Una hero card generata con il titolo "MiniCPM-V 4.7 vs LLaDA-UI" e il sottotitolo "Un generalista pronto per il telefono contro un agente GUI a diffusione", una card a sinistra con scritto "LLaDA-UI: MoE da 16,7B, diffusione a blocchi, agente GUI, ScreenSpot-Pro 52,9", una card a destra con scritto "MiniCPM-V 4.7: MoE sparse da 35,2B, autoregressivo, Apache-2.0, nessuna tabella di punteggi", e una pill con scritto "Uno specialista valutato contro un generalista non valutato". Il logo OrcaRouter compare in basso a destra.
Guides & Insights

MiniCPM-V 4.7 vs LLaDA-UI: un generalista pronto per il telefono contro un agente GUI a diffusione

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Metti MiniCPM-V 4.7 accanto a LLaDA-UI e l'ovvia inquadratura — generalista contro specialista — si rivela il modo meno utile di leggere il confronto. MiniCPM-V 4.7, che OpenBMB ha documentato e concesso in licenza il 12 ottobre 2026, è un modello visione-linguaggio sparse mixture-of-experts da 35,2 miliardi di parametri la cui intera argomentazione è l'efficienza: la scheda dichiara oltre 13 token al secondo su un iPhone 17 Pro Max e una posizione di prestazioni per tempo di inferenza migliore rispetto a Qwen3.6 35B-A3B. LLaDA-UI, l'agente GUI mixture-of-experts di inclusionAI da circa 16,7 miliardi di parametri, è una specie completamente diversa — non genera affatto token da sinistra a destra, esegue il denoising di un blocco di essi in una volta sola. La domanda che uno sviluppatore si pone davvero è più ristretta di "quale sia migliore": è quale dei due sia stato misurato sul lavoro per cui lo stai assumendo, e su quali prove.

Le due basi di prove non sono lo stesso tipo di cosa

Entrambi i modelli sono stati sottoposti a benchmark dai fornitori, e nessuno dei due è stato riprodotto in modo indipendente. Oltre a ciò, il confronto si divide.

• MiniCPM-V 4.7 — la sezione di valutazione della sua model card è composta da cinque immagini: le prestazioni complessive vision-linguaggio, le prestazioni linguistiche, il grafico della variante 1B, un grafico della frontiera prestazioni/tempo di inferenza e un confronto della velocità on-device. Il testo scritto formula due affermazioni, entrambe comparative anziché assolute. Nella documentazione pubblica non è presente alcuna tabella dei punteggi per singolo benchmark.

• LLaDA-UI — il rapporto tecnico, l'articolo arXiv e la pagina del progetto forniscono benchmark denominati con baseline denominate: ScreenSpot-Pro 52,9 contro il 52,7 di Qwen3-VL-8B, AndroidWorld 53,5 contro 47,9, MobileWorld 25,6 contro 9,4, WebVoyager 56,9 contro 45,2, con ScreenSpot-V2 descritto come vicino e OSWorld-Verified inquadrato da inclusionAI stessa come il divario rimanente.

• Che cosa significa in pratica — un modello pubblica numeri a livello di attività che puoi contestare, e l'altro pubblica un composito che non puoi scomporre. "Punteggio complessivo più alto in meno tempo di inferenza" è un'affermazione su un grafico, e la ponderazione alla base del composito non è pubblicata. Un punteggio ScreenSpot-Pro di 52,9 è un'affermazione su un test definito con un protocollo definito.

• Nessuno dei due è verificato in modo indipendente — i dati di LLaDA-UI provengono dalla sua pagina di progetto e dal rapporto tecnico; i dati di MiniCPM-V 4.7 provengono da grafici realizzati dal fornitore. Considerare l'uno o l'altro come definitivo sarebbe un errore, ma considerarli ugualmente informativi sarebbe un errore diverso.

Cosa è realmente ciascun modello

Il divario architetturale è più ampio di quanto i conteggi dei parametri lascino intendere, e determina la maggior parte delle differenze pratiche a valle.

• Base — MiniCPM-V 4.7 utilizza un qwen3_5_moe_text come backbone con 256 esperti, 8 attivi per token, 40 livelli e uno schema di attenzione da lineare a completa in rapporto tre a uno; LLaDA-UI si basa su LLaDA2.0-mini-base, un modello linguistico a diffusione mascherata.

• Generazione — MiniCPM-V 4.7 è autoregressivo, un token alla volta; LLaDA-UI decodifica a blocchi, eseguendo il denoising di un intero blocco di posizioni di output in parallelo e ricostruendo in condizioni bidirezionali all'interno di quel blocco.

• Parametri — 35,2 miliardi in totale per MiniCPM-V 4.7, con 8 esperti attivi su 256 per token; circa 16,7 miliardi in totale per LLaDA-UI come mixture of experts.

• Contesto — 262.144 token di posizione massima per MiniCPM-V 4.7; la scheda di LLaDA-UI documenta un valore predefinito di --max-length pari a 8192 per il suo script di inferenza, che deve essere aumentato in presenza di screenshot di grandi dimensioni.

• Visione — MiniCPM-V 4.7 utilizza una torre a 27 livelli e larghezza 1.152 con patch 14 e dimensione immagine 980, con compressione mista dei token 4x/16x; LLaDA-UI utilizza un ViT a risoluzione nativa inizializzato da SigLIP con embedding rotazionali 2D e una fusione spaziale quattro-a-uno in un MLP a due livelli, esplicitamente per preservare le proporzioni di screenshot di telefoni, desktop e web.

• Output — MiniCPM-V 4.7 produce testo, con la comprensione di immagini e video come lato di input; LLaDA-UI produce coordinate normalizzate in un intervallo da 0 a 999 e sequenze etichettate di ragionamento e azione destinate all'esecuzione.

• Licenza — Apache-2.0 per MiniCPM-V 4.7, dichiarata il 12 ottobre; nessuna licenza è indicata in alcun punto della pagina del progetto LLaDA-UI né nella model card.

Quell'ultimo punto non è una nota a piè di pagina se stai per rilasciare. Uno di questi due puoi metterlo in un prodotto commerciale oggi senza dover parlare con nessuno; l'altro no.

La decodifica è dove risiede la vera divisione

La diffusione a blocchi è la ragione per cui LLaDA-UI esiste come linea di lavoro separata anziché come un altro fine-tune. In un loop agente autoregressivo, ogni token di azione dipende da ogni token che lo precede, quindi la coordinata del clic alla fine di una risposta dipende dal ragionamento che la precede. In un agente a diffusione, il blocco viene raffinato come unità, e la conseguenza pratica che inclusionAI sta vendendo è la latenza: in un test API appaiato la pagina del progetto riporta da 4,8 a 6,4 secondi contro i 17-53 secondi di Qwen3-VL-8B, descritti come speedup medi di 3,58x sul web, 6,83x su desktop e 8,95x sugli input mobili, emettendo al contempo più token per chiamata. Sugli input MobileWorld le medie riportate sono 5,9 secondi contro 53,0.

Quelli sono numeri misurati dal fornitore, appaiati e non in cache, sul banco di prova del laboratorio stesso, e vanno letti come tali. Ma la direzione merita di essere presa sul serio anche con questa avvertenza, perché i cicli degli agenti moltiplicano la latenza. Un agente di interfaccia che compie dieci passi paga dieci volte il costo per passo, e una differenza di dieci secondi per passo è la differenza tra una demo e un prodotto.

MiniCPM-V 4.7 affronta lo stesso problema dal lato opposto. Mantiene la decodifica autoregressiva e rende ogni passo economico tramite la pianificazione degli esperti — un predittore cross-layer precarica gli esperti di cui il livello successivo avrà probabilmente bisogno, dando priorità a quelli che il router reale ha effettivamente selezionato, con la scheda che dichiara esplicitamente che la previsione guida solo il prefetch e che l'instradamento interno del modello governa ancora il calcolo. Aggiungi la quantizzazione layer-wise e il campionamento speculativo DSpark e l'affermazione è di oltre 13 token al secondo per un MoE da 35 miliardi di parametri su un cellulare. Meccanismo diverso, stesso obiettivo: rendere il ciclo abbastanza veloce da poter essere eseguito su un dispositivo.

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.'

In cosa ciascuno è bravo, formulato nel modo più ristretto consentito dalle prove.

• Scegli LLaDA-UI quando il compito riguarda un'interfaccia — cliccare, digitare, navigare in un'app mobile, una finestra desktop o una pagina web. È quello dei due che dispone di punteggi pubblicati di grounding e navigazione, una convenzione di coordinate documentata e richieste di esempio già pronte per mobile, desktop e web.

• Scegli MiniCPM-V 4.7 quando il compito è comprendere — descrivere una fotografia, leggere un documento, analizzare un PDF, rispondere a una domanda su un video, essere eseguito su hardware di tua proprietà. È quello dei due con un'attenzione documentata a OCR, analisi di PDF e visual grounding nel suo cookbook, con supporto nativo su SGLang, vLLM, llama.cpp e Ollama, e con varianti quantizzate pubblicate per il download.

• La sovrapposizione è minore di quanto sembri — la scheda di MiniCPM-V 4.7 elenca il visual grounding come guida di riferimento ma non pubblica alcun punteggio di grounding. La scheda di LLaDA-UI riguarda un solo compito. Se il tuo carico di lavoro è l'automazione della GUI, stai confrontando uno specialista misurato con un generalista non misurato; se il tuo carico di lavoro è la comprensione di documenti e immagini, stai confrontando un generalista documentato con un modello che non è mai stato progettato per farlo.

• L'attrito nel deployment va nella direzione opposta — MiniCPM-V 4.7 offre checkpoint GGUF, AWQ, GPTQ, int4 e FP8, oltre a un percorso OpenVINO e a un supporto day-0 dichiarato per i chip Rockchip, Houmo, Intel, AMD e Arm. Il percorso di serving di LLaDA-UI richiede le patch di diffusione multimodale SGLang proprietarie del laboratorio e il suo serve_llada_ui.sh; la model card afferma chiaramente che il server non può essere avviato da un'installazione SGLang standard.

La questione dei costi che nessuno pubblica

Nessuno dei due modelli ha un prezzo pubblico per token, perché nessuno dei due è un endpoint ospitato che noleggi al milione di token. Li ospiti entrambi, il che significa che il costo è il tuo hardware e la tua latenza. Questo inquadra diversamente la scelta: un checkpoint da 16,7 miliardi di parametri a circa 32 GB in BF16 è un impegno sostanzialmente minore rispetto a uno da 70 GB e 35 miliardi di parametri, e se l'attività dell'agente richiede solo il modello più piccolo, quello più grande non ti offre nulla su quel carico di lavoro.

Il caso ibrido è quello in cui un livello di routing si guadagna il suo posto. Esegui localmente il modello piccolo e specifico per il lavoro ordinario di interfaccia, e affidare i frame davvero difficili — uno screenshot denso, un documento insolito, una domanda che richiede la conoscenza del mondo di un modello più grande — a un endpoint ospitato. OrcaRouter mette più di 200 modelli ospitati dietro un'unica chiave con il prezzo di listino di ogni provider trasferito con 0% di ricarico e failover automatico quando un provider peggiora, e il suo DSL di routing consente a una singola chiamata di distribuire un caso difficile su più di un modello quando la risposta deve essere giusta piuttosto che economica. Né MiniCPM-V 4.7 né LLaDA-UI vengono serviti attraverso di esso — entrambi sono checkpoint open-weights che esegui tu stesso, e il router è ciò che si trova dall'altra parte di quel passaggio.

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.

Tre domande a cui vale la pena rispondere prima di impegnarti

Il vantaggio di velocità di LLaDA-UI è reale sul tuo hardware? Le cifre da 3 a 9 volte sono misurazioni appaiate, senza cache, eseguite sull'harness del laboratorio stesso rispetto a una sola baseline. La diffusione a blocchi ha caratteristiche di memoria diverse dalla decodifica autoregressiva, e un guadagno di velocità misurato sulla GPU del fornitore non si trasferisce automaticamente alla tua. Questo è l'unico numero che vale maggiormente la pena riprodurre prima di costruirci sopra.

MiniCPM-V 4.7 può davvero essere indirizzato a un compito di interfaccia? Plausibilmente — è un modello visione-linguaggio con strumenti di grounding documentati — ma la scheda non pubblica alcun benchmark per agenti GUI, nessuna convenzione di coordinate e nessun vocabolario di azioni. Costruire oggi su di esso un agente GUI significa definire da soli il formato di output e sperare che il modello lo rispetti. LLaDA-UI ha risolto quel problema deliberatamente, con ragionamento etichettato più output di azioni e vocabolari per piattaforma.

Quale dei due sarà ancora supportato tra sei mesi? OpenBMB ha rilasciato un'intera famiglia attorno a MiniCPM-V 4.7 — due varianti di base, cinque formati di quantizzazione, due modelli draft DSpark, un cookbook e un repository per il deployment edge — in meno di una settimana, con termini Apache-2.0. LLaDA-UI ha un report tecnico, un paper arXiv, una pagina di progetto e un repository di codice, e nessuna licenza dichiarata. L'ampiezza dell'infrastruttura circostante è un indicatore ragionevole di quanto un laboratorio intenda mantenere in vita qualcosa.

Il verdetto

Questi due non sono sostituti, e la raccomandazione onesta discende da ciò, non dal numero di parametri. Se stai costruendo automazione di interfacce, LLaDA-UI è il prodotto più rifinito nonostante sia il modello più piccolo — misurato sul compito, con un formato di output documentato e un percorso di serving, e comporta il rischio di licenza che devi risolvere prima del rilascio. Se stai costruendo qualcosa che comporta guardare immagini, leggere documenti o funzionare su un telefono, MiniCPM-V 4.7 è quello con l'ecosistema, la licenza permissiva e la storia di deployment, e le sue affermazioni di efficienza sono esattamente così solide come può renderle un grafico non riprodotto. I team che necessitano di entrambi li eseguono insieme, e il livello di routing è la parte meno costosa di questa soluzione.

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.