WeVisOne-VL-2B 対 MiniCPM-V 4.7 1B：0.45B差、異なる役割

名前からは2対1の差があるように思える。しかしチェックポイントはそうではない。MiniCPM-V 4.7 1B は bfloat16 で 1,554,476,272 個のパラメータを搭載し、WeVisOne-VL-2B は約20億個——したがって両者の実際の差は約4.5億パラメータであり、10億ではない。同じディスクに置けば、ほぼ同等の容量を占める。同じタスクに投入すれば、両者は完全に破綻する。なぜなら MiniCPM-V 4.7 1B は文書を読み、動画を見て、それについて会話するために作られ、WeVisOne-VL-2B は物体を見つけてマスクを返すために作られているからだ。

どちらも Apache 2.0 です。どちらも単一の GPU で構築しようとする人にとって興味を引くほど小規模です。どちらも最近のもので、MiniCPM-V 4.7 1B は 2026 年 10 月 6 日にアップロードされ、OpenBMB のリリースノートでは 10 月 12 日付とされており、WeVisOne-VL-2B は 10 月 22 日です。類似と相違のこの組み合わせこそが、このペアを 1 ページで扱う価値を生みます。主要なスペックはほぼすべて近接している一方で、実際の用途はほぼすべて異なるからです。

まず、名前の修正から。

OpenBMBの命名は緩やかで、すでに比較表で混乱を引き起こしている。1Bと呼ばれるモデルは、自身のsafetensorsメタデータでは15.5億パラメータである。ベンダー資料では、異なる箇所で1.3Bや1.38Bと記載されている。262,144トークンのコンテキストは実際に存在し、モデル設定に定義されている。アーキテクチャは、Qwen3.5由来の24層・隠れ次元1024のテキストバックボーンで、線形注意と完全注意の3:1パターンを持ち、980ピクセルのタイルで動作する27層のSigLIP2スタイルのビジョンタワーと組み合わされている。さらに、リクエストあたりのコストと引き換えに詳細を犠牲にする、選択可能な4倍または16倍の視覚トークン圧縮モードを備える。

テンセントの命名はより簡潔です。WeVisOne-VL-2BはQwen3-VLをベースに構築された20億パラメータのモデルで、別個の9,511,460パラメータのピクセルデコーダを備えており、モデルカードでは「オプションの追加機能ではなく、必須の中核コンポーネント」と説明されています。このデコーダはデプロイの話において些細な誤差ではありません。それがなければモデルはボックスとポイントを生成するだけで、マスクやマットの出力は一切存在しません。

つまり、正しい捉え方は「小さい対大きい」ではなく、「1.55B対2B」——重みの29パーセント差——であり、しかも出力契約がまったく異なるということです。

決して交わらない2つのベンチマーク語彙

これは多くの比較で誤られる部分なので、数字が登場する前に述べておく価値がある。OpenBMBはMiniCPM-V 4.7 1Bを一般的なマルチモーダルベンチマークで評価している。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、MotionBench 54.55である。これらはベンダーが実施した数値であり、主にハーネスの詳細を記載した表ではなくグラフとして提示されており、独立した機関による再現はなされていない。

TencentはWeVisOne-VL-2Bを知覚ベンチマークで評価し、一般的なマルチモーダルスコアは一切報告していない。その7つの表のどこにも、MMMU、MMBench、MathVista、DocVQA、キャプショニングの結果は存在しない。代わりに報告されているのはタスク固有の指標である：検出F1、カウント完全一致、ポインティングF1、OCRローカリゼーションF1、セグメンテーションcIoU、マッティング誤差。

OCRで最も際立って衝突する。両モデルともOCRができると主張しているからだ。MiniCPMの86.1はOCRBenchであり、文字を正しく読み取れたかを問う転写スコアだ。WeVisOneのOCR数値はIoU閾値0.5における位置特定F1で、SROIEで62.1、ICDAR2015で42.6、TotalTextで42.5、HierTextで30.5であり、テキストの周りに正しいボックスを描けたかを測っている。モデルは一方に優れ、他方では平凡であり得る。「86.1対62.1」と表記するのは、綴りテストと指差しテストを比較するようなものだ。

両方のモデルが同じ方法で計算された数値を報告しているベンチマークは存在しない。これは修辞的な誇張ではない。これこそがこの比較の中心的な結論であり、つまり、この2つのどちらかについて目にするどんなランキングも、相互に比較不能な要素から組み立てられているということだ。

262,144トークンで何が得られるのか、そしてWeVisOneが語ろうとしないこと

MiniCPM-V 4.7 1Bは、262,144トークンのコンテキストと、デフォルトで最大128フレームを受け入れ、フレームごとに1スライスを使用する動画パスを公開しています。これは文書と動画のためのマシンです。長いPDF、複数ページのスキャン、1分の映像を扱えます。4倍および16倍の圧縮切り替えが存在するのはまさに、それだけ多くの視覚的詳細を保持するのが高コストだからであり、OpenBMBではリクエストごとにその詳細をどれだけ保持するかを選択できます。

WeVisOne-VL-2B はコンテキスト長を公開していません。モデルカードには何も記載がなく、論文の学習段階は 4,096 および 8,192 トークンで実行され、推論では各画像を 1,960 視覚トークンに制限し、貪欲デコーディングを行います。いずれもデプロイ時のウィンドウではなく、Tencent もそれをそう見せかけてはいません。また、動画グリッドを完全に拒否します——ピクセルデコーダは画像専用で、単一ターン、思考の連鎖なしです。

その非対称性は、各ベンダーが何を最適化の対象としたかを物語っている。OpenBMBは、1つのモデルがどれだけ多くの入力を受け入れられるかを最適化した。Tencentは、1つのモデルが飲み込んだものをどれだけ正確に指し示せるかを最適化し、そのうえでデコーダをシンプルに保つため、入力タイプに厳格な境界を引いた。

それぞれが実際にどこで実行されるか

MiniCPM-V 4.7 1B は、デプロイ可能な範囲が圧倒的に広い。Transformers 5.18 以降、vLLM、SGLang、llama.cpp、Ollama に対応し、GGUF、AWQ、GPTQ、FP8、bitsandbytes、OpenVINO のビルドを提供。さらに iOS、Android、HarmonyOS をサポートし、Rockchip、Arm、Apple を含む各ベンダーによる初日からのチップ対応も実現している。OpenBMB はまた、投機的デコーディング向けに 2 億 1,300 万パラメータの DSpark ドラフトモデルを別途提供している。

WeVisOne-VL-2Bには専用のGitHubパッケージ、Transformers経路があり、モデルカードにはvLLMとSGLangが記載されています。GGUFはありません。量子化ビルドもありません。ONNXもありません。モバイル向けの説明もありません。さらに、高密度出力はストライド1のフル解像度アルファマットであるため、メモリはパラメータ数ではなく画像サイズに比例します。つまり、2Bモデルは保持するのは安価でも、4Kで実行するのが必ずしも安価とは限りません。

対象がスマートフォンなら、このセクションで比較は終了です。MiniCPMはその制約を前提に作られており、フォーマット一覧でもそう明言しています。WeVisOneはそうではなく、そう主張もしていません。

両者が並ぶ唯一の点：ライセンス

両方ともApache 2.0です。売上高の閾値も、利用分野の制限も、別途の商用契約もありません。Liquid AIが独自の収益上限付きライセンスを使い、Moondreamが第三者によるサービス提供を認めないソースアベイラブルライセンスを使っているカテゴリーにおいて、この規模のApache 2.0ビジョンモデルが2つあることは注目に値します — これは、ここではライセンスが決定的な変数ではないことを意味しており、声に出して言うべきほど珍しいことです。

同点決着はまた、チームがより小さなモデルを選ぶ最も一般的な理由も取り除く。両方が法務レビューを通過すれば、選ぶ基準は能力と導入であって、契約条件ではない。

それらの中から選ぶこと

出力が何に供給されるかを問いましょう。ドキュメントストア、チャットウィンドウ、動画インデックス、あるいは下流の言語モデルに供給されるなら、MiniCPM-V 4.7 1B はまさに求める形です。長文のテキストを生成し、長い入力を受け付け、コンシューマー向けハードウェアで動作する形式で提供されます。

コンポジットパイプライン、画像エディタ、カタログ整理ジョブ、関心領域のクロップに供給するなら、WeVisOne-VL-2B はまさに求める形です。ボックス、ポイント、バイナリマスク、連続アルファマットに加え、どのベンチマークよりも重要な棄却動作を備えています。Tencent は、存在しないオブジェクトに対するクエリについて RefCOCOg 上で 50.2 の棄却率を報告しており、同じ表で 2 つの特化型グラウンディングモデルは 0.5 と 0.6 でした。画像の大半に探しているものが含まれていないなら、コストを節約してくれるのはその数値です。

競合するのではなく組み合わせる第三のケースがあります。それは、MiniCPM がページを読み取り、WeVisOne が、読み取りステップで切り出す必要がある領域——署名、印章、商品写真——を見つけるドキュメントパイプラインです。これはルーティングの問題というよりパイプライン設計の問題であり、OrcaRouter 製品が後付けではなく真に役立つ場面です。これらのモデルはいずれも当社のカタログにはありません。どちらもセルフホスト型であり、そうでないかのように示唆するつもりはありません。当社が提供するのはホスト型の部分です：1つの API キーで 200 以上のモデルをプロバイダーの定価で、上乗せなしで利用、プロバイダーが劣化した際の自動フェイルオーバー、そしてモデル融合。これは複数のモデルによるパネルが同じ質問に一緒に回答できるようにするもので、文字起こしがデータベースに入る直前に、その前にセカンドオピニオンを得たい場合に有用です。

覚えておくべき番号

1Bと2Bではなく、1.55Bと2Bだ。命名のせいで別の規模階級に見え、チェックポイントのせいで近縁同士に見えるが、どちらの印象も誤解を招く。MiniCPM-V 4.7 1BとWeVisOne-VL-2Bを分けるのは、サイズでもライセンスでも、ましてや新しさでもない。一方は言葉を返し、もう一方はピクセルを返すということだ。そして、どちらのベンダーが公開したベンチマークも、他方のものから差し引いて、あなたが必要とするものとしてどちらが優れているかを教えることはできない。