WeVisOne-VL-2B vs MiniCPM-V 4.7 1B: 0,45B di differenza, ruoli diversi

I nomi suggeriscono un divario di due a uno. I checkpoint no. MiniCPM-V 4.7 1B arriva con 1.554.476.272 parametri in bfloat16, e WeVisOne-VL-2B ne conta circa 2 miliardi — quindi la distanza reale tra loro è di circa 0,45 miliardi di parametri, non un miliardo. Metteteli sullo stesso disco e occuperebbero uno spazio paragonabile. Metteteli sullo stesso compito e crollano completamente, perché MiniCPM-V 4.7 1B è stato costruito per leggere un documento, guardare un video e conversare al riguardo, mentre WeVisOne-VL-2B è stato costruito per trovare un oggetto e restituire una maschera.

Entrambi sono Apache 2.0. Entrambi sono abbastanza piccoli da interessare chi costruisce su una singola GPU. Entrambi sono recenti — MiniCPM-V 4.7 1B è stato caricato il 6 ottobre 2026 e datato 12 ottobre nelle note di rilascio di OpenBMB, WeVisOne-VL-2B il 22 ottobre. È questa combinazione di somiglianza e differenza a rendere l'abbinamento degno di una pagina: quasi ogni specifica di punta è vicina, e quasi ogni uso reale non lo è.

Prima i nomi, corretti

La denominazione di OpenBMB è imprecisa in un modo che ha già creato confusione nelle tabelle di confronto. Il modello chiamato 1B ha 1,55 miliardi di parametri secondo i suoi stessi metadati safetensors; i materiali del fornitore hanno citato 1,3 miliardi e 1,38 miliardi in punti diversi. La finestra di contesto di 262.144 token è reale ed è impostata nella configurazione del modello. L'architettura è una backbone testuale a 24 layer con 1024 dimensioni nascoste, derivata da Qwen3.5, con uno schema 3:1 di attenzione lineare rispetto a quella completa, abbinata a una torre visiva in stile SigLIP2 a 27 layer che lavora su tile da 980 pixel, oltre a una modalità selezionabile di compressione dei token visivi 4× o 16× che riduce il dettaglio per contenere il costo per richiesta.

La nomenclatura di Tencent è più precisa. WeVisOne-VL-2B è un modello da 2 miliardi di parametri basato su Qwen3-VL, con un decodificatore di pixel separato da 9.511.460 parametri che la scheda definisce «un componente centrale obbligatorio, non un componente aggiuntivo opzionale». Il decodificatore non è un dettaglio trascurabile nell'ottica del deployment: senza di esso il modello produce box e punti, e nessuno degli output di maschera o matte esiste.

Quindi l'inquadramento corretto non è piccolo contro grande. È 1,55B contro 2B — una differenza del 29 percento nei pesi — con contratti di output completamente diversi.

Due vocabolari di benchmark che non si incontrano mai

Questo è l'aspetto su cui la maggior parte dei confronti sbaglia, quindi vale la pena dichiararlo prima che compaia qualsiasi numero. OpenBMB valuta MiniCPM-V 4.7 1B su benchmark multimodali generali: 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 e MotionBench 54.55. Si tratta di cifre prodotte dal fornitore, presentate per lo più come grafici anziché come una tabella con i dettagli dell'harness, e nessun ente indipendente le ha riprodotte.

Tencent valuta WeVisOne-VL-2B su benchmark di percezione e non riporta alcun punteggio multimodale generale. Non c'è MMMU, non c'è MMBench, non c'è MathVista, non c'è DocVQA e nessun risultato di captioning in nessuna delle sue sette tabelle. Ciò che riporta invece è specifico per attività: F1 di rilevamento, exact-match del conteggio, F1 di pointing, F1 di localizzazione OCR, cIoU di segmentazione ed errore di matting.

Il conflitto è più netto sull'OCR, perché entrambi i modelli dichiarano di svolgerlo. L'86,1 di MiniCPM è OCRBench — un punteggio di trascrizione, che chiede se il modello ha letto correttamente i caratteri. I numeri OCR di WeVisOne sono F1 di localizzazione con una soglia IoU di 0,5: 62,1 su SROIE, 42,6 su ICDAR2015, 42,5 su TotalText e 30,5 su HierText, misurando se il modello ha disegnato il riquadro giusto attorno al testo. Un modello può essere eccellente in uno e mediocre nell'altro. Stampare "86,1 contro 62,1" equivarrebbe a confrontare un test di ortografia con un test di indicazione.

Non esiste un benchmark sul quale entrambi i modelli riportino un numero calcolato allo stesso modo. Non è un artificio retorico — è il risultato centrale di questo confronto, e significa che qualsiasi classifica tu veda di questi due è composta da parti incommensurabili.

Cosa si può ottenere con 262.144 token e cosa WeVisOne non dirà

MiniCPM-V 4.7 1B pubblica un contesto di 262,144 token e un percorso video che accetta fino a 128 frame per impostazione predefinita, con una slice per frame. È una macchina per documenti e video: PDF lunghi, scansioni di più pagine, un minuto di filmato. L'interruttore di compressione 4× e 16× esiste proprio perché mantenere così tanti dettagli visivi è costoso, e OpenBMB ti consente di scegliere quanto conservarne per ogni richiesta.

WeVisOne-VL-2B non pubblica alcuna lunghezza di contesto. La scheda tace; le fasi di addestramento del paper giravano a 4.096 e 8.192 token, e l'inferenza limita ciascuna immagine a 1.960 token visivi con decodifica greedy. Nessuno di questi è una finestra di deployment, e Tencent non finge che lo sia. Rifiuta inoltre del tutto le griglie video — il decoder pixel è solo immagini, a turno singolo, senza chain-of-thought.

Quell'asimmetria ti dice su cosa ha puntato ciascun fornitore. OpenBMB ha puntato su quanto input può inghiottire un singolo modello. Tencent ha puntato su quanto precisamente un singolo modello riesce a indicare ciò che ha inghiottito, e poi ha tracciato un confine netto attorno al tipo di input per mantenere semplice il decoder.

Dove ognuno viene effettivamente eseguito

MiniCPM-V 4.7 1B ha una superficie di distribuzione di gran lunga più ampia: Transformers 5.18 e successivi, vLLM, SGLang, llama.cpp e Ollama, con build GGUF, AWQ, GPTQ, FP8, bitsandbytes e OpenVINO, oltre al supporto per iOS, Android e HarmonyOS e all'abilitazione day-zero dei chip da un elenco di fornitori che include Rockchip, Arm e Apple. OpenBMB distribuisce anche un modello draft DSpark separato da 213 milioni di parametri per il decoding speculativo.

WeVisOne-VL-2B ha il proprio pacchetto GitHub, un percorso Transformers, e vLLM e SGLang elencati sulla scheda. Nessun GGUF. Nessuna build quantizzata. Nessun ONNX. Nessuna soluzione mobile. E l'output denso è una alpha matte a stride 1 e risoluzione piena, il che significa che la memoria scala con l'immagine anziché con il numero di parametri — un modello da 2B economico da mantenere in memoria e non necessariamente economico da eseguire a 4K.

Se il tuo obiettivo è un telefono, questa sezione chiude il confronto. MiniCPM è stato costruito per quel vincolo e lo dichiara nella sua lista di formati. WeVisOne no, e non pretende di esserlo.

L'unico punto in cui sono alla pari: la licenza

Apache 2.0 su entrambi. Nessuna soglia di ricavi, nessuna restrizione di campo d'uso, nessun accordo commerciale separato. In una categoria in cui Liquid AI usa la propria licenza con tetto sui ricavi e Moondream usa una licenza source-available con una concessione che esclude i servizi di terze parti, due modelli di visione Apache 2.0 di questa dimensione meritano attenzione — significa che la licenza non è la variabile decisiva qui, cosa abbastanza insolita da dirla ad alta voce.

Il pareggio elimina anche il motivo più comune per cui i team scelgono il modello più piccolo. Se entrambi superano la revisione legale, la scelta si basa su capacità e implementazione, non sulle condizioni contrattuali.

Scegliere tra loro

Chiediti a cosa alimenta l'output. Se alimenta un archivio documenti, una finestra di chat, un indice video o un modello linguistico a valle, MiniCPM-V 4.7 1B è la forma che fa per te: genera testo in abbondanza, gestisce input lunghi ed è distribuito in formati che girano su hardware consumer.

Se alimenta una pipeline di compositing, un editor di immagini, un processo di pulizia di catalogo o un ritaglio di regione di interesse, WeVisOne-VL-2B è la soluzione che fa per te: box, punti, maschere binarie e matte alpha continui, più un comportamento di rifiuto che conta più di qualsiasi benchmark. Tencent riporta un tasso di rifiuto del 50,2% su RefCOCOg per query su oggetti assenti, contro 0,5 e 0,6 per due modelli di grounding specializzati sulla stessa tabella. Se la maggior parte delle tue immagini non contiene ciò che stai cercando, quel numero è quello che ti fa risparmiare denaro.

C'è un terzo caso in cui si compongono anziché competere: una pipeline documentale in cui MiniCPM legge la pagina e WeVisOne individua la regione — la firma, il timbro, la foto del prodotto — che la fase di lettura deve isolare. Non è tanto un problema di routing quanto di progettazione della pipeline, ed è qui che il prodotto OrcaRouter è davvero utile anziché essere un'aggiunta posticcia. Nessuno di questi modelli è nel nostro catalogo; entrambi sono self-hosted, e non intendiamo insinuare il contrario. Ciò che forniamo è la metà ospitata: oltre 200 modelli dietro un'unica chiave API al prezzo di listino del provider, senza ricarichi, failover automatico quando un provider si degrada, e fusione di modelli, che consente a un panel di modelli di rispondere insieme alla stessa domanda — utile quando una trascrizione sta per entrare in un database e si desidera un secondo parere prima che lo faccia.

Il numero da ricordare

Non 1B e 2B — 1,55B e 2B. La denominazione li fa sembrare classi di peso diverse e i checkpoint li fanno sembrare quasi vicini, ed entrambe le impressioni sono fuorvianti. Ciò che separa MiniCPM-V 4.7 1B da WeVisOne-VL-2B non è la dimensione, la licenza o persino la recentezza. È che uno restituisce parole e l'altro restituisce pixel, e nessun benchmark pubblicato da nessuno dei due fornitori può essere sottratto a quello dell'altro per dirti quale sia migliore nell'essere ciò di cui hai bisogno.