見出しが「MiniCPM-V 4.7 vs LLaDA-UI」、サブタイトルが「スマホで動く汎用モデル対拡散型GUIエージェント」の生成されたヒーローカード。左のカードには「LLaDA-UI: 16.7B MoE、ブロック単位拡散、GUIエージェント、ScreenSpot-Pro 52.9」、右のカードには「MiniCPM-V 4.7: 35.2BスパースMoE、自己回帰、Apache-2.0、スコア表なし」、ピルには「計測済みの専門家対未計測の汎用モデル」。OrcaRouterのロゴが右下に表示される。
Guides & Insights

MiniCPM-V 4.7 vs LLaDA-UI:スマホ対応の汎用モデルと拡散型GUIエージェントの対決

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

MiniCPM-V 4.7をLLaDA-UIと並べてみると、すぐに思い浮かぶ「汎用型 対 特化型」という枠組みが、実はそれらを見るうえで最も役に立たない方法であることが分かります。OpenBMBが10月12日にライセンスしたMiniCPM-V 4.7は、352億パラメータのスパースなMixture-of-Experts視覚言語モデルで、その主眼は効率性にあります。モデルカードでは、iPhone 17 Pro Maxで毎秒17トークン以上、推論時間あたりの性能でQwen3.6 35B-A3Bより良い位置づけだと主張しています。inclusionAIの約167億パラメータのMixture-of-ExpertsエージェントであるLLaDA-UIは、まったく別種です。トークンを左から右へ生成するのではなく、一度にまとまったブロックをノイズ除去します。ユーザーが抱く問いは「どちらが優れているか」よりも狭いものです。それは、あなたが任せようとしている業務でどちらが測定されており、何で測定されているのか、という問いです。

その2つのエビデンスベースは同じ種類のものではない。

両モデルはベンダーがベンチマークしたもので、どちらも独立して再現されてはいない。そこから先は、比較が分かれる。

• MiniCPM-V 4.7——そのモデルカードの評価セクションは5つの画像で構成されている。全体の視覚言語性能、言語性能、1Bバリアントのチャート、推論速度対性能のフロンティアプロット、オンデバイスでの速度比較である。本文では2つの主張が述べられているが、いずれも絶対的ではなく比較的なものである。公開ドキュメントにはベンチマーク別のスコア表はない。

• LLaDA-UI — 技術レポート、arXiv論文、プロジェクトページには、名前付きのベンチマークと名前付きのベースラインが示されている。ScreenSpot-Proは52.9でQwen3-VL-8Bの52.7に対し、AndroidWorldは53.5で47.9に対し、MobileWorldは25.6で9.4に対し、WebVoyagerは56.9で45.2に対し、ScreenSpot-V2は肉薄と評され、OSWorld-VerifiedはinclusionAI自身によって残るギャップと位置づけられている。

• これが実際に何を意味するか——一方のモデルは、異論を唱えられるタスク単位の数値を公表しており、もう一方は分解できない合成指標を公表している。「より短い推論時間でより高い総合スコア」はグラフについての主張であり、その合成指標の背後にある重み付けは公開されていない。ScreenSpot-Proのスコア52.9は、定義されたプロトコルを持つ定義済みのテストについての主張である。

• どちらも独立して検証されているわけではない — LLaDA-UIの数値は同プロジェクトのページと技術レポートに由来し、MiniCPM-V 4.7の数値はベンダーが作成した図表に由来する。どちらか一方を確定したものとして扱うのは誤りだが、両者を同等に情報量があるものとして扱うのも、また別の誤りであろう。

各モデルが実際に何なのか

アーキテクチャの隔たりはパラメータ数が示すよりも大きく、下流の実用的な違いの大半はそれによって決まる。

• ベース — MiniCPM-V 4.7 は qwen3_5_moe_text バックボーンを採用しており、256 のエキスパート、トークンあたり 8 エキスパートが活性、40 層、そして線形アテンションとフルアテンションが 3 対 1 のパターンになっています。LLaDA-UI はマスク拡散言語モデルである LLaDA2.0-mini-base を採用しています。

• 生成 — MiniCPM-V 4.7 は自己回帰型で、一度に 1 トークンずつ処理します。LLaDA-UI はブロック単位でデコードし、出力位置のブロック全体を並列にノイズ除去して、そのブロック内の双方向条件の下で再構成します。

• パラメータ — MiniCPM-V 4.7 は 256 個のエキスパートのうち 8 個がトークンごとにアクティブで、合計 352 億。LLaDA-UI はエキスパート混合モデルとして、合計約 167 億。

• コンテキスト — MiniCPM-V 4.7 の最大位置は 262,144 トークン。LLaDA-UI のモデルカードには、推論スクリプトにおける --max-length のデフォルト値が 8192 と記載されており、大きなスクリーンショットではこの値を引き上げる必要があります。

• ビジョン — MiniCPM-V 4.7は、パッチ14・画像サイズ980で27層・幅1,152のタワーを使用し、4x/16xの混合トークン圧縮を採用している。LLaDA-UIは、SigLIPから初期化されたネイティブ解像度のViTを使用し、2D回転埋め込みと2層MLPへの4対1の空間マージを行い、スマートフォン、デスクトップ、ウェブのスクリーンショットのアスペクト比を明示的に保持する。

• 出力 — MiniCPM-V 4.7はテキストを生成し、入力側では画像および動画の理解を担います。一方、LLaDA-UIは0~999の範囲の正規化座標と、実行されることを意図したタグ付きの推論+行動シーケンスを生成します。

• ライセンス — MiniCPM-V 4.7 は Apache-2.0、10月12日に宣言。LLaDA-UI のプロジェクトページおよびモデルカードには、ライセンスがどこにも記載されていない。

最後の箇条書きは、製品を出荷する立場なら脚注ではない。この2つのうち一方は、話し合いなしで今日にでも商用製品に組み込める。もう一方は組み込めない。

本当の分かれ目はデコードにある

ブロック単位の拡散こそが、LLaDA-UIが単なる別のファインチューニングではなく、独立した研究ラインとして存在する理由である。自己回帰型のエージェントループでは、すべてのアクショントークンがそれより前のすべてのトークンに依存するため、応答の末尾にあるクリック座標は、その前に続く推論を待つことになる。拡散エージェントでは、ブロックがひとつの単位として洗練され、inclusionAIが売り込んでいる実用的な帰結はレイテンシである。ペア比較のAPIテストにおいて、プロジェクトページはQwen3-VL-8Bの17〜53秒に対して4.8〜6.4秒を報告しており、ウェブで3.58倍、デスクトップで6.83倍、モバイル入力で8.95倍の平均高速化と説明され、しかも1回の呼び出しでより多くのトークンを出力する。MobileWorldの入力では、報告されている平均は53.0秒に対して5.9秒である。

それらはベンダーが測定した、ペア比較の、キャッシュなしの数値であり、ラボ自身のハーネス上で得られたものだ。だからその前提で読むべきだ。しかし、その留保があっても、方向性は真剣に受け止める価値がある。なぜなら、エージェントのループはレイテンシを増幅させるからだ。10ステップかかるインターフェースエージェントは、1ステップあたりのコストを10倍支払うことになり、1ステップあたり10秒の差は、デモと製品の差になる。

MiniCPM-V 4.7は同じ問題に反対の端から取り組む。自己回帰デコーディングを維持し、エキスパートスケジューリングによって各ステップを低コストにする。層間予測器が、次の層が必要とする可能性が高いエキスパートをプリロードし、実際のルーターが選択したものを優先する。予測はプリフェッチのみを駆動し、モデル自身のルーティングが依然として計算を左右する点は明示されている。層ごとの量子化とDSparkの投機的サンプリングを加えると、携帯端末上の350億パラメータMoEで毎秒13トークン以上という主張になる。異なる仕組み、同じ目的——デバイスで実行できるほどループを高速化することだ。

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.'

それぞれが何を得意とするか、証拠が許す限り狭い範囲で述べたもの

• タスクがインターフェースの操作である場合は、LLaDA-UIを選んでください — クリック、入力、モバイルアプリ・デスクトップウィンドウ・Webページのナビゲートなどです。2つのうち、グラウンディングとナビゲーションのスコアが公開され、座標規則が文書化され、モバイル・デスクトップ・Web向けのリクエスト例がパッケージとして用意されているのはこちらです。

• タスクが「理解」であるなら MiniCPM-V 4.7 を選びましょう — 写真の説明、文書の読み取り、PDF の解析、動画に関する質問への回答、手持ちのハードウェアでの実行などです。2つのうち、クックブックにおいて OCR、PDF 解析、視覚的グラウンディングに注力していることが明記されており、SGLang、vLLM、llama.cpp、Ollama 全体で標準サポートを備え、量子化版もダウンロード用に公開されているのはこちらです。

• 重なりは見た目よりも小さい — MiniCPM-V 4.7のカードは視覚的グラウンディングをクックブックガイドとして挙げていますが、グラウンディングのスコアは一切公開していません。LLaDA-UIのカードは単一の用途に特化しています。あなたのワークロードがGUI自動化なのであれば、計測済みのスペシャリストと未計測のゼネラリストを比較していることになります。ワークロードが文書と画像の理解なのであれば、文書化されたゼネラリストと、そもそもそのために作られたわけではないモデルを比較していることになります。

• 導入の摩擦は逆方向に働く — MiniCPM-V 4.7 は GGUF、AWQ、GPTQ、int4、FP8 のチェックポイントに加えて OpenVINO の経路を提供し、Rockchip、Houmo、Intel、AMD、Arm のシリコンに対する day-0 サポートも謳っています。LLaDA-UI のサービング経路には、同ラボ独自の SGLang マルチモーダル拡散パッチと、そのserve_llada_ui.sh スクリプトが必要です。モデルカードには、標準の(stock の)SGLang インストールからサーバーを起動することはできないと明記されています。

誰も公表しないコストの疑問

どちらのモデルにも、公開されたトークン単価はない。どちらも、100万トークン単位で借りるホスト型エンドポイントではないからだ。両方を自分でホストするということは、コストは自分のハードウェアとレイテンシーだということになる。そうなると選択の枠組みが変わる。BF16で約32GBの167億パラメータのチェックポイントは、70GBの350億パラメータのものより実質的に小さいコミットメントであり、エージェントタスクが小さいモデルしか必要としないなら、大きいモデルはそのワークロードでは何の価値ももたらさない。

ハイブリッドなケースこそ、ルーティング層がその価値を発揮する場面だ。定型的なインターフェース作業には、小規模な専用モデルをローカルで実行し、本当に難しいフレーム——高密度のスクリーンショット、珍しい文書、より大きなモデルの世界知識を必要とする質問——はホスト型エンドポイントに渡す。OrcaRouter は200以上ものホスト型モデルを1つのキーの背後にまとめ、各プロバイダーの定価を0%のマークアップでそのまま適用し、プロバイダーが劣化した際には自動フェイルオーバーを実行する。そしてそのルーティングDSLを使えば、答えが安さよりも正確さを求められる場合に、1回の呼び出しで難しいケースを複数のモデルへ振り分けられる。MiniCPM-V 4.7もLLaDA-UIもこれを通じて提供されているわけではない——どちらも自分で実行するオープンウェイトのチェックポイントであり、ルーターはその受け渡しの向こう側に位置するものだ。

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.

コミットする前に答えておく価値のある3つの質問

LLaDA-UIの速度優位性は、あなたのハードウェアでも本当に成り立つのか? 3~9倍という数字は、ラボ自身のハーネス上で単一のベースラインに対して行われた、ペア比較かつキャッシュなしの測定値だ。ブロック単位の拡散は、自己回帰デコーディングとはメモリ特性が異なり、ベンダーのGPUで測定された高速化がそのままあなたの環境に当てはまるわけではない。何かの上に構築する前に、まず再現する価値が最も高いのはこの数字である。

MiniCPM-V 4.7 はそもそもインターフェースタスクに向けることなどできるのだろうか?おそらく可能ではある——グラウンディング用ツールが文書化されている視覚言語モデルではある——だが、モデルカードには GUI エージェントのベンチマークも、座標規約も、アクション語彙も公開されていない。今日それを使って GUI エージェントを構築するということは、出力形式を自分で定義し、モデルがそれに従ってくれることを願うしかない。LLaDA-UI はその問題を、タグ付き推論に加えてアクション出力とプラットフォームごとの語彙によって、意図的に解決した。

6か月後もまだサポートされているのはどちらだろうか? OpenBMB は MiniCPM-V 4.7 を中心にした完全なファミリー——2つのベースバリアント、5つの量子化フォーマット、2つの DSpark ドラフトモデル、クックブック、エッジ展開リポジトリ——を1週間足らずで提供し、Apache-2.0 条件を採用している。LLaDA-UI には技術レポート、arXiv 論文、プロジェクトページ、コードリポジトリがあり、明記されたライセンスはない。周辺インフラの広がりは、ラボがどれだけそれを存続させようとしているかを測る妥当な代理指標である。

評決

これら二つは代替品ではなく、誠実な推奨はパラメータ数からではなく、その事実から導かれる。インターフェース自動化を構築しているなら、LLaDA-UI はより小型のモデルでありながら、より完成度の高いものである — タスクで測定され、文書化された出力形式とサービング経路を備え、出荷前に解決すべきライセンスリスクを抱えている。画像を見る、文書を読む、あるいはスマートフォンで実行するようなものを構築しているなら、MiniCPM-V 4.7 はエコシステム、許容的なライセンス、展開のストーリーを備えたものであり、その効率性の主張は、再現されていないチャートが可能にするのとちょうど同じ強さしかない。両方が必要なチームはそれらを一緒に実行し、ルーティング層はその取り決めの中で最も安価な部分である。

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.