MiniCPM-V 4.7 vs WeVisOne-VL-4B: Paragraf atau Poligon

Cara tercepat untuk memilih antara MiniCPM-V 4.7 dan WeVisOne-VL-4B adalah melihat apa yang dihasilkan keduanya. WeVisOne-VL-4B mengembalikan koordinat: kotak yang dinormalisasi ke grid seribu titik, titik, masker instans, dan alpha matte resolusi penuh yang dihasilkan oleh dekoder 9,6 juta parameter yang dipasang pada backbone Qwen3-VL. MiniCPM-V 4.7 mengembalikan kalimat, berhalaman-halaman, dalam konteks 262.144 token yang dapat memuat video. Salah satunya adalah komponen persepsi yang Anda rangkai ke dalam pipeline. Yang lain adalah pembaca yang Anda ajukan pertanyaan. Keduanya berlisensi Apache-2.0, keduanya dari laboratorium Tiongkok, keduanya dirilis pada Oktober 2026 dengan hampir tanpa liputan pers industri berbahasa Inggris, dan keduanya hampir tidak berada dalam kategori produk yang sama.

Keduanya hadir dengan cara yang sangat berbeda. Tim WeChat Vision Tencent mengunggah WeVisOne-VL-4B ke Hugging Face dan GitHub pada 22 Oktober 2026, bersama makalah arXiv dan versi saudara 2B, tanpa tulisan blog dan tanpa siaran pers. OpenBMB mengunggah MiniCPM-V 4.7 pada 6 dan 7 Oktober, mencantumkan tanggal rilis 12 Oktober di repositorinya, dan mengumumkannya dalam rilis PR Newswire berbahasa Inggris pada 15 Oktober yang menghasilkan liputan media industri berbahasa Inggris sangat sedikit. Yang satu hadir sebagai repositori; yang lain sebagai repositori plus rilis kantor berita. Sebagian besar perbandingan keduanya salah menentukan kategori sebelum salah angka.

Dua jawaban untuk pertanyaan yang sama

WeVisOne-VL-4B adalah hasil fine-tuning Qwen3-VL yang mengeluarkan geometri sebagai token. Kotak dan titik dikodekan sebagai token desimal dari 0 hingga 1000, yang dinormalisasi terhadap gambar, dan setelah setiap kotak yang diprediksi model mengeluarkan token khusus yang hidden state-nya memberi masukan ke decoder mask terpisah: adaptor fitur visual, enam blok cross-attention deformable, dan kepala kaskade yang menyempurnakan pada stride empat, dua, dan satu. Hasilnya adalah mask instans dan, untuk tugas matting, kanal alfa resolusi penuh. Tidak ada model kedua dalam loop dan tidak ada pemanggilan SAM; seluruh jalur piksel berada di bawah sepuluh juta parameter yang ditempelkan pada model bahasa. Model ini memiliki 4,83 miliar parameter dalam bfloat16, yang dibulatkan kartu model menjadi 5B, dan menerima satu gambar per giliran — grid video ditolak langsung oleh decoder piksel.

MiniCPM-V 4.7 adalah model generalis dalam dua ukuran. 35B-A3B menyimpan 35,2 miliar parameter di 256 pakar, merutekan delapan per token untuk sekitar 3 miliar parameter aktif, dan mendukung konteks 262.144 token dengan input satu gambar, banyak gambar, dan video. Model 1B adalah model dense 1,55 miliar parameter dengan panjang konteks yang sama dan checkpoint BF16 berukuran 3,1 GB. Keduanya berbagi menara visi SigLIP2 27 lapis dengan kompresi token visual campuran 4× dan 16×, yang merupakan mekanisme yang membuat konteks seperempat juta token tetap terjangkau. Keduanya tidak memiliki primitif penunjukan, deteksi, atau segmentasi. Anda dapat bertanya kepada salah satu dari keduanya di mana kucing itu berada, dan Anda akan mendapatkan deskripsi tentang di mana kucing itu berada.

Perbedaan itu bukan sekadar kosmetik. Perbedaan itu menentukan apakah kode hilir Anda mengurai JSON atau prosa, apakah jawaban buruk gagal secara nyaring atau diam-diam, dan apakah model dapat dikomposisikan dengan apa pun yang lain tanpa model kedua untuk memperbaiki keluarannya.

Angka-angka itu, dan kesalahan kategori yang menanti di dalamnya

Setiap angka di bawah ini dilaporkan oleh vendor. Angka Tencent berasal dari makalah dan README, dengan kumpulan pembanding yang dipilih oleh para penulis dan tanpa reproduksi pihak ketiga. Angka OpenBMB berasal dari halaman model vendor, diterbitkan sebagai prosa dan gambar bagan, bukan tabel numerik. Kedua lab tidak memiliki skor independen untuk model-model ini pada harness bersama.

• Deteksi, LVIS F1 — WeVisOne-VL-4B 55,3 dibandingkan baseline terbaik yang dicantumkan penulis sebesar 50,7. MiniCPM-V 4.7 tidak memublikasikan angka deteksi.

• {{1}}Deteksi padat, F1 Dense200{{/1}} — 71,3 untuk {{2}}WeVisOne{{/2}} dibandingkan 58,7 untuk baseline terbaik, dan 15,2 untuk {{3}}Qwen3-VL-4B{{/3}} tanpa modifikasi. Baris terakhir itu adalah yang paling menarik dalam makalah ini: fine-tuning-lah yang mengubah model generalis menjadi pelokalisasi.

• Merujuk pada, F1 uji RefCOCOg — 81,8 untuk WeVisOne-VL-4B dibandingkan 77,6 untuk baseline terkuat yang dicantumkan penulis. Tingkat penolakannya pada kueri target yang tidak ada adalah hal yang pertama harus Anda periksa: 67,4 persen pada RefCOCOg-Rej, 96,4 persen pada WeRef-Bench internal, dan 52,6 persen pada PR-Bench. Model yang sama, tiga jawaban berbeda, karena distribusinya berbeda.

• Penghitungan, PixMo-Count — 89,6 berbanding 82,8. Segmentasi, ReasonSeg val gIoU — 71,2 berbanding 65,0.

• Matting, selisih absolut rata-rata P3M-500-NP — 7,3 dibandingkan 15,4, semakin rendah semakin baik, yang kira-kira setengah error dari baseline matting khusus terbaik yang dibandingkan oleh para penulis.

Membaca, OCRBench — 91,2 untuk MiniCPM-V 4.7 35B-A3B dan 86,1 untuk 1B, dibandingkan dengan TotalText F1 sebesar 52,0 untuk WeVisOne-VL-4B.

Poin terakhir itu adalah jebakannya. OCRBench mengukur pengenalan teks; F1 TotalText mengukur lokalisasi teks. Menempatkan 86.1 di samping 52.0 dan menyatakan kemenangan 34 poin adalah kesalahan kategori, dan itu adalah jenis kesalahan yang disalin dari satu posting perbandingan ke posting berikutnya. Pernyataan yang jujur adalah bahwa kedua model tidak diuji pada tugas yang sama, dan satu-satunya hal yang ditetapkan oleh angka-angka itu adalah bahwa MiniCPM dibangun untuk mentranskripsi dan WeVisOne dibangun untuk melokalisasi.

Memori adalah harga sebenarnya

WeVisOne-VL-4B adalah checkpoint bfloat16 9,66 GB sebelum mask decoder-nya, dan Tencent tidak menyediakan varian terkuantisasi. Angka 19 GB pada kartu perbandingan adalah checkpoint yang sama yang dikonversi ke F32, sehingga menjadi dua kali lipat; bagaimanapun juga Anda tetap memerlukan kode inferensi khusus: mask_decoder.pt adalah komponen wajib, bukan tambahan opsional, dan pemuatan Transformers standar akan memberi Anda kotak dan teks tetapi tanpa mask. Jalur penyajian yang didokumentasikan adalah paket inferensi milik proyek itu sendiri, yang membungkus backend Transformers atau backend vLLM, ditambah demo Gradio; decoding greedy dan batas 1.960 token visual per gambar adalah pengaturan evaluasi. Ini adalah layanan GPU.

MiniCPM-V 4.7 35B-A3B kira-kira 70 GB bobot BF16 dalam enam belas shard, yang secara teori lebih buruk tetapi dalam praktik lebih baik karena hanya sekitar 3 miliar parameter yang aktif per token. Gagasan utama OpenBMB adalah bahwa pakar tidak aktif dapat dialirkan dari penyimpanan alih-alih disimpan di memori, menggunakan Lookahead Expert Scheduling untuk mengambil lebih awal pakar yang kemungkinan dibutuhkan lapisan berikutnya, ditambah kuantisasi per lapisan dan DSpark speculative decoding. Klaim vendor adalah 13 token per detik atau lebih pada iPhone 17 Pro Max dengan sekitar 3 GB memori. Belum ada pihak independen yang mereproduksinya, dan klaim tersebut bergantung pada ketiga teknik yang bekerja bersama, bukan pada salah satu saja.

Perubahan 1B mengubah hitungan ekonominya sepenuhnya: 3,1 GB pada BF16, sekitar 0,67 GB sebagai Q4_K_M GGUF, itulah sebabnya pemantau kucing esp32-eye dapat menjalankannya di MacBook sebagai gerbang yang aktif paling sering setiap 1,5 detik. Build yang sama menemukan bahwa 1B tidak andal dalam membedakan empat kucing yang serupa, sehingga ia lebih merupakan detektor keberadaan daripada pengenal yang terperinci — sebuah batas yang berguna bagi siapa pun yang berencana menggunakannya sebagai pengklasifikasi murah.

Sederhananya: WeVisOne membeli geometri dengan 9,66 GB dan GPU. MiniCPM membeli kemampuan membaca dengan 70 GB atau 3 GB tergantung ukuran mana yang Anda ambil, plus runtime kelas ponsel jika klaim penjadwalan OpenBMB benar.

Apa yang rusak di produksi

Mode kegagalan WeVisOne terdokumentasi dan spesifik. Kualitas Alpha menurun pada batas halus, oklusi berat, dan material yang benar-benar transparan. Model ini sensitif terhadap pilihan kata dalam prompt, sehingga "rambut wanita itu" dan "rambutnya" tidak dijamin menghasilkan matte yang sama. Model ini tidak dapat menerima video dan tidak memiliki chain-of-thought, jadi tidak ada cara memintanya menalar tentang kueri yang ambigu sebelum menetapkan kotak, dan perilaku penolakannya memiliki titik lemah yang disembunyikan oleh angka utama dalam makalah: 96,4 persen pada WeRef-Bench tetapi sekitar 52,6 persen pada PR-Bench. Komponen yang menolak target yang tidak ada sebagian besar waktu memang berguna; komponen yang menolaknya separuh waktu pada distribusi berbeda memerlukan pengaman.

Mode kegagalan MiniCPM-V 4.7 adalah mode kegagalan seorang generalis: model ini akan mendeskripsikan gambar dengan lancar, terlepas dari apakah deskripsinya berdasar atau tidak, dan tidak ada saluran penolakan sama sekali. Tidak ada apa pun di kartu yang memberi tahu Anda kapan model tidak tahu. Bagi pembaca, itu masih dapat ditoleransi — manusia membaca paragrafnya. Bagi pipeline yang membutuhkan kotak, itu membuatnya tidak layak, karena Anda akan mengurai prosa menjadi koordinat dan berharap.

Jika yang Anda butuhkan minggu ini adalah model visi umum yang dihosting, bukan spesialis yang dihosting sendiri, tidak satu pun dari keduanya ada dalam katalog OrcaRouter, dan sebaiknya hal itu dikatakan sebelum pitch: jalur praktisnya adalah model serbaguna yang dihosting, dipanggil melalui satu kunci untuk lebih dari 200 model dengan markup 0% atas harga daftar penyedia, dengan failover otomatis jika endpoint upstream bermasalah. Itu memberi Anda pipeline yang berfungsi; itu tidak akan memberi Anda alpha matte, dan itu adalah produk yang berbeda dari kedua model yang dibahas halaman ini.

Memilih di antara keduanya

Gunakan WeVisOne-VL-4B jika keluaran Anda berupa geometri: menghitung objek di rak ritel, memotong produk dari sebuah foto, menyorot suatu area untuk pengguna, atau menolak ketika objek tersebut tidak ada. Angka matting-nya benar-benar tidak biasa, kanal penolakan adalah fitur rekayasa yang nyata, dan 9,66 GB adalah harga dari komponen yang mengembalikan sesuatu yang dapat digunakan oleh program.

Gunakan MiniCPM-V 4.7 35B-A3B jika keluaran Anda berupa pemahaman: PDF panjang, dasbor, video, halaman teks dan gambar yang bercampur. Gunakan 1B jika Anda memerlukan gerbang murah di depan sesuatu yang lebih mahal, dan jangan memintanya membedakan dua kucing yang mirip.

Perbandingan yang benar-benar bisa menyelesaikan ini belum ada: sebuah harness independen yang menjalankan kedua model pada set deteksi dan OCR yang sama, dengan anggaran gambar yang sama. Sampai seseorang menerbitkannya, posisi yang bisa dipertahankan adalah yang membosankan — model-model ini melakukan pekerjaan yang berbeda, tabel vendor tidak tumpang tindih, dan satu-satunya angka yang seharusnya memengaruhi keputusan Anda adalah ukuran hal yang harus Anda deploy.