WeVisOne-VL-4B 対 MiniCPM-V 4.7 1B：視覚トークンは何のためにあるのかをめぐる、正反対の二つの賭け

{{1}}MiniCPM-V 4.7 1B{{/1}}はOCRBenchで86.1を記録している。{{2}}WeVisOne-VL-4B{{/2}}はTotalTextで52.0を記録している。この二つの数値を並べると、1Bモデルがテキスト読み取りで4Bモデルを34ポイント上回っているように見える——これは驚くべき結果であり、同時にカテゴリー錯誤でもある。OCRBenchは、モデルが画像内の文字を転写できるかどうかを測定する。テンセントが報告する形でのTotalTextは、IoUしきい値0.5から0.95にわたって各テキストインスタンスを位置特定する際のF1を測定する。一方は認識、他方は幾何学だ。MiniCPM-V 4.7 1BとWeVisOne-VL-4Bは2026年10月に9日違いでリリースされ、どちらも中国のラボ発で、どちらもApache 2.0であり、視覚トークンの用途について根本的に意見が異なっている。一方はそれらを圧縮して捨て、他方は精度のために費やす。

その不一致こそが比較のすべてだ。それ以外——パラメータ数、メモリ、ベンチマークの行——はすべてそこから導かれる。

圧縮と精度の比較

MiniCPM-V 4.7 1Bは、LLaVA-UHD v4からViT内での早期圧縮スキームを受け継ぎ、それを4倍と16倍の視覚トークン圧縮を切り替えるランタイムスイッチとして公開している。狙いは、固定された予算の中でより多くの画像を、より多くの動画を収めることにある。モデルカードには、262,144トークンのコンテキスト、デフォルトで128フレームの動画、スライス数を設定可能な448×448のタイリング方式が謳われている。早い段階で圧縮し、系列を短く保てば、1Bモデルでもスマートフォン上で長い動画を見ることができる。

WeVisOne-VL-4Bは逆のトレードオフを取る。その評価は画像あたり最大1,960ビジュアルトークンで実行され、ピクセルデコーダはマージ前のViT特徴量を処理し、早期圧縮が捨ててしまう高解像度の細部を意図的に保持する。だからこそ、ストライド1でフル解像度のアルファマットを生成でき、動画グリッドはまったく処理できない。デコーダがそれを拒否するからだ。精度にはトークンが必要で、トークンにはレイテンシのコストがかかる。

どちらの賭けも間違っていない。それらは異なる問いへの答えだ。MiniCPMは「スマートフォンで一度にどれだけ見えるか？」と問う。WeVisOneは「あるものがどこにあるかをどれだけ正確に説明できるか？」と問う。

サイズにまつわる話は、1B 対 4B よりも奇妙だ

• パラメータ — WeVisOne-VL-4B は 4.83B の dense モデル、一方 MiniCPM-V 4.7 の 1B は 1B と名付けられているが、そのリポジトリのメタデータでは BF16 で 2B と記載されている

• 重み形式 — F32 safetensors では約19 GB、BF16 では約3.1 GB、または Q4_K_M では0.67 GB に加えて 0.90～1.11 GB のビジョンプロジェクター

• コンテキスト — WeVisOne-VL-4B では非公開、一方 MiniCPM-V 4.7 1B では公称 262,144 トークン

• ビデオ — ピクセルデコーダーによって拒否されました（デフォルトでは 128 フレーム）

• マルチモーダル入力 — 1ターンにつき単一画像 vs 画像と動画

• 量子化 — ベンダーによる提供はなし 対 int4、AWQ、GPTQ、GGUF、FP8 の各バリアント

• オンデバイスランタイム — なし vs iOS、Android、HarmonyOS、さらに llama.cpp と Ollama

• ライセンス — Tencent が著作したコードは Apache 2.0、それに対して Apache 2.0

メモリの行こそが比較の見方を変える。4ビットの1Bモデルは、ビジョンプロジェクターを除けば1ギガバイト未満に収まる。一方、F32の4.83Bモデルにはおよそ19ギガバイトが必要だ。これらは同じ枠を争う競合ではない。一方はアプリケーション内に組み込んで出荷する部品であり、もう一方はGPU上で動かすサービスだ。

ベンチマークの行を自分を欺かずに読む

両ベンダーは表を公開しており、どちらの表も自己選択によるものです。MiniCPM-V 4.7 1B は OCRBench 86.1、MathVista 74.3、CharXiv Reasoning 48.8、LongVideoBench 53.4、MotionBench 54.55 を報告しています。WeVisOne-VL-4B は LVIS F1 mean 55.3、RefCOCOg test 81.8、PixMo-Count test 89.6、TotalText F1 mean 52.0、ReasonSeg val gIoU 71.2、P3M-500-NP MAD 7.3 を報告しています。両方のリストに共通して登場するベンチマークは一つもありません。これらの資料から勝者を算出する防御可能な方法は存在せず、そうしている記事は結果を捏造しています。

公平に読めば、その範囲はより狭く、それでも有用だ。MiniCPM-V 4.7 1B は、そのサイズにしては画像に関する推論が異常に強く、スマートフォンに収まるモデルが MathVista で 74.3 を出したことは作者たちが最も誇りにしている数値だが、それはベンダー報告によるもので、再現されていない。WeVisOne-VL-4B は、幾何学的出力の生成が異常に強く、マスク、マット、ボックス、そして対象が存在しない場合の WeRef-Bench での測定された拒否率 96.4% を示す。MiniCPM のカードは拒否指標を公表しておらず、WeVisOne のカードは推論ベンチマークを公表していない。それぞれのモデルは、もう一方が声高に示すまさにその点で沈黙している。

それぞれができないこと

WeVisOne-VL-4Bは動画を見ることはできず、画像について複数ターンの会話を続けることもできず、スマートフォン上で動作させることもできません。公開されたトークン毎秒の数値も量子化ビルドもないため、これを導入する人はGPUを用意し、スループットを自分でベンチマークすることを前提とすることになります。ファインチューニング用コードは、プロジェクトのTODOリスト上でまだ未チェックの項目です。

MiniCPM-V 4.7 1B はマスクやアルファマットを返すことはできません。画像に人物がいること、そしておおよそどこにいるかを教えてくれますが、柔らかいエッジの切り抜きを渡してくれるわけではありません。また、新しいモデルファミリーに付きものの一般的なリスクも伴います。Transformers における新しい model_type、最小バージョン要件 5.18.0、そして一部の CUDA と torchcodec の組み合わせで動画デコードが壊れるという初期報告です。その 262K コンテキストは論文上の数値であり、ポストトレーニングがそれを十分に活用していることは示されていません。

2回目の通話にかかるコスト

実際には、これら2つのモデルは代替品ではなく、興味深いアーキテクチャでは両方を使います。画像を説明して推論するための小規模で安価なモデルと、ジオメトリを返すための知覚モデルです。これにより1回の推論呼び出しが2回になり、ここでコストはもはや脚注では済まなくなります。

その形に対するOrcaRouterの貢献は、地味ながら重要なものだ——200以上のモデルにわたる単一のキー、プロバイダーの定価を0%のマークアップでそのまま反映、そして上流のエンドポイントが劣化した際の自動フェイルオーバーだ。汎用モデル側でのベンダーの値下げは、更新すべきマークアップ層が存在しないため、当日のうちにこちら側にも反映される。WeVisOne-VL-4BもMiniCPM-V 4.7 1Bも現在このカタログには含まれていないため、パイプラインの知覚を担う半分は依然として自前でホストする必要がある。避けられるのは、ホスト済みの半分についての2つ目の契約と2つ目の認証情報セットだ。

どちらか一方をどのように実行するか

WeVisOne-VL-4B は、より要求の厳しいインストールです。モデルカードには Transformers、vLLM、SGLang、Docker Model Runner が記載されていますが、mask_decoder.pt は必須コンポーネントです。プロジェクトの推論パッケージなしでチェックポイントを読み込むと、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。デコーディングは貪欲法で、画像あたり最大 1,960 個の視覚トークンまで処理し、公表されたスループット値はないため、自分のハードウェアで最初にやることはそれを測定することになります。

MiniCPM-V 4.7 1B はより簡単な方です。Transformers 5.18.0 以降が必要で、エコシステムも同時に登場しました — llama.cpp、Ollama、SGLang、vLLM のビルドに加え、int4、AWQ、GPTQ、FP8 の量子化、そして投機的デコーディング用の別個の 213M パラメータ DSpark ドラフトモデルです。対象がスマートフォン、Intel マシン、Rockchip ボードなら、これは整備された道が通っているルートです。

どの賭けを選ぶべきか

デバイスが制約条件なら、MiniCPM-V 4.7 1B を選ぶべきです。WeVisOne-VL-4B は、どの部分もスマートフォン向けに設計されていません。そして、MiniCPM 側の量子化、ランタイム対応、動画処理は、数世代にわたってオンデバイスモデルを出荷してきたラボの成果です。

出力が制約条件なら——マスク、マット、密集した小物体のバウンディングボックス、または信頼できる「存在しない」という回答が必要なら——WeVisOne-VL-4Bを選び、GPUの予算を確保してください。これは独立した評価のない、2日前の論文に基づいており、マッティングの数値はTencent自身によるものであることを理解してください。

両方が必要なら、モデルも2つ必要だ。これが正直な結論であり、両ベンダー自身のベンチマーク表が裏付けている結論でもある。それぞれ異なる点に最適化しており、どちらも相手を打ち負かそうとはしていない。