MiniCPM-V 4.7 vs WeVisOne-VL-4B: un paragrafo o un poligono

Il modo più rapido per scegliere tra MiniCPM-V 4.7 e WeVisOne-VL-4B è guardare ciò che restituiscono. WeVisOne-VL-4B restituisce coordinate: box normalizzati su una griglia di mille punti, punti, maschere di istanza e matte alpha a risoluzione piena prodotti da un decoder da 9,6 milioni di parametri montato su un backbone Qwen3-VL. MiniCPM-V 4.7 restituisce frasi, pagine di frasi, in un contesto da 262.144 token che può contenere un video. Uno dei due è un componente di percezione da collegare a una pipeline. L'altro è un lettore a cui poni domande. Entrambi sono Apache-2.0, entrambi provengono da laboratori cinesi, entrambi rilasciati nell'ottobre 2026 con quasi nessuna copertura da parte della stampa specializzata inglese, e a malapena appartengono alla stessa categoria di prodotto.

I due sono arrivati in modi molto diversi. Il team WeChat Vision di Tencent ha pubblicato WeVisOne-VL-4B su Hugging Face e GitHub il 22 ottobre 2026, insieme a un paper su arXiv e a un modello gemello da 2B, senza alcun post sul blog né comunicato stampa. OpenBMB ha caricato MiniCPM-V 4.7 il 6 e 7 ottobre, ha datato il rilascio al 12 ottobre nel proprio repository e lo ha annunciato con un comunicato PR Newswire in inglese il 15 ottobre, che ha prodotto una copertura sulla stampa di settore in inglese sorprendentemente scarsa. Uno è arrivato come repository; l'altro come repository più un comunicato diffuso via agenzia. La maggior parte dei confronti tra i due sbaglia la categoria prima ancora di sbagliare i numeri.

Due risposte alla stessa domanda

WeVisOne-VL-4B è un fine-tuning di Qwen3-VL che emette geometria sotto forma di token. I box e i punti sono codificati come token decimali da 0 a 1000, normalizzati rispetto all'immagine, e dopo ogni box previsto il modello emette un token speciale il cui hidden state alimenta un decoder di maschere separato: un adattatore di feature visive, sei blocchi di cross-attention deformabile e una testa a cascata che affina a stride quattro, due e uno. Il risultato è una maschera di istanza e, per le attività di matting, un canale alpha a risoluzione piena. Non c'è un secondo modello nel loop né una chiamata a SAM; l'intero percorso pixel è sotto i dieci milioni di parametri collegati al modello linguistico. È di 4,83 miliardi di parametri in bfloat16, che la model card arrotonda a 5B, e accetta un'immagine per turno — le griglie video vengono rifiutate direttamente dal decoder pixel.

MiniCPM-V 4.7 è un generalista in due dimensioni. Il 35B-A3B memorizza 35,2 miliardi di parametri su 256 esperti, ne instrada otto per token per circa 3 miliardi attivi e dispone di un contesto di 262.144 token con input a immagine singola, immagini multiple e video. Il modello 1B è un modello denso da 1,55 miliardi di parametri con la stessa lunghezza di contesto e un checkpoint BF16 da 3,1 GB. Entrambi condividono una torre visiva SigLIP2 a 27 strati con compressione mista dei token visivi 4× e 16×, il meccanismo che consente a un contesto di un quarto di milione di token di rimanere sostenibile. Nessuno dei due dispone di una primitiva di pointing, rilevamento o segmentazione. Puoi chiedere a uno dei due dov'è il gatto e otterrai una descrizione di dove si trova il gatto.

Questa differenza non è estetica. Determina se il tuo codice downstream interpreta JSON o prosa, se una risposta errata fallisce in modo evidente o silenzioso, e se il modello può essere composto con qualsiasi altra cosa senza un secondo modello che ne corregga l'output.

I numeri, e l'errore di categoria in agguato al loro interno

Ogni dato riportato di seguito è dichiarato dal fornitore. Quelli di Tencent provengono dal paper e dal README, con l'insieme di confronto scelto dagli autori e nessuna riproduzione di terze parti. Quelli di OpenBMB provengono dalla pagina del modello del fornitore, pubblicati come testo e immagini di grafici anziché come tabella numerica. Nessuno dei due laboratori dispone di un punteggio indipendente per questi modelli su un harness condiviso.

• Rilevamento, LVIS F1 — WeVisOne-VL-4B 55,3 contro il miglior baseline elencato dagli autori a 50,7. MiniCPM-V 4.7 non pubblica alcun valore di rilevamento.

• {{1}}Rilevamento denso{{/1}}, {{2}}Dense200 F1{{/2}} — 71,3 per {{3}}WeVisOne{{/3}} contro 58,7 della migliore baseline, e 15,2 per {{4}}Qwen3-VL-4B{{/4}} non modificato. Quell'ultima riga è la più interessante del paper: il fine-tuning è ciò che trasforma un generalista in un localizzatore.

• Referring, F1 sul test RefCOCOg — 81,8 per WeVisOne-VL-4B contro 77,6 per la baseline più forte elencata dagli autori. È sul tasso di rifiuto per le query con target assente che dovresti guardare per primo: 67,4 per cento su RefCOCOg-Rej, 96,4 per cento su WeRef-Bench interno e 52,6 per cento su PR-Bench. Stesso modello, tre risposte diverse, perché le distribuzioni differiscono.

• Conteggio, PixMo-Count — 89,6 contro 82,8. Segmentazione, ReasonSeg val gIoU — 71,2 contro 65,0.

• Matting, differenza media assoluta di P3M-500-NP — 7,3 contro 15,4, dove un valore più basso è migliore, ovvero circa la metà dell'errore del miglior baseline di matting realizzato appositamente con cui gli autori si sono confrontati.

Lettura, OCRBench — 91,2 per MiniCPM-V 4.7 35B-A3B e 86,1 per il modello 1B, contro un F1 di TotalText pari a 52,0 per WeVisOne-VL-4B.

Quell'ultimo punto è la trappola. OCRBench misura il riconoscimento del testo; TotalText F1 misura la localizzazione del testo. Mettere 86,1 accanto a 52,0 e dichiarare una vittoria di 34 punti è un errore di categoria, ed è il tipo di errore che viene copiato da un post di confronto all'altro. L'affermazione onesta è che i due modelli non sono stati testati sullo stesso compito, e l'unica cosa che i numeri stabiliscono è che MiniCPM è costruito per trascrivere e WeVisOne è costruito per localizzare.

La memoria è il vero prezzo

WeVisOne-VL-4B è un checkpoint bfloat16 da 9,66 GB prima del suo mask decoder, e Tencent non distribuisce alcuna variante quantizzata. Il valore di 19 GB sulla scheda di confronto corrisponde allo stesso checkpoint convertito in F32, il che lo raddoppia; in ogni caso serve comunque il codice di inferenza personalizzato: mask_decoder.pt è un componente obbligatorio, non un componente aggiuntivo opzionale, e un caricamento standard di Transformers fornisce box e testo ma nessuna maschera. I percorsi di serving documentati sono il pacchetto di inferenza del progetto stesso, che avvolge un backend Transformers o un backend vLLM, più una demo Gradio; la decodifica greedy e un limite di 1.960 token visivi per immagine sono le impostazioni di valutazione. Questo è un servizio GPU.

MiniCPM-V 4.7 35B-A3B pesa circa 70 GB di pesi BF16 distribuiti su sedici shard, il che è peggio sulla carta e meglio nella pratica perché solo circa 3 miliardi di parametri sono attivi per token. La proposta complessiva di OpenBMB è che gli esperti inattivi possano essere trasmessi in streaming dallo storage invece di essere tenuti in memoria, usando Lookahead Expert Scheduling per precaricare gli esperti di cui il layer successivo probabilmente avrà bisogno, oltre alla quantizzazione per layer e alla decodifica speculativa DSpark. La dichiarazione del fornitore è di 13 o più token al secondo su un iPhone 17 Pro Max usando circa 3 GB di memoria. Nessun soggetto indipendente l'ha riprodotto, e la dichiarazione dipende dal fatto che tutte e tre le tecniche funzionino insieme, non da una sola di esse.

Il modello 1B cambia completamente l'economia: 3,1 GB in BF16, circa 0,67 GB come Q4_K_M GGUF, ed è per questo che l'esp32-eye cat monitor può eseguirlo su un MacBook come gate che scatta al massimo ogni 1,5 secondi. La stessa build ha rilevato che il modello 1B non era affidabile nel distinguere quattro gatti simili, quindi è un rilevatore di presenza più che un riconoscitore fine — un confine utile per chiunque intenda usarlo come classificatore a basso costo.

Detto chiaramente: WeVisOne compra la geometria con 9,66 GB e una GPU. MiniCPM compra la lettura con 70 GB o 3 GB a seconda della dimensione che scegli, e un runtime di classe smartphone se le affermazioni di OpenBMB sulla pianificazione reggono.

Cosa si rompe in produzione

Le modalità di fallimento di WeVisOne sono documentate e specifiche. La qualità dell'alpha si degrada su bordi fini, occlusioni pesanti e materiali davvero trasparenti. Il modello è sensibile alla formulazione del prompt, quindi "the woman's hair" e "her hair" non è garantito che restituiscano la stessa matte. Non può elaborare video, non ha chain-of-thought, quindi non c'è modo di chiedergli di ragionare su una query ambigua prima di consolidare un box, e il suo comportamento di rifiuto ha un punto debole che il numero di punta del paper nasconde: 96,4 per cento su WeRef-Bench ma circa 52,6 per cento su PR-Bench. Un componente che rifiuta i target assenti la maggior parte delle volte è utile; uno che li rifiuta metà delle volte su una distribuzione diversa ha bisogno di una salvaguardia.

Le modalità di fallimento di MiniCPM-V 4.7 sono quelle del generalista: descrive un'immagine in modo fluente indipendentemente dal fatto che la descrizione sia fondata, e non esiste affatto un canale di rifiuto. Nulla nella scheda ti dice quando il modello non sa. Per un lettore è tollerabile — un umano legge il paragrafo. Per una pipeline che ha bisogno di un riquadro, è squalificante, perché dovresti trasformare prosa in coordinate e sperare.

Se questa settimana ti serve un modello di visione generale ospitato anziché uno specialista self-hosted, nessuno dei due è nel catalogo di OrcaRouter, e vale la pena dirlo prima della presentazione: la soluzione pratica è un modello di uso generale ospitato, richiamato tramite una chiave per oltre 200 modelli con 0% di ricarico sui prezzi di listino dei provider, con failover automatico se un endpoint upstream vacilla. Questo ti dà una pipeline funzionante; non ti darà alpha matte, ed è un prodotto diverso da entrambi i modelli di cui tratta questa pagina.

Scegliere tra loro

Scegli WeVisOne-VL-4B se il tuo output è geometria: contare oggetti su uno scaffale di un negozio, ritagliare un prodotto da una foto, evidenziare una regione per un utente, oppure rifiutare quando l'oggetto non c'è. Il valore di matting è davvero insolito, il canale di rifiuto è una vera funzionalità ingegneristica, e i 9,66 GB sono il prezzo di un componente che restituisce qualcosa che un programma può usare.

Scegli MiniCPM-V 4.7 35B-A3B se il tuo output è la comprensione: un PDF lungo, una dashboard, un video, una pagina di testo e figure miste. Scegli il 1B se ti serve un filtro economico davanti a qualcosa di più costoso, e non chiedergli di distinguere due gatti simili.

Il confronto che chiarirebbe davvero la questione non esiste ancora: un harness indipendente che esegua entrambi i modelli sullo stesso set di rilevamento e OCR, con lo stesso budget di immagini. Finché qualcuno non lo pubblica, la posizione difendibile è quella noiosa: questi modelli svolgono compiti diversi, le tabelle dei fornitori non si sovrappongono, e l'unico numero che dovrebbe influenzare la tua decisione è la dimensione di ciò che devi distribuire.