WeVisOne-VL-2B vs MiniCPM-V 4.7 1B: Selisih 0,45B, Tugas Berbeda

Nama-namanya menyiratkan selisih dua banding satu. Checkpoint-nya tidak. MiniCPM-V 4.7 1B membawa 1,554,476,272 parameter dalam bfloat16, dan WeVisOne-VL-2B membawa sekitar 2 miliar — jadi jarak sebenarnya di antara keduanya kira-kira 0,45 miliar parameter, bukan satu miliar. Letakkan keduanya di disk yang sama dan keduanya akan memakan ruang yang sebanding. Letakkan keduanya pada tugas yang sama dan keduanya langsung berantakan total, karena MiniCPM-V 4.7 1B dibangun untuk membaca dokumen, menonton video, dan mengobrol tentangnya, sedangkan WeVisOne-VL-2B dibangun untuk menemukan objek dan mengembalikan mask.

Keduanya Apache 2.0. Keduanya cukup kecil untuk menarik minat orang yang membangun di satu GPU. Keduanya baru — MiniCPM-V 4.7 1B diunggah pada 6 Oktober 2026 dan bertanggal 12 Oktober dalam catatan rilis OpenBMB, WeVisOne-VL-2B pada 22 Oktober. Kombinasi kemiripan dan perbedaan itulah yang membuat pasangan ini layak dibahas dalam satu halaman: hampir setiap spesifikasi utama hampir sama, dan hampir setiap penggunaan aktualnya tidak.

Pertama, nama-namanya, yang sudah dikoreksi

Penamaan OpenBMB cukup longgar sehingga sudah menimbulkan kebingungan dalam tabel perbandingan. Model yang disebut 1B memiliki 1,55 miliar parameter menurut metadata safetensors miliknya sendiri; materi vendor telah menyebut 1,3B dan 1,38B di berbagai tempat. Konteks 262.144 token itu nyata dan diatur dalam konfigurasi model. Arsitekturnya adalah backbone teks 24 lapis dengan 1024 dimensi tersembunyi yang diturunkan dari Qwen3.5 dengan pola 3:1 dari attention linear ke attention penuh, dipasangkan dengan menara visi bergaya SigLIP2 27 lapis yang bekerja pada tile 980 piksel, plus mode kompresi token visual 4× atau 16× yang dapat dipilih yang menukar detail dengan biaya per permintaan.

Penamaan Tencent lebih ringkas. WeVisOne-VL-2B adalah model 2 miliar parameter yang dibangun di atas Qwen3-VL, dengan dekoder piksel terpisah berparameter 9,511,460 yang oleh kartu model disebut sebagai "komponen inti yang wajib, bukan tambahan opsional." Dekoder bukan kesalahan pembulatan dalam cerita deployment: tanpanya, model menghasilkan kotak dan titik, dan tidak ada output mask atau matte sama sekali.

Jadi kerangka yang tepat bukanlah kecil versus besar. Ini adalah 1,55B versus 2B — selisih 29 persen dalam hal bobot — dengan kontrak keluaran yang sepenuhnya berbeda.

Dua kosakata tolok ukur yang tidak pernah bertemu

Ini adalah bagian yang paling sering salah dalam perbandingan, jadi penting untuk disebutkan sebelum angka apa pun muncul. OpenBMB mengevaluasi MiniCPM-V 4.7 1B pada tolok ukur multimodal umum: 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, dan MotionBench 54.55. Itu adalah angka hasil pengujian vendor, yang disajikan sebagian besar sebagai bagan, bukan sebagai tabel dengan detail harness, dan belum ada lembaga independen yang mereproduksinya.

Tencent mengevaluasi WeVisOne-VL-2B pada benchmark persepsi dan sama sekali tidak melaporkan skor multimodal umum. Tidak ada MMMU, tidak ada MMBench, tidak ada MathVista, tidak ada DocVQA, dan tidak ada hasil captioning di mana pun dalam ketujuh tabelnya. Yang dilaporkan sebagai gantinya adalah metrik spesifik tugas: F1 deteksi, exact-match penghitungan, F1 pointing, F1 lokalisasi OCR, cIoU segmentasi, dan error matting.

{{1}}Benturan paling tajam terjadi pada OCR, karena kedua model mengklaim bisa melakukannya.{{/1}} Angka {{2}}86,1{{/2}} milik MiniCPM adalah {{3}}OCRBench{{/3}} — skor transkripsi, yang menanyakan apakah model membaca karakter dengan benar. Angka OCR WeVisOne adalah {{4}}F1 lokalisasi pada ambang IoU 0,5{{/4}}: {{5}}62,1 pada SROIE{{/5}}, {{6}}42,6 pada ICDAR2015{{/6}}, {{7}}42,5 pada TotalText{{/7}}, dan {{8}}30,5 pada HierText{{/8}}, yang mengukur apakah model menggambar kotak yang tepat di sekitar teks. Sebuah model bisa sangat baik pada satu hal dan biasa saja pada hal lainnya. Mencetak "{{9}}86,1 versus 62,1{{/9}}" berarti membandingkan tes ejaan dengan tes menunjuk.

Tidak ada benchmark di mana kedua model melaporkan angka yang dihitung dengan cara yang sama. Itu bukan sekadar gaya bahasa retoris — itulah temuan utama dari perbandingan ini, dan artinya peringkat apa pun yang Anda lihat untuk kedua model ini disusun dari bagian-bagian yang tidak dapat dibandingkan.

Apa yang bisa didapat dengan 262.144 token, dan apa yang tidak akan dikatakan WeVisOne

MiniCPM-V 4.7 1B menghadirkan konteks 262,144 token dan jalur video yang secara default menerima hingga 128 frame, dengan satu slice per frame. Itu mesin dokumen-dan-video: PDF panjang, hasil pindai multi-halaman, rekaman video berdurasi satu menit. Sakelar kompresi 4× dan 16× ada justru karena menyimpan begitu banyak detail visual itu mahal, dan OpenBMB memungkinkan Anda memilih berapa banyak yang disimpan per permintaan.

WeVisOne-VL-2B tidak mencantumkan panjang konteks. Kartunya tidak menyebutkan apa pun; tahap pelatihan dalam makalahnya berjalan pada 4.096 dan 8.192 token, dan inferensi membatasi setiap gambar pada 1.960 token visual dengan decoding greedy. Tidak satu pun dari itu merupakan jendela penerapan, dan Tencent tidak berpura-pura bahwa salah satunya demikian. Model ini juga menolak grid video secara langsung — decoder pikselnya hanya untuk gambar, satu giliran, tanpa chain-of-thought.

Asimetri itu memberi tahu Anda untuk apa masing-masing vendor mengoptimalkan. OpenBMB mengoptimalkan seberapa banyak input yang dapat ditelan satu model. Tencent mengoptimalkan seberapa tepat satu model dapat menunjuk pada apa yang ditelannya, lalu menarik batas tegas di sekitar jenis input agar dekoder tetap sederhana.

Di mana masing-masing sebenarnya berjalan

MiniCPM-V 4.7 1B memiliki cakupan penerapan yang jauh lebih luas: Transformers 5.18 dan yang lebih baru, vLLM, SGLang, llama.cpp dan Ollama, dengan build GGUF, AWQ, GPTQ, FP8, bitsandbytes dan OpenVINO, plus dukungan iOS, Android dan HarmonyOS serta dukungan chip sejak hari pertama dari daftar vendor yang mencakup Rockchip, Arm dan Apple. OpenBMB juga merilis model draf DSpark terpisah berparameter 213 juta untuk decoding spekulatif.

WeVisOne-VL-2B memiliki paket GitHub sendiri, jalur Transformers, serta vLLM dan SGLang yang tercantum di kartu model. Tidak ada GGUF. Tidak ada build terkuantisasi. Tidak ada ONNX. Tidak ada dukungan untuk seluler. Dan keluarannya berupa alpha matte resolusi penuh dengan stride-1, yang berarti memori berskala dengan gambar, bukan dengan jumlah parameter — model 2B yang murah untuk disimpan namun belum tentu murah untuk dijalankan pada 4K.

Jika target Anda adalah ponsel, bagian ini mengakhiri perbandingan. MiniCPM dibangun untuk batasan itu dan menyatakannya dalam daftar formatnya. WeVisOne tidak, dan tidak mengklaim demikian.

Satu-satunya titik di mana keduanya sama: lisensi.

Apache 2.0 pada keduanya. Tidak ada ambang pendapatan, tidak ada pembatasan bidang penggunaan, tidak ada perjanjian komersial terpisah. Dalam kategori di mana Liquid AI menggunakan lisensinya sendiri yang dibatasi pendapatan dan Moondream menggunakan lisensi source-available dengan pemberian hak yang melarang layanan pihak ketiga, dua model visi Apache 2.0 pada ukuran ini layak diperhatikan — artinya lisensi bukanlah variabel penentu di sini, yang cukup tidak biasa untuk dikatakan secara terbuka.

Hasil imbang ini juga menghapus alasan paling umum tim memilih model yang lebih kecil. Jika keduanya lolos tinjauan hukum, Anda memilih berdasarkan kapabilitas dan penerapan, bukan berdasarkan persyaratan.

Memilih di antara keduanya

Tanyakan ke mana output dialirkan. Jika output tersebut dialirkan ke penyimpanan dokumen, jendela chat, indeks video, atau model bahasa hilir, MiniCPM-V 4.7 1B adalah bentuk yang Anda butuhkan: model ini menghasilkan teks panjang, menangani input panjang, dan tersedia dalam format yang dapat berjalan di perangkat keras konsumen.

Jika hasilnya menjadi masukan bagi pipeline compositing, editor gambar, pekerjaan pembersihan katalog, atau crop region-of-interest, WeVisOne-VL-2B adalah bentuk yang Anda inginkan: kotak, titik, mask biner, dan alpha matte kontinu, plus perilaku penolakan yang lebih penting daripada benchmark apa pun. Tencent melaporkan tingkat penolakan 50,2 pada RefCOCOg untuk kueri objek yang tidak ada, dibandingkan 0,5 dan 0,6 untuk dua model grounding khusus pada tabel yang sama. Jika sebagian besar gambar Anda tidak berisi hal yang Anda cari, angka itulah yang menghemat uang Anda.

Ada kasus ketiga ketika keduanya saling melengkapi, bukan bersaing: pipeline dokumen di mana MiniCPM membaca halaman dan WeVisOne menemukan area — tanda tangan, stempel, foto produk — yang perlu diisolasi oleh langkah pembacaan. Itu bukanlah masalah perutean melainkan masalah desain pipeline, dan di situlah produk OrcaRouter benar-benar berguna, bukan sekadar ditempelkan. Tidak satu pun dari model ini ada di katalog kami; keduanya di-hosting sendiri, dan kami tidak akan menyiratkan sebaliknya. Yang kami sediakan adalah bagian yang di-hosting: lebih dari 200 model di balik satu kunci API dengan harga daftar penyedia tanpa markup, failover otomatis saat penyedia mengalami penurunan, dan fusi model, yang memungkinkan panel model menjawab pertanyaan yang sama bersama-sama — berguna ketika transkripsi akan masuk ke basis data dan Anda ingin pendapat kedua sebelum itu terjadi.

Nomor yang harus diingat

Bukan 1B dan 2B — 1.55B dan 2B. Penamaannya membuat keduanya tampak seperti kelas bobot yang berbeda, dan checkpoint-nya membuat keduanya tampak seperti tetangga dekat, dan kedua kesan itu menyesatkan. Yang memisahkan MiniCPM-V 4.7 1B dari WeVisOne-VL-2B bukanlah ukuran, lisensi, atau bahkan kebaruan. Melainkan bahwa yang satu mengembalikan kata-kata dan yang lain mengembalikan piksel, dan tidak ada benchmark yang diterbitkan oleh kedua vendor itu yang dapat dikurangkan satu sama lain untuk memberi tahu Anda mana yang lebih baik dalam menjadi hal yang Anda butuhkan.