1B הוא האפשרות הקלה יותר. הוא דורש Transformers 5.18.0 או חדש יותר, והאקוסיסטם הגיע יחד איתו — בניות של llama.cpp, Ollama, SGLang ו-vLLM, בתוספת קוונטיזציות int4, AWQ, GPTQ ו-FP8, ומודל טיוטה נפרד DSpark עם 213 מיליון פרמטרים לפיענוח ספקולטיבי. אם היעד שלך הוא טלפון, מחשב Intel או לוח Rockchip, זה המסלול שבו הדרך כבר סלולה.
איזה הימור לקחת
אם האילוץ הוא המכשיר, בחרו ב-MiniCPM-V 4.7 1B. שום דבר ב-WeVisOne-VL-4B לא תוכנן לטלפון, והקוונטיזציה, תמיכת ה-runtime וטיפול בווידאו בצד של MiniCPM הם תוצר של מעבדה שכבר הוציאה לשוק כמה דורות של מודלים על-מכשיר.
אם האילוץ הוא הפלט — אתה זקוק למסכות, למסכות מאט, לתיבות צפופות של עצמים קטנים או לתשובת "לא קיים" אמינה — בחר ב-WeVisOne-VL-4B ותקצה תקציב ל-GPU. הבן שאתה עובד עם מאמר בן יומיים ללא הערכה בלתי תלויה, ושמספרי המאטינג הם של Tencent עצמה.
אם צריך את שניהם, צריך שני מודלים. זו המסקנה הכנה, והיא זו שטבלאות הבנצ'מרק של שני הספקים עצמם תומכות בה: הם אופטימיזו לדברים שונים ואף אחד מהם לא ניסה לנצח את השני.
