MiniCPM-V 4.7 35B-A3B vs UI-Mate-27B: Yang Satu Membaca Layar, yang Lain Menekan Tombol

Kalimat pertama yang jujur tentang MiniCPM-V 4.7 35B-A3B versus UI-Mate-27B adalah bahwa keduanya bukan pesaing. Keduanya diunggah ke Hugging Face tanpa pengumuman, keduanya membawa lisensi permisif, keduanya dilatih pada backbone keluarga Qwen, dan keduanya dijelaskan dalam dokumentasi masing-masing sebagai kuat dalam memahami apa yang ada di layar — itulah sebabnya keduanya digolongkan bersama. Namun, yang satu adalah model visi-bahasa umum yang membaca gambar dan menjawab dalam teks, dan yang lain adalah agen GUI yang membaca tangkapan layar dan mengeluarkan aksi mouse dan keyboard yang kompatibel dengan pyautogui. MiniCPM-V 4.7 35B-A3B dapat memberi tahu Anda apa isi kotak dialog. UI-Mate-27B dapat menutupnya. Segala hal lain dalam perbandingan ini mengikuti satu perbedaan itu, dan pertanyaan yang berguna bukanlah model mana yang menang — melainkan separuh pekerjaan mana yang belum Anda miliki.

Keduanya juga masih awal. UI-Mate-27B muncul pada 14 Agustus 2026 dengan makalah dua hari setelahnya dan tanpa tulisan peluncuran dari lab; model itu tidak memiliki unduhan di Hugging Face saat pertama kali kami meliputnya, dan masih belum ada API yang dihosting di mana pun. MiniCPM-V 4.7 hadir pada 6 Oktober tanpa kartu sama sekali, dan OpenBMB tidak menerbitkan kartu model, tag lisensi, atau bagian klaim hingga 12 Oktober. Keduanya belum dievaluasi secara independen. Setiap angka kinerja dalam tulisan ini diberi label siapa yang melaporkannya, dan di kedua sisi itu adalah lab model itu sendiri.

Tubuh yang sama, dua pekerjaan yang berbeda

Mulailah dari apa yang membuat pasangan ini terasa alami. Keduanya adalah model multimodal open-weight kelas menengah hingga besar dengan lisensi Apache-2.0. Keduanya berada pada garis keturunan hulu yang sama — UI-Mate-27B di-fine-tune dari Qwen3.6-27B, dan stack bahasa MiniCPM-V 4.7 35B-A3B adalah sparse MoE keluarga Qwen3.5. Keduanya menyasar area aplikasi luas yang sama, layar dan dokumen serta status aplikasi, dan keduanya dirilis dalam kesunyian.

Lalu perhatikan apa yang dikeluarkan masing-masing. MiniCPM-V 4.7 mengembalikan token teks. UI-Mate-27B mengembalikan tindakan terstruktur — klik, penekanan tombol, gulir, penantian, sinyal tugas selesai — dalam ruang koordinat ternormalisasi 1000×1000 yang diskalakan ulang oleh agen referensi ke resolusi tangkapan layar sebenarnya, sehingga prediksi tetap bertahan terhadap perbedaan penskalaan tampilan antarmesin. Kartu model secara eksplisit menyatakan bahwa UI-Mate adalah "checkpoint agen, bukan model obrolan visual mandiri" dan bahwa harness pendamping harus digunakan untuk hal apa pun yang nyata.

Perbedaan itu menentukan sebagian besar penerapan nyata. Jika pipeline Anda adalah "baca tangkapan layar ini dan beri tahu saya apa yang salah dengannya," VLM umum adalah alat yang tepat dan agen berlebihan dengan mode kegagalan yang lebih buruk. Jika pipeline Anda adalah "buat aplikasi melakukan hal itu," VLM saja membuat Anda harus menulis seluruh lapisan aksi sendiri — pemetaan koordinat, penguraian aksi, pemulihan kesalahan, logika percobaan ulang — yang merupakan bagian yang UI-Mate habiskan anggaran reinforcement learning-nya.

Apa itu MiniCPM-V 4.7 35B-A3B, hingga saat ini

MoE pertama OpenBMB dalam seri MiniCPM-V: 256 expert dengan 8 yang aktif per token di 40 lapisan, jendela konteks 262.144 token dan kosakata 248.144 token, atau sekitar 3B parameter aktif dari total 35,2B. Visi berjalan melalui modul SigLIP2 dengan kompresi awal intra-ViT LLaVA-UHD v4 dan mode kompresi token visual campuran 4x/16x yang dapat dipilih — 16x secara default untuk throughput, 4x saat detail halus menjadi fokus. Model ini memahami gambar tunggal, kumpulan multi-gambar, dan video, serta mengembalikan teks.

Klaim utama kartu ini adalah bahwa ini adalah model MoE sumber terbuka pertama dengan inferensi di perangkat yang lossless dan lancar — Lookahead Expert Scheduling, kuantisasi per lapisan yang terperinci, dan sampling spekulatif melalui draf DSpark terpisah — pada 13+ token per detik yang dilaporkan di iPhone 17 Pro Max. Angka itu dilaporkan vendor, belum direproduksi, dan tanpa kualifikasi. Klaim kedua, bahwa model ini mengalahkan skor Instruct-mode keseluruhan Qwen3.6 35B-A3B dalam waktu lebih singkat, ditampilkan di dalam gambar bagan, bukan tabel, sehingga tidak dapat dikutip sebagai angka.

Yang konkret adalah distribusinya. Bobot Base, FP8, int4, AWQ, GPTQ, dan GGUF semuanya ada; SGLang, vLLM, llama.cpp, Ollama, dan OpenVINO didukung; aplikasi iOS, Android, dan HarmonyOS tersedia; Rockchip, Houmo, Intel, AMD, dan Arm terdaftar untuk silikon hari pertama; dan kartu tersebut mendokumentasikan pemanggilan alat, dengan contoh pemanggilan fungsi yang lengkap di bagian serving. Detail terakhir itu penting untuk perbandingan ini: MiniCPM-V 4.7 dapat menjadi lapisan persepsi dan penalaran di dalam agen yang Anda bangun, meskipun ia tidak akan bertindak sendiri.

Apa itu UI-Mate-27B, hingga saat ini

Agen GUI fondasi 27 miliar parameter milik vendor, yang dipublikasikan pada 14 Agustus 2026 bersama saudara 9B dan varian berpanduan demonstrasi, UI-Mate-democua-27B. Pelatihan dilakukan melalui fine-tuning terawasi yang dilanjutkan dengan pembelajaran penguatan daring di lingkungan GUI yang dapat dieksekusi — model belajar dengan benar-benar mengoperasikan desktop, bukan dari tangkapan layar statis. Ruang aksinya mencakup mouse, keyboard, menggulir, menunggu, interaksi pengguna, dan sinyal penyelesaian, dan aksi yang dihasilkan kompatibel dengan pyautogui, sehingga harness dapat mengeksekusinya secara langsung.

Pembeda yang diandalkan vendor adalah eksekusi yang dipandu demonstrasi: rekam alur kerja sekali dan agen menyesuaikannya dengan layar saat ini, dengan tangkapan layar langsung diperlakukan sebagai acuan utama alih-alih memutar ulang skrip tetap. Materi pendukungnya luar biasa lengkap untuk perilisan senyap — halaman proyek dengan video demo dan aplikasi macOS Apple Silicon, repositori GitHub yang berisi prompt resmi, parser respons, dan harness interaksi, serta pracetak arXiv 2608.15930 yang dikirim dua hari setelah bobotnya diunggah.

Angka utamanya adalah skor WindowsAgentArena yang dilaporkan vendor sebesar 66,2 dan OSWorld-Verified sebesar 77,0, yang akan berada di puncak apa yang telah dipublikasikan pada benchmark tersebut tahun ini jika bertahan. Angka-angka itu belum direproduksi oleh siapa pun di luar lab. Dan gambaran penerapannya minim, seperti biasanya pada rilis agen awal: tidak ada API yang dihosting, jalur penyajian yang direkomendasikan berupa vLLM di balik endpoint yang kompatibel dengan OpenAI, dan instruksi yang sengaja diberikan untuk menggunakan harness daripada memanggil checkpoint mentah.

Delapan dimensi, kedua sisi

• Keluaran — teks, dari MiniCPM-V 4.7 35B-A3B; aksi terstruktur yang kompatibel dengan pyautogui, dari UI-Mate-27B.

• Input — teks, gambar, dan video, terhadap tangkapan layar langsung ditambah sebuah instruksi. Keduanya tidak menerima audio.

• Model dasar — MoE sparse dari keluarga Qwen3.5 untuk model MiniCPM, Qwen3.6-27B untuk UI-Mate.

• Ukuran dan bentuk — total 35,2B dengan 3B aktif di seluruh 256 pakar; 27B dense. Yang sparse lebih murah per token, yang dense lebih sederhana untuk dilayani.

• Konteks — 262.144 token dibandingkan dengan default berupa lima tangkapan layar yang dipertahankan, yang merupakan perbedaan arsitektural paling besar di antara keduanya dan alasan yang satu dapat membaca kumpulan dokumen panjang sedangkan yang lain tidak.

• Lisensi — Apache-2.0 pada keduanya, yang membuat pilihan ini untuk sekali ini menjadi pilihan teknis alih-alih pilihan hukum.

• Klaim utama, keduanya dilaporkan vendor — lebih dari 13 token per detik pada iPhone 17 Pro Max, dibandingkan WindowsAgentArena 66.2 dan OSWorld-Verified 77.0. Benchmark berbeda, tidak ada skala bersama, tidak satu pun direproduksi.

Tersedia hari ini — enam format kuantisasi, lima runtime dan aplikasi seluler, dibandingkan dengan nol unduhan pada liputan pertama, tanpa API yang dihosting, dan harness yang vendor sarankan untuk Anda gunakan.

Di mana mereka sebenarnya tumpang tindih

Ada satu pekerjaan yang dapat dicoba keduanya: memahami tangkapan layar UI dengan cukup baik untuk menjawab pertanyaan tentangnya. Tanyakan "field mana yang gagal validasi" dan model mana pun dapat menjawabnya secara masuk akal. Tanyakan "perbaiki itu" dan hanya UI-Mate-27B yang menghasilkan tindakan, dan itu pun hanya jika Anda telah menyiapkan rangkaiannya — loop tangkapan layar, parser, eksekutor, penskalaan ulang koordinat, dan kebijakan percobaan ulang saat klik mendarat di tempat yang tidak terduga.

Tumpang tindih terbaliknya lebih lemah tetapi nyata. Dukungan tool-calling MiniCPM-V 4.7 berarti Anda dapat membangun agen di sekitarnya — persepsi dan perencanaan pada model visi, dengan lapisan aksi Anda sendiri yang dipasang melalui pemanggilan fungsi. Itu adalah arsitektur yang valid dan memberi Anda kendali penuh atas ruang aksi. Ini juga, secara kasar, menemukan kembali apa yang telah UI-Mate investasikan melalui reinforcement learning, dan melakukannya tanpa data pelatihan khusus GUI. Tim lebih baik memilih lapisan mana yang ingin mereka miliki daripada memilih model mana yang secara dangkal lebih baik dalam tangkapan layar.

Melayani keduanya, dan di mana router cocok

Tidak satu pun model dihosting di mana pun, termasuk di sini — MiniCPM-V 4.7 35B-A3B dan UI-Mate-27B keduanya tidak muncul di katalog OrcaRouter, dan tidak ada apa pun dalam artikel ini yang boleh ditafsirkan sebagai klaim bahwa kami merutekannya. Keduanya adalah checkpoint yang Anda unduh dan jalankan sendiri, dan untuk UI-Mate itu berarti dua hal: sekitar 27B bobot, dan endpoint yang kompatibel dengan OpenAI, karena README vendor sendiri merekomendasikan penyajiannya dengan vLLM dan harness mengharapkan base URL yang kompatibel.

Endpoint itu adalah bagian yang menarik untuk perencanaan biaya, karena harness tidak peduli model mana yang menjawab selama endpoint-nya berperilaku baik. OrcaRouter menempatkan 200+ model terhosting di balik satu kunci pada harga daftar tiap penyedia tanpa markup dari kami, dengan failover otomatis antar rute penyedia, yang menjadikannya base URL drop-in untuk sisi perencanaan sebuah agen — dan DSL routing memungkinkan Anda menyusun model murah untuk langkah rutin dan model yang lebih kuat untuk keputusan yang penting dalam satu panggilan, bukan dua integrasi. Bentuk terhosting yang paling mendekati profil biaya model MiniCPM adalah Qwen3.6 35B A3B — total 35B, aktif 3B, konteks 262K — dengan $0,25 per juta token input dan $1,48 per juta token output. Apakah itu mengalahkan self-hosting MoE sparse 70 GB adalah pertanyaan yang bisa Anda jawab dalam satu sore, yang tidak berlaku untuk salah satu model di judul.

Yang mana kamu mau

Ambil UI-Mate-27B jika Anda membutuhkan model yang benar-benar bekerja — otomatisasi desktop, pengganti RPA, alur kerja aplikasi jangka panjang — dan jika Anda menerima trade-off yang menyertainya: benchmark yang dilaporkan vendor, tanpa reproduksi independen, tanpa jalur hosted, dan harness yang harus Anda adopsi alih-alih Anda pertanyakan. Sisi positifnya adalah semua tentang rilis ini terdokumentasi dengan sangat baik, dari makalah hingga prompt hingga parser, dan model saudara 9B memberi Anda model yang lebih murah untuk membuat prototipe.

Ambil MiniCPM-V 4.7 35B-A3B jika Anda membutuhkan persepsi — dokumen panjang, kumpulan tangkapan layar, video — dan Anda siap menangani lapisan aksi sendiri. Anda mendapatkan lisensi permisif, enam format kuantisasi, lima runtime, jendela 262K, dan narasi penerapan kelas ponsel yang belum diverifikasi oleh siapa pun di luar OpenBMB.

Apa yang akan mengubah ini: uji coba OSWorld atau WindowsAgentArena yang direproduksi untuk UI-Mate, yang akan mengubah klaim intinya dari pemasaran menjadi pengukuran; dan tabel evaluasi untuk MiniCPM-V 4.7, yang sama sekali tidak ada. Sampai salah satunya muncul, keputusan itu ada pada diagram arsitektur Anda, bukan pada salah satu papan skor — dekoder atau tangan, dan Anda semestinya tahu mana yang Anda kekurangan.