Kartu hero yang dihasilkan dengan judul 'MiniCPM-V 4.7 vs LLaDA-UI' dan subjudul 'Generalist siap ponsel melawan agen GUI difusi', kartu kiri bertuliskan 'LLaDA-UI: MoE 16,7B, difusi per blok, agen GUI, ScreenSpot-Pro 52,9', kartu kanan bertuliskan 'MiniCPM-V 4.7: MoE sparse 35,2B, autoregresif, Apache-2.0, tanpa tabel skor', dan pil bertuliskan 'Spesialis terukur melawan generalist tak terukur'. Logo OrcaRouter muncul di kanan bawah.
Guides & Insights

MiniCPM-V 4.7 vs LLaDA-UI: Generalis Siap Ponsel Melawan Agen GUI Difusi

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Menempatkan MiniCPM-V 4.7 di samping LLaDA-UI dan kerangka yang tampak jelas — generalis versus spesialis — ternyata menjadi cara paling tidak berguna untuk membaca pertandingan ini. MiniCPM-V 4.7, yang didokumentasikan dan dilisensikan OpenBMB pada 12 Oktober 2026, adalah model visi-bahasa sparse mixture-of-experts dengan 35,2 miliar parameter yang seluruh argumennya adalah efisiensi: kartu modelnya mengklaim 13+ token per detik di iPhone 17 Pro Max dan posisi kinerja per waktu inferensi yang lebih baik daripada Qwen3.6 35B-A3B. LLaDA-UI, agen GUI mixture-of-experts milik inclusionAI dengan sekitar 16,7 miliar parameter, adalah spesies yang sama sekali berbeda — ia sama sekali tidak menghasilkan token dari kiri ke kanan; ia menghilangkan derau satu blok token sekaligus. Pertanyaan yang sebenarnya dimiliki seorang pengembang lebih sempit daripada "mana yang lebih baik": yaitu mana dari keduanya yang telah diukur pada pekerjaan yang Anda butuhkan, dan dengan bukti apa.

Kedua basis bukti tersebut bukanlah jenis yang sama.

Kedua model di-benchmark oleh vendor, dan tidak satu pun telah direproduksi secara independen. Di luar itu, perbandingannya bercabang.

• MiniCPM-V 4.7 — bagian evaluasi kartu modelnya terdiri dari lima gambar: performa visi-bahasa secara keseluruhan, performa bahasa, bagan varian 1B, plot frontier performa versus waktu inferensi, dan perbandingan kecepatan di perangkat. Prosanya memuat dua klaim, keduanya bersifat komparatif, bukan absolut. Tidak ada tabel skor per-benchmark dalam dokumentasi publik.

• LLaDA-UI — laporan teknis, makalah arXiv, dan halaman proyek menyajikan tolok ukur bernama dengan baseline bernama: ScreenSpot-Pro 52.9 berbanding 52.7 milik Qwen3-VL-8B, AndroidWorld 53.5 berbanding 47.9, MobileWorld 25.6 berbanding 9.4, WebVoyager 56.9 berbanding 45.2, dengan ScreenSpot-V2 digambarkan sebagai hampir setara dan OSWorld-Verified dibingkai oleh inclusionAI sendiri sebagai kesenjangan yang tersisa.

• Apa artinya dalam praktik — satu model menerbitkan angka tingkat tugas yang bisa Anda perdebatkan, dan model lainnya menerbitkan skor komposit yang tidak dapat Anda uraikan. "Skor keseluruhan yang lebih tinggi dalam waktu inferensi yang lebih singkat" adalah klaim tentang sebuah bagan, dan pembobotan di balik komposit itu tidak dipublikasikan. Skor ScreenSpot-Pro sebesar 52.9 adalah klaim tentang tes yang terdefinisi dengan protokol yang terdefinisi.

• Tidak satu pun diverifikasi secara independen — angka-angka LLaDA-UI berasal dari halaman proyeknya sendiri dan laporan teknis; angka-angka MiniCPM-V 4.7 berasal dari bagan yang digambar vendor. Menganggap salah satunya sudah mapan adalah kesalahan, tetapi menganggap keduanya sama-sama informatif adalah kesalahan yang berbeda.

Apa sebenarnya masing-masing model

Kesenjangan arsitekturnya lebih lebar daripada yang disiratkan oleh jumlah parameter, dan hal ini menentukan sebagian besar perbedaan praktis di hilir.

• Dasar — MiniCPM-V 4.7 mengandalkan qwen3_5_moe_text sebagai tulang punggung dengan 256 pakar, 8 aktif per token, 40 lapisan, dan pola atensi linear-ke-penuh tiga-ke-satu; LLaDA-UI mengandalkan LLaDA2.0-mini-base, sebuah model bahasa difusi bertopeng.

• Generasi — MiniCPM-V 4.7 bersifat autoregresif, satu token pada satu waktu; LLaDA-UI mendekode secara block-wise, melakukan denoising pada seluruh blok posisi output secara paralel dan merekonstruksi dalam kondisi bidirectional di dalam blok tersebut.

• Parameter — total 35,2 miliar untuk MiniCPM-V 4.7 dengan 8 dari 256 ahli aktif per token; sekitar 16,7 miliar total untuk LLaDA-UI sebagai campuran ahli.

• Konteks — posisi maksimum 262.144 token untuk MiniCPM-V 4.7; kartu LLaDA-UI mendokumentasikan --max-length dengan nilai default 8192 untuk skrip inferensinya, dan tangkapan layar berukuran besar mengharuskan nilai itu dinaikkan.

• Visi — MiniCPM-V 4.7 menggunakan menara 27 lapis dengan lebar 1.152 pada patch 14 dan ukuran gambar 980 dengan kompresi token campuran 4x/16x; LLaDA-UI menggunakan ViT resolusi native yang diinisialisasi dari SigLIP dengan embedding rotari 2D dan penggabungan spasial empat-ke-satu ke dalam MLP dua lapis, secara eksplisit untuk mempertahankan rasio aspek tangkapan layar ponsel, desktop, dan web.

• Keluaran — MiniCPM-V 4.7 menghasilkan teks, dengan pemahaman gambar dan video sebagai sisi masukan; LLaDA-UI menghasilkan koordinat ternormalisasi dalam rentang 0 hingga 999 dan urutan penalaran-plus-aksi yang diberi tag yang dimaksudkan untuk dieksekusi.

• Lisensi — Apache-2.0 untuk MiniCPM-V 4.7, dinyatakan pada 12 Oktober; tidak ada lisensi yang dinyatakan di mana pun pada halaman proyek atau kartu model LLaDA-UI.

Poin terakhir itu bukan catatan kaki jika Anda sedang merilis produk. Dari dua ini, salah satunya dapat Anda masukkan ke produk komersial hari ini tanpa perlu berdiskusi; yang lainnya tidak bisa.

Decoding adalah tempat perpecahan yang sebenarnya berada.

Difusi berbasis blok adalah alasan LLaDA-UI ada sebagai lini kerja tersendiri, bukan sebagai fine-tune lain. Dalam loop agen autoregresif, setiap token aksi bergantung pada setiap token sebelumnya, sehingga koordinat klik di akhir respons menunggu penalaran yang mendahuluinya. Dalam agen difusi, blok disempurnakan sebagai satu kesatuan, dan konsekuensi praktis yang dijual inclusionAI adalah latensi: pada uji API berpasangan, halaman proyek melaporkan 4,8 hingga 6,4 detik dibandingkan dengan 17 hingga 53 detik milik Qwen3-VL-8B, yang digambarkan sebagai percepatan rata-rata 3,58x pada web, 6,83x pada desktop, dan 8,95x pada input seluler, sekaligus menghasilkan lebih banyak token per panggilan. Pada input MobileWorld, rata-rata yang dilaporkan adalah 5,9 detik dibandingkan dengan 53,0.

Itu adalah angka yang diukur vendor, berpasangan, tanpa cache, pada harness milik lab itu sendiri, dan memang harus dibaca seperti itu. Tetapi arahnya layak ditanggapi secara serius bahkan dengan catatan tersebut, karena loop agen melipatgandakan latensi. Agen antarmuka yang menempuh sepuluh langkah membayar biaya per langkah sepuluh kali, dan perbedaan sepuluh detik per langkah adalah perbedaan antara demo dan produk.

MiniCPM-V 4.7 menangani masalah yang sama dari ujung yang berlawanan. Ia mempertahankan decoding autoregresif dan membuat setiap langkah menjadi murah melalui penjadwalan pakar — sebuah prediktor lintas-lapis memuat lebih awal pakar yang kemungkinan dibutuhkan lapisan berikutnya, memprioritaskan pakar yang benar-benar dipilih oleh router asli, dengan kartunya secara eksplisit menyatakan bahwa prediksi hanya menggerakkan prefetch dan routing milik model sendiri tetap mengatur komputasi. Tambahkan kuantisasi per-lapis dan pengambilan sampel spekulatif DSpark, dan klaimnya adalah lebih dari 13 token per detik untuk MoE 35 miliar parameter di ponsel. Mekanisme berbeda, tujuan sama: membuat loop cukup cepat sehingga sebuah perangkat dapat menjalankannya.

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.'

Apa yang menjadi keunggulan masing-masing, dinyatakan sesempit yang dimungkinkan oleh bukti

• Pilih LLaDA-UI saat tugasnya adalah antarmuka — mengklik, mengetik, menavigasi aplikasi seluler, jendela desktop, atau halaman web. Ini adalah satu-satunya dari keduanya yang memiliki skor grounding dan navigasi yang dipublikasikan, konvensi koordinat yang didokumentasikan, dan contoh permintaan terpaket untuk seluler, desktop, dan web.

• Pilih MiniCPM-V 4.7 ketika tugasnya adalah pemahaman — mendeskripsikan foto, membaca dokumen, mengurai PDF, menjawab pertanyaan tentang video, menjalankan di perangkat keras yang Anda miliki. Ini adalah satu dari dua model dengan perhatian terdokumentasi terhadap OCR, penguraian PDF, dan visual grounding di cookbook-nya, dengan dukungan bawaan di SGLang, vLLM, llama.cpp, dan Ollama, serta varian terkuantisasi yang dipublikasikan untuk diunduh.

• Tumpang tindihnya lebih kecil daripada yang terlihat — Kartu MiniCPM-V 4.7 mencantumkan visual grounding sebagai panduan cookbook tetapi sama sekali tidak menerbitkan skor grounding. Kartu LLaDA-UI hanya membahas satu pekerjaan. Jika beban kerja Anda adalah otomatisasi GUI, Anda membandingkan spesialis yang terukur dengan generalis yang tidak terukur; jika beban kerja Anda adalah pemahaman dokumen dan gambar, Anda membandingkan generalis yang terdokumentasi dengan model yang memang tidak dirancang untuk melakukannya.

• Gesekan penerapan justru berbalik arah — MiniCPM-V 4.7 menawarkan checkpoint GGUF, AWQ, GPTQ, int4, dan FP8 plus jalur OpenVINO serta klaim dukungan day-0 untuk silikon Rockchip, Houmo, Intel, AMD, dan Arm. Jalur penyajian LLaDA-UI memerlukan patch difusi multimodal SGLang milik lab itu sendiri dan skrip serve_llada_ui.sh miliknya; kartu model menyatakan secara gamblang bahwa server tidak dapat dijalankan dari instalasi SGLang standar.

Pertanyaan biaya yang tak seorang pun mempublikasikan

Tidak satu pun model memiliki harga per token yang dipublikasikan, karena tidak satu pun merupakan endpoint terkelola yang Anda sewa per jutaan token. Anda menghosting keduanya, yang berarti biayanya adalah perangkat keras dan latensi Anda. Hal itu membingkai ulang pilihannya: checkpoint 16,7 miliar parameter berukuran sekitar 32 GB dalam BF16 merupakan komitmen yang secara signifikan lebih kecil daripada model 70 GB dengan 35 miliar parameter, dan jika tugas agen hanya membutuhkan model yang lebih kecil, model yang lebih besar tidak memberi Anda manfaat apa pun pada beban kerja tersebut.

Kasus hibrida adalah tempat lapisan perutean membuktikan nilainya. Jalankan model kecil yang dibuat khusus secara lokal untuk pekerjaan antarmuka rutin, lalu serahkan bingkai yang benar-benar sulit — tangkapan layar yang padat, dokumen yang tidak biasa, pertanyaan yang membutuhkan pengetahuan dunia dari model yang lebih besar — ke endpoint yang dihosting. OrcaRouter menempatkan lebih dari 200 model yang dihosting di balik satu kunci dengan harga daftar setiap penyedia diteruskan dengan markup 0% serta failover otomatis saat penyedia mengalami penurunan kinerja, dan DSL peruteannya memungkinkan satu panggilan menyebarkan kasus sulit ke lebih dari satu model ketika jawabannya harus benar ketimbang murah. MiniCPM-V 4.7 maupun LLaDA-UI tidak dilayani melaluinya — keduanya adalah checkpoint berbobot terbuka yang Anda jalankan sendiri, dan router-lah yang berada di sisi lain dari serah-terima itu.

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.

Tiga pertanyaan yang layak dijawab sebelum Anda berkomitmen

Apakah keunggulan kecepatan LLaDA-UI nyata di perangkat keras Anda? Angka 3-to-9x adalah pengukuran berpasangan, non-cached pada harness milik lab itu sendiri terhadap satu baseline. Difusi block-wise memiliki karakteristik memori yang berbeda dari decoding autoregresif, dan percepatan yang diukur pada GPU vendor tidak otomatis berlaku untuk GPU Anda. Ini adalah angka tunggal yang paling layak direproduksi sebelum Anda membangun di atasnya.

Bisakah MiniCPM-V 4.7 diarahkan ke tugas antarmuka sama sekali? Mungkin saja — ini adalah model bahasa-visi dengan perkakas grounding yang terdokumentasi — tetapi kartu modelnya tidak menerbitkan tolok ukur agen GUI, tidak ada konvensi koordinat, dan tidak ada kosakata aksi. Membangun agen GUI di atasnya hari ini berarti mendefinisikan sendiri format keluaran dan berharap model mematuhinya. LLaDA-UI memecahkan masalah itu secara sengaja, dengan penalaran bertag plus keluaran aksi dan kosakata per platform.

Yang mana yang masih akan didukung dalam enam bulan? OpenBMB telah merilis keluarga lengkap di sekitar MiniCPM-V 4.7 — dua varian dasar, lima format kuantisasi, dua model draf DSpark, sebuah cookbook dan repositori penerapan edge — dalam waktu kurang dari seminggu, dengan ketentuan Apache-2.0. LLaDA-UI memiliki laporan teknis, makalah arXiv, halaman proyek dan repositori kode, serta tidak ada lisensi yang dinyatakan. Keluasan infrastruktur di sekitarnya adalah proksi yang wajar untuk seberapa besar niat sebuah lab menjaga sesuatu tetap hidup.

Putusan

Keduanya bukan saling menggantikan, dan rekomendasi yang jujur mengikuti hal itu, bukan dari jumlah parameter. Jika Anda membangun otomatisasi antarmuka, LLaDA-UI adalah produk yang lebih matang meskipun modelnya lebih kecil — diukur pada tugas tersebut, dengan format keluaran yang terdokumentasi dan jalur penyajian, serta membawa risiko lisensi yang perlu Anda selesaikan sebelum dirilis. Jika Anda membangun apa pun yang melibatkan melihat gambar, membaca dokumen, atau berjalan di ponsel, MiniCPM-V 4.7 adalah pilihan yang memiliki ekosistem, lisensi permisif, dan cerita penerapan, dan klaim efisiensinya persis sekuat yang bisa dibuat oleh bagan yang tidak direproduksi. Tim yang membutuhkan keduanya menjalankannya bersama-sama, dan lapisan perutean adalah bagian termurah dari pengaturan itu.

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.