MiniCPM-V 4.7 vs WeVisOne-VL-4B: 문단일까, 다각형일까

MiniCPM-V 4.7와 WeVisOne-VL-4B 중에서 고르는 가장 빠른 방법은 두 모델의 출력을 보는 것입니다. WeVisOne-VL-4B는 좌표를 반환합니다. 1,000포인트 그리드로 정규화된 박스, 포인트, 인스턴스 마스크, 그리고 Qwen3-VL 백본에 붙은 960만 파라미터 디코더가 생성하는 풀 해상도 알파 매트가 그것입니다. MiniCPM-V 4.7은 문장을 반환합니다. 비디오 하나를 담을 수 있는 262,144토큰 컨텍스트에 페이지 단위로 쏟아냅니다. 이 둘 중 하나는 파이프라인에 연결하는 인지 컴포넌트이고, 다른 하나는 질문을 던지는 리더입니다. 둘 다 Apache-2.0이고, 둘 다 중국 연구소에서 나왔고, 둘 다 2026년 10월에 영어 무역 언론의 거의 주목을 받지 못한 채 공개되었으며, 같은 제품 범주에 있다고 보기 어렵습니다.

두 모델은 매우 다른 방식으로 등장했다. 텐센트의 위챗 비전 팀은 2026년 10월 22일 Hugging Face와 GitHub에 WeVisOne-VL-4B를 arXiv 논문 및 2B 형제 모델과 함께 공개했으며, 블로그 글도 보도자료도 없었다. OpenBMB는 10월 6일과 7일에 MiniCPM-V 4.7을 업로드했고, 저장소에는 출시일을 10월 12일로 기재했으며, 10월 15일 영어 PR Newswire 보도자료로 발표했지만 영어 업계 보도는 놀랄 만큼 거의 없었다. 하나는 저장소로, 다른 하나는 저장소에 통신사 보도자료까지 더한 형태로 등장했다. 이 둘을 비교한 대부분은 숫자를 틀리기 전에 범주부터 틀린다.

같은 질문에 대한 두 가지 답변

WeVisOne-VL-4B는 기하 정보를 토큰으로 출력하는 Qwen3-VL의 파인튜닝 모델입니다. 박스와 포인트는 이미지 기준으로 정규화된 0~1000의 십진수 토큰으로 인코딩되며, 각 예측 박스 뒤에 모델은 특수 토큰을 출력하고 그 은닉 상태가 별도의 마스크 디코더로 입력됩니다. 이 디코더는 시각 특징 어댑터, 6개의 변형 가능한 교차 어텐션 블록, 그리고 스트라이드 4, 2, 1에서 정제하는 캐스케이드 헤드로 구성됩니다. 결과는 인스턴스 마스크이며, 매팅 작업의 경우 전체 해상도 알파 채널입니다. 루프에 두 번째 모델도 없고 SAM 호출도 없습니다. 전체 픽셀 경로는 언어 모델에 붙은 천만 개 미만의 파라미터입니다. bfloat16 기준 48억 3천만 파라미터이며 모델 카드에서는 5B로 반올림합니다. 한 턴에 이미지 하나만 받으며, 비디오 그리드는 픽셀 디코더가 즉시 거부합니다.

MiniCPM-V 4.7은 두 가지 크기로 제공되는 범용 모델입니다. 35B-A3B는 256개 전문가에 걸쳐 352억 개의 파라미터를 저장하고, 토큰당 8개를 라우팅해 약 30억 개를 활성화하며, 단일 이미지, 다중 이미지, 비디오 입력을 지원하는 262,144토큰 컨텍스트를 갖습니다. 1B는 15억 5천만 개 파라미터의 덴스 모델로, 동일한 컨텍스트 길이와 3.1GB BF16 체크포인트를 갖습니다. 두 모델 모두 4×와 16× 시각 토큰 압축을 혼합한 27층 SigLIP2 비전 타워를 공유하며, 이것이 25만 토큰 컨텍스트를 감당 가능하게 유지하는 메커니즘입니다. 어느 쪽에도 포인팅, 검출, 분할 기본 기능은 없습니다. 어느 모델에든 고양이가 어디 있는지 물으면, 고양이가 어디 있는지에 대한 설명을 돌려받을 뿐입니다.

그 차이는 겉치레가 아닙니다. 그것은 다운스트림 코드가 JSON을 파싱할지 산문을 파싱할지, 잘못된 답변이 크게 실패할지 조용히 실패할지, 그리고 출력을 고쳐 줄 두 번째 모델 없이 이 모델을 다른 무엇과도 조합할 수 있을지를 결정합니다.

숫자들, 그리고 그 안에 도사리고 있는 범주 오류

아래 수치는 모두 벤더가 보고한 것입니다. Tencent의 수치는 논문과 README에서 나왔으며, 비교 대상은 저자들이 선택했고 제3자 재현은 없습니다. OpenBMB의 수치는 벤더 모델 페이지에서 나왔고, 숫자 표가 아니라 산문과 차트 이미지로 공개되었습니다. 두 연구소 모두 공유 하네스에서 이 모델들에 대한 독립적인 점수를 보유하고 있지 않습니다.

• 탐지, LVIS F1 — WeVisOne-VL-4B는 55.3으로, 저자들이 제시한 최고 기준선 50.7을 앞섭니다. MiniCPM-V 4.7은 탐지 수치를 공개하지 않습니다.

• Dense 검출, Dense200 F1 — WeVisOne은 71.3으로 최고 베이스라인 58.7을 앞섰고, 수정되지 않은 Qwen3-VL-4B는 15.2였습니다. 마지막 행은 이 논문에서 가장 흥미로운 부분입니다: 파인튜닝이 범용 모델을 로컬라이저로 바꾸는 것입니다.

• Referring, RefCOCOg 테스트 F1 — WeVisOne-VL-4B는 81.8로, 저자들이 제시한 가장 강력한 베이스라인의 77.6과 대비됩니다. 부재 대상 질의에 대한 거부율을 먼저 살펴봐야 합니다: RefCOCOg-Rej에서 67.4퍼센트, 사내 WeRef-Bench에서 96.4퍼센트, PR-Bench에서 52.6퍼센트입니다. 동일한 모델이 세 가지 다른 답을 내는 이유는 분포가 다르기 때문입니다.

• 카운팅, PixMo-Count — 89.6 대 82.8. 세그멘테이션, ReasonSeg val gIoU — 71.2 대 65.0.

• 매팅, P3M-500-NP 평균 절대 차이 — 7.3 대 15.4, 낮을수록 좋으며, 이는 저자들이 비교한 최고의 전용 매팅 베이스라인 오류의 약 절반입니다.

• 읽기, OCRBench — MiniCPM-V 4.7 35B-A3B의 경우 91.2, 1B의 경우 86.1이며, WeVisOne-VL-4B의 TotalText F1 52.0과 대비됩니다.

마지막 항목이 함정이다. OCRBench는 텍스트 인식을 측정하고, TotalText F1은 텍스트 위치 파악을 측정한다. 86.1을 52.0 옆에 놓고 34점 차 승리라고 선언하는 것은 범주 오류이며, 한 비교 게시물에서 다음 게시물로 복사되는 종류의 오류다. 정직한 진술은 두 모델이 같은 과제에서 테스트되지 않았다는 것이고, 숫자가 입증하는 유일한 것은 MiniCPM은 전사하도록, WeVisOne은 위치를 찾도록 만들어졌다는 것이다.

기억이 진짜 대가다

WeVisOne-VL-4B는 마스크 디코더 이전의 9.66GB bfloat16 체크포인트이며, Tencent는 양자화된 변형을 제공하지 않습니다. 비교 카드의 19GB 수치는 동일한 체크포인트를 F32로 변환한 것으로, 크기가 두 배가 된 것입니다. 어느 쪽이든 여전히 사용자 정의 추론 코드가 필요합니다. mask_decoder.pt는 선택적 추가 기능이 아니라 필수 구성 요소이며, 기본 Transformers 로드로는 박스와 텍스트는 얻지만 마스크는 얻지 못합니다. 문서화된 서빙 경로는 프로젝트 자체 추론 패키지로, Transformers 백엔드 또는 vLLM 백엔드를 감싸며, 여기에 Gradio 데모가 더해집니다. 평가 설정은 그리디 디코딩과 이미지당 최대 1,960개의 시각 토큰입니다. 이것은 GPU 서비스입니다.

MiniCPM-V 4.7 35B-A3B는 BF16 가중치가 16개 샤드에 걸쳐 대략 70GB이며, 이는 이론상으로는 더 나쁘지만 실제로는 더 좋은데, 토큰당 약 30억 개의 매개변수만 활성화되기 때문이다. OpenBMB의 핵심 주장은 비활성 전문가를 메모리에 상주시키지 않고 저장소에서 스트리밍할 수 있다는 것이며, Lookahead Expert Scheduling으로 다음 계층이 필요로 할 가능성이 높은 전문가를 미리 가져오고, 계층별 양자화와 DSpark 추측 디코딩을 함께 사용한다. 공급업체 주장은 iPhone 17 Pro Max에서 약 3GB의 메모리를 사용하며 초당 13개 이상의 토큰을 처리한다는 것이다. 독립적으로 이를 재현한 사람은 없으며, 이 주장은 세 기법 중 어느 하나가 아니라 세 기법 모두가 함께 작동하는 데 달려 있다.

1B는 경제성을 완전히 바꿉니다. BF16으로 3.1GB, Q4_K_M GGUF로 약 0.67GB이며, 그래서 esp32-eye 고양이 모니터가 MacBook에서 최대 1.5초마다 한 번씩 작동하는 게이트로 이를 실행할 수 있습니다. 같은 빌드에서 1B는 비슷한 고양이 네 마리를 구별하는 데 신뢰할 수 없다는 점이 드러났습니다. 따라서 이는 세밀한 인식기가 아니라 존재 감지기이며, 저렴한 분류기로 사용하려는 사람에게는 유용한 경계입니다.

간단히 말해: WeVisOne은 9.66GB와 GPU로 기하(도형)를 산다. MiniCPM은 어떤 크기를 택하느냐에 따라 70GB 또는 3GB로 읽기를 사고, OpenBMB의 스케줄링 주장이 맞다면 폰급 런타임까지 얻는다.

프로덕션에서 무엇이 깨지는가

WeVisOne의 실패 모드는 문서화되어 있으며 구체적입니다. Alpha 품질은 미세한 경계, 심한 가림, 그리고 진정으로 투명한 소재에서 저하됩니다. 이 모델은 프롬프트 문구에 민감해서 "the woman's hair"와 "her hair"가 동일한 매트를 반환한다고 보장할 수 없습니다. 영상을 입력받을 수 없고 사고 연쇄가 없으므로, 모호한 질의에 대해 박스를 확정하기 전에 추론하도록 요청할 방법이 없습니다. 또한 거부 동작에는 논문의 대표 수치가 가리는 약점이 있습니다. WeRef-Bench에서는 96.4퍼센트지만 PR-Bench에서는 약 52.6퍼센트입니다. 대상이 없을 때 대부분 거부하는 구성 요소는 유용하지만, 다른 분포에서는 절반만 거부하는 구성 요소에는 가드가 필요합니다.

MiniCPM-V 4.7의 실패 모드는 범용 모델의 실패 모드입니다. 설명이 근거에 기반했는지와 무관하게 이미지를 유창하게 묘사하며, 거부 채널이 전혀 없습니다. 카드에는 모델이 모를 때 알려주는 내용이 없습니다. 독자에게는 감당할 만합니다. 사람이 문단을 읽으니까요. 박스가 필요한 파이프라인에는 치명적입니다. 산문을 좌표로 파싱하면서 희망을 걸어야 하니까요.

이번 주에 자체 호스팅 전문 모델이 아니라 호스팅형 범용 비전 모델이 필요하다면, 이 두 모델 모두 OrcaRouter의 카탈로그에 없으며, 영업 제안 전에 이 점을 분명히 말하는 것이 좋습니다: 실용적인 경로는 호스팅되는 범용 모델을 200개가 넘는 모델 전반에서 하나의 키로 호출하고 제공업체 정가에 0% 마크업으로 이용하는 것이며, 업스트림 엔드포인트가 흔들리면 자동 장애 조치가 이루어집니다. 이렇게 하면 작동하는 파이프라인은 얻지만 알파 매트는 얻을 수 없고, 이 페이지에서 다루는 두 모델 어느 것과도 다른 제품입니다.

그것들 중에서 선택하기

출력이 기하 정보라면 WeVisOne-VL-4B를 선택하세요. 매장 진열대의 물체 세기, 사진에서 제품 오려내기, 사용자를 위해 영역 강조하기, 또는 대상이 없을 때 거부하기 같은 작업 말입니다. 매팅 수치는 정말 이례적이고, 거부 채널은 실제 엔지니어링 기능이며, 9.66 GB는 프로그램이 활용할 수 있는 무언가를 반환하는 구성 요소의 대가입니다.

긴 PDF, 대시보드, 동영상, 텍스트와 그림이 섞인 페이지처럼 이해가 결과물인 작업이라면 MiniCPM-V 4.7 35B-A3B를 선택하세요. 더 비싼 모델 앞에 두는 저렴한 게이트가 필요하다면 1B를 선택하되, 비슷하게 생긴 고양이 두 마리를 구별해 달라고 요청하지는 마세요.

이 문제를 실제로 판가름할 비교는 아직 존재하지 않습니다. 동일한 탐지 및 OCR 데이터셋에서, 동일한 이미지 예산으로 두 모델을 실행하는 독립적인 평가 하네스가 필요합니다. 누군가 그것을 공개하기 전까지 방어 가능한 입장은 지루한 쪽입니다. 즉, 이 모델들은 서로 다른 작업을 수행하고, 벤더 표는 겹치지 않으며, 결정을 바꿔야 하는 유일한 수치는 배포해야 하는 대상의 크기라는 것입니다.