MiniCPM-V 4.7 vs WeVisOne-VL-4B：段落か、それともポリゴンか

MiniCPM-V 4.7 と WeVisOne-VL-4B のどちらを選ぶかを最速で決めるには、それぞれの出力を見るのが一番です。WeVisOne-VL-4B が返すのは座標です。1000点グリッドに正規化されたボックス、点、インスタンスマスク、そして Qwen3-VL バックボーンに接続された960万パラメータのデコーダーが生成するフル解像度のアルファマットです。MiniCPM-V 4.7 が返すのは文章で、しかも何ページ分にもわたり、動画を保持できる262,144トークンのコンテキスト内で返します。一方はパイプラインに組み込む知覚コンポーネントです。もう一方は質問を投げかけるリーダーです。どちらも Apache-2.0 で、どちらも中国のラボ由来で、どちらも2026年10月にリリースされながら英語の業界紙ではほとんど取り上げられておらず、同じ製品カテゴリーに属すると言うのはほぼ無理があります。

両者の登場の仕方は大きく異なっていた。TencentのWeChat Visionチームは2026年10月22日、WeVisOne-VL-4BをarXiv論文と2Bの兄弟モデルとともにHugging FaceとGitHubで公開したが、ブログ記事もプレスリリースも出さなかった。OpenBMBはMiniCPM-V 4.7を10月6日と7日にアップロードし、リポジトリ内ではリリース日を10月12日と記載し、10月15日には英語のPR Newswireリリースで発表したが、英語の業界報道は驚くほど少なかった。一方はリポジトリとして登場し、もう一方はリポジトリに加えて通信社配信のリリースも伴って登場した。両者を比較する大半の論考は、数値を取り違える以前にカテゴリーを取り違えている。

同じ質問に対する二つの答え

WeVisOne-VL-4B は、ジオメトリをトークンとして出力する Qwen3-VL のファインチューンです。ボックスと点は、画像に対して正規化された 0 から 1000 までの小数トークンとして符号化され、各予測ボックスの後、モデルは特殊トークンを出力し、その隠れ状態が別個のマスクデコーダに入力されます。マスクデコーダは、視覚特徴アダプタ、6 つの deformable cross-attention ブロック、およびストライド 4、2、1 で精細化するカスケードヘッドから成ります。結果はインスタンスマスクであり、マッティングタスクではフル解像度のアルファチャネルです。ループ内に第 2 のモデルはなく、SAM 呼び出しもありません。ピクセル経路全体は、言語モデルに付随する 1000 万未満のパラメータで構成されています。これは bfloat16 で 48.3 億パラメータであり、モデルカードでは 5B に丸められており、1 ターンにつき 1 枚の画像を受け付けます。動画グリッドはピクセルデコーダによって完全に拒否されます。

MiniCPM-V 4.7は2つのサイズを展開する汎用モデルです。35B-A3Bは256個のエキスパートにまたがって352億パラメータを保持し、トークンごとに8個をルーティングして約30億をアクティブにし、262,144トークンのコンテキストで単一画像、複数画像、動画入力に対応します。1Bは15.5億パラメータのdenseモデルで、同じコンテキスト長と3.1 GBのBF16チェックポイントを持ちます。両モデルは、4×と16×の視覚トークン圧縮を組み合わせた27層のSigLIP2ビジョンタワーを共有しており、この仕組みによって25万トークンのコンテキストを低コストで維持できます。どちらにもポインティング、検出、セグメンテーションのプリミティブはありません。どちらに猫がどこにいるか尋ねても、猫がどこにいるかの説明が返ってきます。

その違いは表面的なものではない。それは、下流のコードがJSONを解析するのか散文を解析するのか、悪い回答が大声で失敗するのか静かに失敗するのか、そして、出力を修正するための2つ目のモデルなしで、そのモデルを他の何かと組み合わせられるのかどうかを決める。

数字、そしてそこに潜むカテゴリー錯誤

以下の数値はすべてベンダー報告です。Tencentのものは論文とREADMEに由来し、比較セットは著者らが選択したもので、第三者による再現はありません。OpenBMBのものはベンダーのモデルページに由来し、数値表ではなく文章とチャート画像として公開されています。どちらのラボも、共通の評価ハーネス上でこれらのモデルの独立したスコアを有していません。

・検出、LVIS F1 — WeVisOne-VL-4B は 55.3 で、著者らが挙げる最良のベースライン 50.7 に対して。MiniCPM-V 4.7 は検出の数値を公表していない。

• 高密度検出、Dense200 F1 — WeVisOne は 71.3、最良のベースラインは 58.7、未改変の Qwen3-VL-4B は 15.2。最後の行がこの論文で最も興味深い点です。ファインチューニングこそが、汎用モデルをローカライザーに変えるのです。

Referringでは、RefCOCOgテストF1がWeVisOne-VL-4Bで81.8、著者らが挙げる最強のベースラインは77.6です。まず注目すべきは、対象が存在しないクエリに対する棄却率です。RefCOCOg-Rejで67.4パーセント、社内のWeRef-Benchで96.4パーセント、PR-Benchで52.6パーセント。同じモデルなのに3つ異なる答えになるのは、分布が異なるからです。

• カウント、PixMo-Count — 89.6 対 82.8。セグメンテーション、ReasonSeg val gIoU — 71.2 対 65.0。

• マッティング、P3M-500-NP の平均絶対差 — 7.3 対 15.4（低いほど良好）で、これは著者が比較対象とした最高の専用マッティングベースラインの誤差のほぼ半分です。

• 読解、OCRBench — MiniCPM-V 4.7 35B-A3B が 91.2、1B が 86.1 であるのに対し、WeVisOne-VL-4B の TotalText F1 は 52.0。

最後の項目こそが罠です。OCRBenchはテキスト認識を測定し、TotalText F1はテキストの位置特定を測定します。86.1を52.0の隣に並べて34ポイントの勝利を宣言するのはカテゴリーエラーであり、しかもそれは、ある比較記事から次の比較記事へとコピーされていく種類の誤りです。正直に言えば、2つのモデルは同じタスクでテストされたわけではなく、数字が示しているのは、MiniCPMは文字起こしのために作られ、WeVisOneは位置特定のために作られているということだけです。

記憶こそが本当の代償だ

WeVisOne-VL-4Bはマスクデコーダ前で9.66 GBのbfloat16チェックポイントであり、Tencentは量子化版を一切提供していません。比較カード上の19 GBという数値は、同じチェックポイントをF32に変換したもので、倍になっています。いずれにせよカスタム推論コードは依然として必要です。mask_decoder.ptはオプションの追加物ではなく必須コンポーネントであり、標準のTransformersでの読み込みではボックスとテキストは得られますがマスクは得られません。文書化されている提供パスは、TransformersバックエンドまたはvLLMバックエンドのいずれかをラップするプロジェクト独自の推論パッケージと、Gradioデモです。評価設定は貪欲デコーディングと画像あたり1,960ビジュアルトークンの上限です。これはGPUサービスです。

MiniCPM-V 4.7 35B-A3Bは、約70 GBのBF16重みを16個のシャードに分割したもので、紙の上では不利だが、実際にはトークンあたり約30億パラメータしかアクティブにならないため有利だ。OpenBMBの売り込みの中心は、非アクティブなエキスパートをメモリに保持するのではなくストレージからストリーミングできるという点にあり、Lookahead Expert Schedulingで次の層が必要としそうなエキスパートを先読みし、さらに層ごとの量子化とDSpark投機的デコーディングを併用する。ベンダーの主張では、約3 GBのメモリを使い、iPhone 17 Pro Max上で毎秒13トークン以上を実現するという。独立した第三者による再現はなく、この主張は3つの技法のどれか一つではなく、すべてが連携して機能することを前提としている。

1Bはコスト構造を一変させます。BF16で3.1 GB、Q4_K_M GGUFなら約0.67 GBなので、esp32-eye cat monitorはMacBook上でそれを、最大で1.5秒に1回しか発火しないゲートとして実行できます。同じビルドでは、1Bは似た4匹の猫を見分けるのは信頼できないこともわかりました。そのため、細かい識別器というより存在検出器であり、安価な分類器として使おうと考えている人にとっては有用な限界です。

端的に言えば、WeVisOne は 9.66 GB と GPU で幾何学を手に入れる。MiniCPM は、選ぶサイズ次第で 70 GB か 3 GB で読解を手に入れ、OpenBMB のスケジューリングに関する主張が成り立つならスマホクラスのランタイムも手に入れる。

本番環境で何が壊れるのか

WeVisOne の失敗モードは文書化されており、具体的だ。アルファ品質は、細かい境界、重度のオクルージョン、真に透明な素材で低下する。モデルはプロンプトの文言に敏感なため、「the woman's hair」と「her hair」が同じマットを返す保証はない。動画を入力できず、思考の連鎖も持たないため、曖昧なクエリについてボックスを確定する前に推論させる方法がない。さらに、その拒否挙動には、論文の見出し数字が隠している弱点がある。WeRef-Bench では 96.4 パーセントだが、PR-Bench では約 52.6 パーセントだ。存在しないターゲットをほとんどの場合に拒否するコンポーネントは有用だが、別の分布ではそれを半数でしか拒否しないものにはガードが必要だ。

MiniCPM-V 4.7の失敗の仕方は汎用モデル特有のものだ。記述が根拠づけられているかどうかに関係なく、画像を流暢に説明するし、拒否のチャネルがまったくない。モデルが知らないときのことを、カードは何も教えてくれない。読者にとっては許容できる——人間がその段落を読むからだ。ボックスを必要とするパイプラインにとっては失格だ。なぜなら、散文を座標に解析して、うまくいくことを願うことになるからだ。

今週必要としているのが、セルフホスト型の専門モデルではなくホスト型の汎用ビジョンモデルであるなら、これらのどちらもOrcaRouterのカタログにはありません。そして、売り込みの前にそう言っておく価値があります。実用的なルートは、ホスト型の汎用モデルを200以上のモデルを横断する1つのキーでプロバイダーの定価に対する0%のマークアップで呼び出せ、上流のエンドポイントが不安定になった場合には自動フェイルオーバーを備えています。それで動作するパイプラインは得られますが、アルファマットは得られません。また、それはこのページが扱っている2つのモデルのどちらとも異なる製品です。

それらの中から選ぶこと

出力が幾何情報なら——小売棚の物体を数える、写真から商品を切り抜く、ユーザーのために領域をハイライトする、あるいは対象がそこにないときに拒否する——WeVisOne-VL-4B を選んでください。マッティングの数値は本当に珍しく、拒否チャネルは実際のエンジニアリング機能であり、9.66 GB はプログラムが利用できるものを返すコンポーネントの代償です。

長いPDF、ダッシュボード、動画、テキストと図が混在するページを理解することが目的なら、MiniCPM-V 4.7 35B-A3B を選べ。より高価なものの手前に置く安価なゲートが必要なら 1B を選び、似た2匹の猫を見分けさせてはいけない。

これを実際に決着させられる比較は、まだ存在しない。同じ検出・OCRデータセットで、同じ画像枚数の上限のもと、両方のモデルを動かす独立したハーネスだ。誰かがそれを公開するまでは、擁護できる立場は地味なものになる。これらのモデルは担う仕事が異なり、ベンダーの比較表は重なっておらず、あなたの判断を動かすべき唯一の数字は、デプロイしなければならないもののサイズだ。