MiniCPM-V 4.7 35B-A3B vs UI-Mate-27B：一方は画面を読み、もう一方はボタンを押す

MiniCPM-V 4.7 35B-A3B と UI-Mate-27B を比較したときの正直な最初の一文は、両者は競合ではない、というものだ。どちらも告知なしに Hugging Face に公開され、どちらも寛容なライセンスを持ち、どちらも Qwen ファミリーのバックボーンで学習され、どちらも自社ドキュメントで画面上の内容を理解するのが得意だと説明されている——だから同じカテゴリに分類される。しかし一方は画像を読み取ってテキストで答える汎用視覚言語モデルであり、他方はスクリーンショットを読み取って pyautogui 互換のマウス・キーボード操作を出力する GUI エージェントだ。MiniCPM-V 4.7 35B-A3B はダイアログボックスに何が書かれているかを教えてくれる。UI-Mate-27B はそれを閉じることができる。この比較の残りすべては、その一つの違いから導かれる。そして有益な問いは、どちらのモデルが勝つかではなく、あなたが欠けているのは仕事のどちら半分か、である。

どちらもまた登場が早い。UI-Mate-27B は2026年8月14日に登場し、2日後に論文が出たが、ラボからのローンチ投稿はなかった。私たちが最初に取り上げた時点で、Hugging Face でのダウンロード数はゼロで、今もホスト型 API はどこにも存在しない。MiniCPM-V 4.7 は10月6日に到着したが、カードは一切なかった。OpenBMB がモデルカード、ライセンスタグ、主張セクションを公開したのは10月12日になってからだ。どちらも独立した評価は受けていない。本記事のあらゆる性能数値には、誰が報告したかが明記されており、どちらの場合もそれはモデル自身のラボである。

同じボディ、二つの異なる役割

まず、この組み合わせが自然に感じられる理由から始めよう。どちらも Apache-2.0 ライセンスの中規模から大規模なオープンウェイト・マルチモーダルモデルだ。両者は同じ上流の系譜に連なる——UI-Mate-27B は Qwen3.6-27B からファインチューニングされ、MiniCPM-V 4.7 35B-A3B の言語スタックは Qwen3.5 ファミリーのスパース MoE である。どちらも同じ広範な応用領域、つまり画面、文書、アプリケーション状態を対象としており、そしてどちらも静寂のうちにリリースされた。

次に、それぞれが何を出力するのかを見てみましょう。MiniCPM-V 4.7 はテキストのトークンを返します。UI-Mate-27B は構造化されたアクション — クリック、キーストローク、スクロール、待機、タスク完了シグナル — を、正規化された 1000×1000 の座標空間で返します。参照エージェントがこれを実際のスクリーンショット解像度に再スケーリングするため、予測はマシン間の表示スケーリングの違いを乗り越えられます。モデルカードは、UI-Mate が「スタンドアロンの視覚チャットモデルではなくエージェントのチェックポイント」であること、そして実際の用途には付属のハーネスを使用すべきであることを明示しています。

その区別が、ほとんどの実際のデプロイを左右する。あなたのパイプラインが「このスクリーンショットを読んで、何が問題なのかを教えて」というものなら、汎用VLMが適切なツールであり、エージェントは過剰で、しかもより悪い障害モードを伴う。あなたのパイプラインが「アプリケーションにその動作を実行させる」というものなら、VLMだけでは、アクション層の全体——座標マッピング、アクション解析、エラー回復、リトライロジック——を自分で書くことになる。それはまさに、UI-Mateが強化学習の予算を費やした部分だ。

現時点における MiniCPM-V 4.7 35B-A3B とは何か

OpenBMBのMiniCPM-Vシリーズ初のMoE：40層にわたりトークンあたり8個がアクティブな256のエキスパート、262,144トークンのコンテキストウィンドウと248,144トークンの語彙、つまり総計35.2Bのうち約3Bのアクティブパラメータ。ビジョンはSigLIP2モジュールを通じて処理され、LLaVA-UHD v4のintra-ViT早期圧縮と、選択可能な混合4x/16xビジュアルトークン圧縮モードを備える — デフォルトではスループット重視で16x、細部が重要な場合は4x。単一画像、複数画像セット、動画を理解し、テキストを返す。

カードの見出しの主張は、これがロスレスでスムーズなオンデバイス推論を実現する初のオープンソースMoEモデルだというものだ——Lookahead Expert Scheduling、きめ細かなレイヤー単位の量子化、そして別個のDSparkドラフトによる投機的サンプリング——によって、iPhone 17 Pro Max上で報告されている毎秒13トークン以上を達成したという。この数値はベンダー報告であり、再現されておらず、条件も明示されていない。2つ目の主張、すなわちこのモデルがより短い推論時間でQwen3.6 35B-A3Bの総合Instructモードスコアを上回るという主張は、表ではなくグラフ画像の中に描かれているため、数値として引用することはできない。

具体的なのは配布体制だ。Base、FP8、int4、AWQ、GPTQ、GGUFの重みがすべて存在し、SGLang、vLLM、llama.cpp、Ollama、OpenVINOがサポートされ、iOS、Android、HarmonyOSアプリがあり、day-zeroシリコンとしてRockchip、Houmo、Intel、AMD、Armが記載されている。さらにモデルカードにはツール呼び出しが記載されており、servingセクションには実際に動作する関数呼び出しの例がある。この最後の点はこの比較にとって重要だ。MiniCPM-V 4.7は、単独では行動しないとしても、あなたが構築するエージェント内の知覚および推論レイヤーになることができる。

現時点でのUI-Mate-27Bとは何か

ベンダーの270億パラメータの基盤GUIエージェントは、2026年8月14日に、9Bの兄弟モデルおよびデモンストレーション誘導型の変種であるUI-Mate-democua-27Bとともに公開された。学習は教師ありファインチューニングに続き、実行可能なGUI環境におけるオンライン強化学習によって行われた——モデルは静的なスクリーンショットからではなく、実際にデスクトップを操作することで学んだ。その行動空間はマウス、キーボード、スクロール、待機、ユーザー操作、完了シグナルをカバーしており、出力される行動はpyautogui互換であるため、ハーネスはそれらを直接実行できる。

ベンダーが頼りにしている差別化要因は、デモンストレーション誘導型の実行だ。ワークフローを一度記録すれば、エージェントがそれを現在の画面に適応させる。固定されたスクリプトを再生するのではなく、ライブのスクリーンショットを正とする。これを支える資料は、ひっそりとしたリリースにしては異例なほど充実している — デモ動画と macOS Apple Silicon アプリを備えたプロジェクトページ、公式プロンプト、応答パーサー、インタラクションハーネスを含む GitHub リポジトリ、そして重みが公開されてから2日後に投稿された arXiv プレプリント 2608.15930 だ。

主要な数値は、ベンダー報告によるWindowsAgentArenaスコア66.2とOSWorld-Verified 77.0であり、これらが維持されれば、今年このベンチマークで公表されたものの中で首位に位置することになる。これらはラボ外の誰によっても再現されていない。そして、初期のエージェントリリースに通常見られるように、デプロイ状況は薄い。ホスト型APIはなく、推奨されるサービング経路はOpenAI互換エンドポイントの背後にvLLMを置くもので、あえてチェックポイントを生のまま呼び出すのではなくハーネスを使うよう指示している。

8つの次元、両側

• 出力 — テキスト（MiniCPM-V 4.7 35B-A3B より）、構造化された pyautogui 互換アクション（UI-Mate-27B より）。

• 入力 — テキスト、画像、動画 対 ライブスクリーンショット＋指示。どちらも音声は受け付けない。

• ベースモデル — MiniCPMモデルにはQwen3.5ファミリーのスパースMoE、UI-MateにはQwen3.6-27B。

• サイズと形状 — 合計35.2Bで、256個のエキスパート全体にわたり3Bがアクティブ。27Bはdense。スパースな方がトークンあたりのコストが安く、denseな方がサービングが簡単です。

• コンテキスト — デフォルトで保持されるスクリーンショット5枚に対して262,144トークン。これは両者間のアーキテクチャ上の単一最大の違いであり、一方が長い文書セットを読めるのに他方が読めない理由です。

• ライセンス — どちらもApache-2.0なので、今回は選択は法的な理由ではなく技術的な理由によるものになる。

• 見出しの主張は、いずれもベンダー報告 —— iPhone 17 Pro Max で毎秒13トークン以上、WindowsAgentArena 66.2 と OSWorld-Verified 77.0 に対して。異なるベンチマークであり、共通の尺度はなく、どちらも再現されていない。

• 本日利用可能 — 6つの量子化フォーマット、5つのランタイム、モバイルアプリ。一方、最初の報道時点ではダウンロード数ゼロ、ホスト型APIなし、そしてベンダーが使用を勧めるハーネス。

それらが実際に重なる場所

両方とも試せる仕事は1つだけある。それは、UIスクリーンショットを、それについての質問に答えられる程度に理解することだ。「どのフィールドが検証に失敗したか」と尋ねれば、どちらのモデルももっともらしく答えられる。「修正して」と頼めば、UI-Mate-27Bだけがアクションを生成する。しかも、そのためのお膳立て——スクリーンショットのループ、パーサー、実行器、座標の再スケーリング、クリックが予期しない場所に着地したときの再試行ポリシー——を整えている場合に限られる。

逆向きの重なりはより弱いが、現実に存在する。MiniCPM-V 4.7 のツール呼び出し対応により、それを中心にエージェントを構築できる——知覚と計画はビジョンモデルに担わせ、独自のアクション層を関数呼び出しを通じて外付けする。これは正当なアーキテクチャであり、行動空間を完全に制御できる。同時にそれは、おおまかに言えば、UI-Mate がすでに強化学習を費やして実現したものを、GUI 固有のトレーニングデータなしで再発明することでもある。チームは、どのモデルがスクリーンショット上で表面的に優れているかではなく、どの層を自分たちが所有したいかで選ぶべきだ。

両方に対応し、ルーターがどこに当てはまるか

どちらのモデルも、ここを含めどこにもホストされていません — MiniCPM-V 4.7 35B-A3B と UI-Mate-27B はどちらも OrcaRouter のカタログには一切掲載されておらず、本記事のいかなる記述も、当社がそれらをルーティングしているという主張として読まれるべきではありません。どちらも自分でダウンロードして実行するチェックポイントであり、UI-Mate の場合、それは2つのことを意味します。約27Bの重みと、OpenAI互換のエンドポイントです。ベンダー自身のREADMEがvLLMでの提供を推奨しており、ハーネスが互換のベースURLを想定しているからです。

コスト計画にとって興味深いのはそのエンドポイントです。というのも、ハーネスはエンドポイントが正しく動作しさえすれば、どのモデルが応答するかは気にしないからです。OrcaRouter は200 以上ものホスト型モデルを 1 つのキーで 各プロバイダーの定価のまま、当社のマークアップを一切乗せずに利用できるようにし、プロバイダーのルート間で自動フェイルオーバーを行います。これによりエージェントの計画側にとってはそのまま差し替え可能なベース URL になり、さらにルーティング DSL を使えば、定型ステップ向けの安価なモデルと、重要な意思決定向けのより強力なモデルを、2 つの統合ではなく 1 回の呼び出しで組み合わせられます。MiniCPM モデルのコストプロファイルに最も近いホスト型の構成は Qwen3.6 35B A3B — 合計 35B、アクティブ 3B、262K コンテキスト — で、入力トークン 100 万あたり $0.25、出力トークン 100 万あたり $1.48 です。それが 70 GB のスパース MoE をセルフホストするよりも優れているかどうかは、1 つの午後で答えを出せる問いであり、見出しに出てくるどちらのモデルについてもそれは当てはまりません。

どっちが欲しい？

行動するモデル——デスクトップ自動化、RPAの代替、長期的なアプリケーションワークフロー——が必要で、それに伴うトレードオフを受け入れるなら、UI-Mate-27Bを選べ。そのトレードオフとは、ベンダー報告のベンチマーク、独立した再現なし、ホスト型の経路なし、そして問いただすのではなく採用しなければならないハーネスだ。良い面は、論文からプロンプト、パーサーに至るまで、このリリースに関するすべてが異例なほどよく文書化されていることで、9Bの兄弟モデルを使えばより安価にプロトタイプを作れる。

知覚が必要なら——長文ドキュメント、大量のスクリーンショット、動画——そしてアクション層を自分で担う覚悟があるなら、MiniCPM-V 4.7 35B-A3Bを選ぼう。手に入るのは、寛容なライセンス、6つの量子化フォーマット、5つのランタイム、262Kウィンドウ、そしてOpenBMBの外部では誰も検証していないスマホ級デプロイの話だ。

これを変えるものは、UI-Mate のための再現された OSWorld または WindowsAgentArena の実行だ。それは UI-Mate の中核的主張をマーケティングから測定へと変えるだろう。そして、MiniCPM-V 4.7 の評価表だが、これはまったく存在しない。それらのどちらかが現れるまでは、決定はどちらのスコアボードにもではなく、あなたのアーキテクチャ図に属する——デコーダーか、それとも手か。そして、自分にどちらが足りないのかを知っておくべきだ。