WeVisOne-VL-4B vs MiniCPM-V 4.7 1B: Twee tegengestelde weddenschappen over waar een visuele token voor dient

MiniCPM-V 4.7 1B scoort 86,1 op OCRBench. WeVisOne-VL-4B scoort 52,0 op TotalText. Zet die twee getallen naast elkaar en het 1B-model lijkt het 4B-model met vierendertig punten te verslaan bij het lezen van tekst — wat een opmerkelijk resultaat zou zijn, en ook een categorie fout is. OCRBench meet of een model de tekens in een afbeelding kan transcriberen. TotalText meet, zoals Tencent het rapporteert, F1 voor het lokaliseren van elk tekstvoorbeeld over IoU-drempels van 0,5 tot 0,95. Het ene is herkenning, het andere is geometrie. MiniCPM-V 4.7 1B en WeVisOne-VL-4B werden negen dagen na elkaar uitgebracht in oktober 2026, beide van Chinese laboratoria, beide Apache 2.0, en ze verschillen fundamenteel van mening over waarvoor visuele tokens dienen: de ene comprimeert ze weg, de andere besteedt ze aan precisie.

Dat meningsverschil is de hele vergelijking. Al het andere — parameteraantallen, geheugen, benchmarkrijen — volgt daaruit.

Compressie versus precisie

MiniCPM-V 4.7 1B erft een intra-ViT-compressieschema met vroege compressie van LLaVA-UHD v4 en biedt dit aan als een runtime-schakelaar tussen 4× en 16× visuele tokencompressie. Het doel is om meer beeld en meer video in een vast budget te passen: de modelkaart claimt een context van 262.144 tokens, standaard 128 videoframes en een 448×448-tegelschema met een configureerbaar aantal slices. Comprimeer vroeg, houd de sequentie kort, en een 1B-model kan naar een lange video op een telefoon kijken.

WeVisOne-VL-4B maakt de tegenovergestelde afweging. De evaluatie ervan draait op maximaal 1.960 visuele tokens per afbeelding en de pixeldecoder werkt op ViT-kenmerken vóór samenvoeging, waarbij bewust het hoge-resolutiedetail behouden blijft dat vroege compressie weggooit. Daarom kan het een alpha-matte op volledige resolutie met een stride van 1 produceren en daarom kan het helemaal geen videoraster verwerken: de decoder weigert het. Precisie kost tokens, en tokens kosten latentie.

Geen van beide weddenschappen is verkeerd. Het zijn antwoorden op verschillende vragen. MiniCPM vraagt: "hoeveel kan ik in één keer zien op een telefoon?" WeVisOne vraagt: "hoe precies kan ik beschrijven waar iets zich bevindt?"

Het verhaal over de grootte is vreemder dan 1B versus 4B.

• Parameters — WeVisOne-VL-4B 4,83B dense versus MiniCPM-V 4.7 1B aangeduid als 1B, hoewel de metadata van de repository 2B in BF16 vermeldt

• Gewichtsformaat — F32-safetensors van ongeveer 19 GB versus BF16 van ongeveer 3,1 GB, of 0,67 GB bij Q4_K_M plus een vision-projector van 0,90–1,11 GB

• Context — niet gepubliceerd voor WeVisOne-VL-4B versus 262.144 tokens op papier voor MiniCPM-V 4.7 1B

• Video — afgewezen door de pixeldecoder vs standaard 128 frames

• Multimodale invoer — één afbeelding per beurt versus afbeelding en video

• Kwantisatie — geen door de leverancier meegeleverd vs. int4-, AWQ-, GPTQ-, GGUF- en FP8-varianten

• On-device runtimes — geen versus iOS, Android, HarmonyOS, plus llama.cpp en Ollama

• Licentie — Apache 2.0 voor door Tencent geschreven code versus Apache 2.0

De geheugenrij is degene die de vergelijking in een ander perspectief plaatst. Een 1B-model op vier bits past in minder dan een gigabyte vóór de vision-projector; een 4,83B-model in F32 heeft ongeveer negentien nodig. Deze zijn geen concurrenten voor dezelfde plek. Het ene is een component die je binnen een applicatie meelevert; het andere is een service die je op een GPU draait.

Benchmarkrijen lezen zonder jezelf voor de gek te houden

Beide leveranciers hebben tabellen gepubliceerd, en beide tabellen zijn zelfgeselecteerd. MiniCPM-V 4.7 1B rapporteert OCRBench 86,1, MathVista 74,3, CharXiv Reasoning 48,8, LongVideoBench 53,4 en MotionBench 54,55. WeVisOne-VL-4B rapporteert LVIS F1-gemiddelde 55,3, RefCOCOg-test 81,8, PixMo-Count-test 89,6, TotalText F1-gemiddelde 52,0, ReasonSeg val gIoU 71,2 en P3M-500-NP MAD 7,3. Geen enkele benchmark komt in beide lijsten voor. Er is geen verdedigbare manier om op basis van deze documenten een winnaar te berekenen, en elk artikel dat dat wel doet, verzint een resultaat.

De eerlijke lezing is beperkter en nog steeds nuttig. MiniCPM-V 4.7 1B is ongewoon sterk in redeneren over afbeeldingen voor zijn formaat — een 74,3 op MathVista van een model dat in een telefoon past, is het getal waarop zijn auteurs het trotst zijn, en het is door de leverancier gerapporteerd en niet gereproduceerd. WeVisOne-VL-4B is ongewoon sterk in het produceren van geometrie — masks, mattes, boxes, en een gemeten weigeringspercentage van 96,4% op WeRef-Bench wanneer het object niet aanwezig is. De kaart van MiniCPM publiceert geen weigeringsmaatstaf, en die van WeVisOne publiceert geen redeneerbenchmark. Elk model zwijgt precies waar het andere luid is.

Wat elk ervan niet kan

WeVisOne-VL-4B kan geen video bekijken, geen gesprek met meerdere beurten over een afbeelding voeren en niet op een telefoon draaien. Er is geen gepubliceerd cijfer voor tokens per seconde en er zijn geen gekwantiseerde builds, wat betekent dat iedereen die het inzet, zich vastlegt op een GPU en zelf de doorvoer moet benchmarken. De fine-tuningcode is nog steeds een niet-aangevinkt vakje op de TODO-lijst van het project.

MiniCPM-V 4.7 1B kan geen masker of alfa-matte retourneren. Het zal je vertellen dat er een persoon in de afbeelding staat en ongeveer waar; het levert je geen uitsnede met zachte randen. Het brengt ook de gewone risico's van een gloednieuwe modelfamilie met zich mee: een nieuwe model_type in Transformers, een minimale versievereiste van 5.18.0, en vroege meldingen van problemen met videodecodering in sommige CUDA- en torchcodec-combinaties. De context van 262K is een cijfer uit de paper — na de training is niet aangetoond dat het daar volledig gebruik van maakt.

De kosten van een tweede oproep

In de praktijk zijn deze twee modellen geen vervangers, en de interessante architectuur gebruikt beide: een klein, goedkoop model om de afbeelding te beschrijven en erover te redeneren, en een perceptiemodel om de geometrie terug te geven. Daardoor worden van één inferentieaanroep twee aanroepen, en dat is het punt waarop kosten ophouden een voetnoot te zijn.

De bijdrage van OrcaRouter aan dat geheel is de saaie die ertoe doet — één sleutel voor meer dan 200 modellen, met de lijstprijs van de provider doorgegeven tegen 0% opslag en automatische failover wanneer een upstream-endpoint achteruitgaat. Een prijsverlaging van een leverancier aan de generalistische kant komt dezelfde dag bij ons terecht, omdat er geen opslaglaag is om bij te werken. Noch WeVisOne-VL-4B noch MiniCPM-V 4.7 1B staat vandaag in die catalogus, dus het perceptiegedeelte van de pijplijn moet je nog steeds zelf hosten. Wat je vermijdt, is een tweede contract en een tweede set inloggegevens voor het gedeelte dat dat wel is.

Hoe je een van beide zou uitvoeren

WeVisOne-VL-4B is de veeleisendere installatie. De modelkaart documenteert Transformers, vLLM, SGLang en Docker Model Runner, maar mask_decoder.pt is een vereiste component: laad het checkpoint zonder het inferentiepakket van het project en je krijgt boxen en tekst, geen maskers. Het decoderen is greedy bij maximaal 1.960 visuele tokens per afbeelding, en er is geen gepubliceerd doorvoercijfer, dus het eerste dat je op je eigen hardware doet, is het meten.

MiniCPM-V 4.7 1B is de eenvoudigere. Het vereist Transformers 5.18.0 of nieuwer, en het ecosysteem kwam daarmee mee — builds voor llama.cpp, Ollama, SGLang en vLLM, plus int4-, AWQ-, GPTQ- en FP8-quantisaties, en een apart DSpark-conceptmodel met 213M parameters voor speculatieve decoding. Als je doel een telefoon, een Intel-box of een Rockchip-bord is, is dit het pad met een geplaveide weg.

Welke weddenschap te nemen

Als het apparaat de beperkende factor is, kies dan MiniCPM-V 4.7 1B. Niets aan WeVisOne-VL-4B is ontworpen voor een telefoon, en de kwantisatie, runtime-ondersteuning en videoverwerking aan de MiniCPM-kant zijn het product van een lab dat meerdere generaties on-device modellen op de markt heeft gebracht.

Als de output de beperkende factor is — je hebt maskers, mattes, dichte boxes voor kleine objecten of een betrouwbaar "niet aanwezig"-antwoord nodig — neem dan WeVisOne-VL-4B en houd rekening met de GPU. Bedenk dat je werkt met een paper van twee dagen oud zonder onafhankelijke evaluatie, en dat de mattingcijfers van Tencent zelf zijn.

Als je beide nodig hebt, heb je twee modellen nodig. Dat is de eerlijke conclusie, en het is degene die de eigen benchmarktabellen van beide leveranciers ondersteunen: ze zijn voor verschillende dingen geoptimaliseerd en geen van beide probeerde de ander te verslaan.