WeVisOne-VL-4B vs MiniCPM-V 4.7 1B: Dua Pertaruhan yang Berlawanan tentang Fungsi Token Visual

MiniCPM-V 4.7 1B memperoleh skor 86,1 pada OCRBench. WeVisOne-VL-4B memperoleh skor 52,0 pada TotalText. Jika kedua angka itu diletakkan berdampingan, model 1B tampak mengalahkan model 4B dengan selisih tiga puluh empat poin dalam membaca teks—yang akan menjadi hasil luar biasa, sekaligus juga merupakan kesalahan kategori. OCRBench mengukur apakah suatu model dapat mentranskripsikan karakter dalam sebuah gambar. TotalText, sebagaimana dilaporkan Tencent, mengukur F1 untuk melokalkan setiap instans teks pada ambang IoU dari 0,5 hingga 0,95. Yang satu adalah pengenalan, yang lain adalah geometri. MiniCPM-V 4.7 1B dan WeVisOne-VL-4B dirilis dengan selisih sembilan hari pada Oktober 2026, keduanya dari lab Tiongkok, keduanya Apache 2.0, dan keduanya berbeda secara fundamental tentang untuk apa token visual digunakan: yang satu memampatkannya hingga hilang, yang lain menggunakannya demi presisi.

Ketidaksepakatan itulah inti dari keseluruhan perbandingan. Segala hal lainnya — jumlah parameter, memori, baris benchmark — mengikuti dari itu.

Kompresi versus presisi

MiniCPM-V 4.7 1B mewarisi skema kompresi awal intra-ViT dari LLaVA-UHD v4 dan mengeksposnya sebagai sakelar runtime antara kompresi token visual 4× dan 16×. Intinya adalah memuat lebih banyak gambar, dan lebih banyak video, ke dalam anggaran tetap: kartu model mengklaim konteks 262.144 token, default 128 frame video, dan skema penjajaran 448×448 dengan jumlah irisan yang dapat dikonfigurasi. Kompres lebih awal, jaga urutan tetap pendek, dan model 1B dapat melihat video panjang di ponsel.

WeVisOne-VL-4B membuat pertukaran yang berlawanan. Evaluasinya berjalan pada hingga 1.960 token visual per gambar dan dekoder pikselnya beroperasi pada fitur ViT sebelum penggabungan, dengan sengaja mempertahankan detail resolusi tinggi yang dibuang oleh kompresi awal. Itulah sebabnya model ini dapat menghasilkan alpha matte resolusi penuh pada stride 1 dan mengapa model ini sama sekali tidak dapat memproses grid video: dekoder menolaknya. Presisi membutuhkan token, dan token membutuhkan latensi.

Kedua taruhan itu tidak salah. Keduanya adalah jawaban untuk pertanyaan yang berbeda. MiniCPM bertanya "seberapa banyak yang bisa saya lihat sekaligus di ponsel?" WeVisOne bertanya "seberapa tepat saya bisa menjelaskan di mana suatu benda berada?"

Kisah tentang ukuran lebih aneh daripada 1B versus 4B

• Parameter — WeVisOne-VL-4B 4.83B dense vs MiniCPM-V 4.7 1B yang diberi nama 1B, meskipun metadata repositorinya mencantumkan 2B dalam BF16

• Format bobot — F32 safetensors sekitar 19 GB vs BF16 sekitar 3,1 GB, atau 0,67 GB pada Q4_K_M ditambah proyektor visi 0,90–1,11 GB

• Konteks — tidak dipublikasikan untuk WeVisOne-VL-4B vs 262.144 token di atas kertas untuk MiniCPM-V 4.7 1B

• Video — ditolak oleh dekoder piksel vs 128 frame secara default

• Masukan multimodal — satu gambar per giliran vs gambar dan video

• Kuantisasi — tidak ada yang disediakan oleh vendor vs varian int4, AWQ, GPTQ, GGUF, dan FP8

• Runtime di perangkat — tidak ada vs iOS, Android, HarmonyOS, serta llama.cpp dan Ollama

• Lisensi — Apache 2.0 untuk kode yang ditulis Tencent vs Apache 2.0

Baris memori itulah yang mengubah kerangka perbandingan. Model 1B pada empat bit muat dalam ruang di bawah satu gigabita sebelum proyektor visi; model 4,83B dalam F32 membutuhkan sekitar sembilan belas. Keduanya bukan pesaing untuk slot yang sama. Yang satu adalah komponen yang Anda kirimkan di dalam sebuah aplikasi; yang lain adalah layanan yang Anda jalankan di GPU.

Membaca baris benchmark tanpa menipu diri sendiri

Kedua vendor menerbitkan tabel, dan kedua tabel itu dipilih sendiri. MiniCPM-V 4.7 1B melaporkan OCRBench 86.1, MathVista 74.3, CharXiv Reasoning 48.8, LongVideoBench 53.4 dan MotionBench 54.55. WeVisOne-VL-4B melaporkan LVIS F1 rata-rata 55.3, RefCOCOg test 81.8, PixMo-Count test 89.6, TotalText F1 rata-rata 52.0, ReasonSeg val gIoU 71.2 dan P3M-500-NP MAD 7.3. Tidak ada satu pun benchmark yang muncul di kedua daftar. Tidak ada cara yang dapat dipertahankan untuk menghitung pemenang dari dokumen-dokumen ini, dan artikel mana pun yang melakukannya sedang mengarang hasil.

Pembacaan yang wajar itu lebih sempit dan tetap berguna. MiniCPM-V 4.7 1B luar biasa kuat dalam penalaran atas gambar untuk ukurannya — skor 74,3 pada MathVista dari model yang muat di ponsel adalah angka yang paling dibanggakan para penulisnya, dan itu dilaporkan vendor serta belum direproduksi. WeVisOne-VL-4B luar biasa kuat dalam menghasilkan geometri — masker, matte, kotak, dan tingkat penolakan terukur sebesar 96,4% pada WeRef-Bench ketika objek tidak ada. Kartu MiniCPM tidak menerbitkan metrik penolakan, dan kartu WeVisOne tidak menerbitkan tolok ukur penalaran. Masing-masing model diam tepat di tempat model lainnya bersuara lantang.

Apa yang tidak bisa dilakukan masing-masing

WeVisOne-VL-4B tidak dapat menonton video, tidak dapat melakukan percakapan multi-putaran tentang sebuah gambar, dan tidak dapat berjalan di ponsel. Tidak ada angka token per detik yang dipublikasikan dan tidak ada build terkuantisasi, yang berarti siapa pun yang menerapkannya berkomitmen pada GPU dan harus melakukan benchmark throughput sendiri. Kode fine-tuning masih berupa kotak yang belum dicentang dalam daftar TODO proyek.

MiniCPM-V 4.7 1B tidak dapat mengembalikan mask atau alpha matte. Model ini akan memberi tahu Anda bahwa ada seseorang di dalam gambar dan kira-kira di mana letaknya; model ini tidak akan memberi Anda hasil potongan (cutout) dengan tepi halus. Model ini juga membawa risiko biasa dari keluarga model yang baru: model_type baru di Transformers, persyaratan versi minimum 5.18.0, dan laporan awal tentang kerusakan dekode video pada beberapa kombinasi CUDA dan torchcodec. Konteks 262K-nya adalah angka di atas kertas — pasca-pelatihan belum terbukti memanfaatkannya secara penuh.

Biaya panggilan kedua

Dalam praktiknya, kedua model ini bukan pengganti satu sama lain, dan arsitektur yang menarik menggunakan keduanya: model kecil dan murah untuk mendeskripsikan dan bernalar tentang gambar, serta model persepsi untuk mengembalikan geometri. Itu mengubah satu panggilan inferensi menjadi dua, dan di situlah biaya tidak lagi sekadar catatan kaki.

Kontribusi OrcaRouter terhadap bentuk itu adalah hal membosankan yang justru penting — satu kunci untuk lebih dari 200 model, dengan harga daftar penyedia diteruskan pada markup 0% dan failover otomatis saat endpoint upstream menurun. Pemotongan harga vendor di sisi generalis sampai ke sisi kami pada hari yang sama, karena tidak ada lapisan markup yang perlu diperbarui. Baik WeVisOne-VL-4B maupun MiniCPM-V 4.7 1B tidak ada dalam katalog itu saat ini, jadi separuh persepsi dari pipeline masih merupakan sesuatu yang Anda hosting sendiri. Yang Anda hindari adalah kontrak kedua dan set kredensial kedua untuk separuh yang sudah ada.

Bagaimana Anda akan menjalankan salah satunya

WeVisOne-VL-4B adalah instalasi yang lebih menuntut. Kartu model mendokumentasikan Transformers, vLLM, SGLang, dan Docker Model Runner, tetapi mask_decoder.pt adalah komponen wajib: muat checkpoint tanpa paket inferensi proyek dan Anda akan mendapatkan kotak dan teks, tanpa mask. Decoding bersifat greedy hingga 1.960 token visual per gambar, dan tidak ada angka throughput yang dipublikasikan, jadi hal pertama yang akan Anda lakukan pada perangkat keras Anda sendiri adalah mengukurnya.

MiniCPM-V 4.7 1B adalah yang lebih mudah. Ini membutuhkan Transformers 5.18.0 atau lebih baru, dan ekosistemnya hadir bersamanya — build llama.cpp, Ollama, SGLang, dan vLLM, plus kuantisasi int4, AWQ, GPTQ, dan FP8, serta model draft DSpark 213M parameter terpisah untuk speculative decoding. Jika target Anda adalah ponsel, kotak Intel, atau papan Rockchip, inilah jalur yang sudah beraspal.

Taruhan mana yang harus diambil

Jika kendalanya adalah perangkat, pilihlah MiniCPM-V 4.7 1B. Tidak ada bagian dari WeVisOne-VL-4B yang dirancang untuk ponsel, dan kuantisasi, dukungan runtime, serta penanganan video di sisi MiniCPM adalah hasil dari lab yang telah merilis beberapa generasi model on-device.

Jika yang menjadi batasan adalah output — Anda memerlukan mask, matte, kotak objek kecil yang rapat, atau jawaban "tidak ada" yang andal — pilih WeVisOne-VL-4B dan siapkan anggaran untuk GPU. Pahami bahwa Anda bekerja dari makalah berusia dua hari tanpa evaluasi independen, dan bahwa angka matting tersebut milik Tencent sendiri.

Jika Anda membutuhkan keduanya, Anda memerlukan dua model. Itulah kesimpulan yang jujur, dan itulah yang didukung oleh tabel benchmark milik kedua vendor sendiri: mereka mengoptimalkan untuk hal yang berbeda dan tidak ada yang mencoba mengalahkan yang lain.