Wygenerowana karta hero z nagłówkiem „MiniCPM-V 4.7 vs LLaDA-UI” i podtytułem „Generalista przystosowany do telefonu kontra dyfuzyjny agent GUI”, lewa karta z tekstem „LLaDA-UI: 16,7B MoE, dyfuzja blokowa, agent GUI, ScreenSpot-Pro 52,9”, prawa karta z tekstem „MiniCPM-V 4.7: 35,2B rzadki MoE, autoregresyjny, Apache-2.0, brak tabeli wyników” oraz pigułka z tekstem „Zmierzony specjalista kontra niezmierzony generalista”. Logo OrcaRouter pojawia się w prawym dolnym rogu.
Guides & Insights

MiniCPM-V 4.7 vs LLaDA-UI: generalista gotowy na telefon kontra agent GUI oparty na dyfuzji

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Postaw MiniCPM-V 4.7 obok LLaDA-UI, a oczywiste ujęcie — generalista kontra specjalista — okazuje się najmniej użytecznym sposobem odczytywania tego starcia. MiniCPM-V 4.7, który OpenBMB udokumentował i objął licencją 12 października 2026 r., to model wizyjno-językowy oparty na rzadkiej mieszaninie ekspertów o 35,2 mld parametrów, którego cała teza sprowadza się do wydajności: karta deklaruje ponad 13 tokenów na sekundę na iPhone 17 Pro Max oraz lepszy stosunek wydajności do czasu wnioskowania niż Qwen3.6 35B-A3B. LLaDA-UI, opracowany przez inclusionAI agent GUI oparty na mieszaninie ekspertów o około 16,7 mld parametrów, jest zupełnie innym gatunkiem — w ogóle nie generuje tokenów od lewej do prawej, tylko odszumia cały ich blok naraz. Pytanie, które faktycznie ma osoba budująca rozwiązanie, jest węższe niż „który jest lepszy”: chodzi o to, który z tych dwóch został zmierzony na zadaniu, do którego go zatrudniasz, i na jakich dowodach.

Te dwie bazy dowodowe nie są tym samym rodzajem rzeczy

Oba modele są benchmarkowane przez dostawców i żaden nie został niezależnie odtworzony. Poza tym porównanie się rozdziela.

• MiniCPM-V 4.7 — sekcja ewaluacji jego karty modelu składa się z pięciu obrazów: ogólnej wydajności wizyjno-językowej, wydajności językowej, wykresu wariantu 1B, wykresu granicznego wydajności względem czasu wnioskowania oraz porównania szybkości na urządzeniu. Opis zawiera dwa twierdzenia, oba porównawcze, a nie absolutne. W publicznej dokumentacji nie ma tabeli wyników dla poszczególnych benchmarków.

• LLaDA-UI — raport techniczny, artykuł arXiv i strona projektu podają nazwane benchmarki z nazwanymi baseline'ami: ScreenSpot-Pro 52,9 wobec 52,7 modelu Qwen3-VL-8B, AndroidWorld 53,5 wobec 47,9, MobileWorld 25,6 wobec 9,4, WebVoyager 56,9 wobec 45,2, przy czym ScreenSpot-V2 opisano jako bliski, a OSWorld-Verified sam inclusionAI określa jako pozostałą lukę.

• Co to oznacza w praktyce — jeden model publikuje wyniki na poziomie zadań, z którymi można polemizować, a drugi publikuje wskaźnik zbiorczy, którego nie da się rozłożyć na części. „Wyższy wynik ogólny w krótszym czasie wnioskowania” to twierdzenie o wykresie, a sposób ważenia stojący za wskaźnikiem zbiorczym nie jest publikowany. Wynik 52,9 w ScreenSpot-Pro to twierdzenie o zdefiniowanym teście o zdefiniowanym protokole.

• Żadne z nich nie zostało zweryfikowane niezależnie — dane LLaDA-UI pochodzą z jej własnej strony projektu i raportu technicznego; dane MiniCPM-V 4.7 pochodzą z wykresów sporządzonych przez dostawcę. Uznanie któregokolwiek z nich za rozstrzygnięte byłoby błędem, ale traktowanie ich jako równie wartościowych informacyjnie byłoby innym błędem.

Czym tak naprawdę jest każdy model

Przepaść architektoniczna jest większa, niż sugerują liczby parametrów, i przesądza o większości praktycznych różnic na dalszych etapach.

• Bazowy — MiniCPM-V 4.7 opiera się na qwen3_5_moe_text, szkielecie z 256 ekspertami, 8 aktywnymi na token, 40 warstwami i wzorcem uwagi liniowo-pełnej w proporcji trzy do jednego; LLaDA-UI opiera się na LLaDA2.0-mini-base, maskowanym dyfuzyjnym modelu językowym.

• Generowanie — MiniCPM-V 4.7 jest autoregresyjny, token po tokenie; LLaDA-UI dekoduje blokowo, odszumiając cały blok pozycji wyjściowych równolegle i rekonstruując go w warunkach dwukierunkowych wewnątrz tego bloku.

• Parametry — łącznie 35,2 miliarda dla MiniCPM-V 4.7, przy czym na token aktywnych jest 8 z 256 ekspertów; około 16,7 miliarda łącznie dla LLaDA-UI jako mieszanina ekspertów.

• Kontekst — maksymalna pozycja 262 144 tokenów dla MiniCPM-V 4.7; karta LLaDA-UI dokumentuje domyślną wartość --max-length wynoszącą 8192 dla swojego skryptu inferencyjnego, przy czym duże zrzuty ekranu wymagają zwiększenia tej wartości.

• Vision — MiniCPM-V 4.7 wykorzystuje 27-warstwową wieżę o szerokości 1152 przy patchu 14 i rozmiarze obrazu 980 z mieszaną kompresją tokenów 4x/16x; LLaDA-UI wykorzystuje ViT o natywnej rozdzielczości inicjalizowany z SigLIP z dwuwymiarowymi osadzeniami rotacyjnymi i czterodo-jednego scalaniem przestrzennym do dwuwarstwowego MLP, wyraźnie w celu zachowania proporcji ekranów telefonów, komputerów i stron internetowych.

• Wyjście — MiniCPM-V 4.7 generuje tekst, a rozumienie obrazu i wideo stanowi stronę wejściową; LLaDA-UI generuje znormalizowane współrzędne w zakresie od 0 do 999 oraz oznaczone sekwencje rozumowania i działań przeznaczone do wykonania.

• Licencja — Apache-2.0 dla MiniCPM-V 4.7, zadeklarowana 12 października; żadna licencja nie jest podana nigdzie na stronie projektu LLaDA-UI ani w karcie modelu.

Ten ostatni punkt nie jest przypisem, jeśli wypuszczasz produkt. Jedną z tych dwóch rzeczy możesz dziś umieścić w produkcie komercyjnym bez rozmowy; drugiej nie.

To w dekodowaniu tkwi prawdziwy podział

Dyfuzja blokowa jest powodem, dla którego LLaDA-UI istnieje jako odrębna linia prac, a nie jako kolejny fine-tuning. W pętli agenta autoregresyjnego każdy token akcji zależy od każdego tokenu przed nim, więc współrzędna kliknięcia na końcu odpowiedzi czeka na rozumowanie, które ją poprzedza. W agencie dyfuzyjnym blok jest udoskonalany jako jednostka, a praktyczną konsekwencją, którą sprzedaje inclusionAI, jest opóźnienie: w sparowanym teście API strona projektu podaje od 4,8 do 6,4 sekundy wobec 17 do 53 sekund dla Qwen3-VL-8B, co opisano jako średnie przyspieszenia 3,58x na wejściach web, 6,83x na desktopie i 8,95x na mobilnych, przy jednoczesnym generowaniu większej liczby tokenów na wywołanie. W przypadku danych wejściowych MobileWorld podane średnie wynoszą 5,9 sekundy wobec 53,0.

To liczby zmierzone przez dostawcę, sparowane i niebuforowane, uzyskane na własnym stanowisku testowym laboratorium, i tak należy je odczytywać. Ale nawet z tym zastrzeżeniem kierunek warto traktować poważnie, ponieważ pętle agentów zwielokrotniają opóźnienie. Agent interfejsu, który wykonuje dziesięć kroków, ponosi koszt pojedynczego kroku dziesięciokrotnie, a różnica dziesięciu sekund na krok to różnica między demem a produktem.

MiniCPM-V 4.7 podchodzi do tego samego problemu z przeciwnej strony. Utrzymuje dekodowanie autoregresyjne i sprawia, że każdy krok jest tani dzięki szeregowaniu ekspertów — predyktor międzywarstwowy wstępnie wczytuje ekspertów, których prawdopodobnie będzie potrzebować następna warstwa, nadając priorytet tym, których faktycznie wybrał prawdziwy router, przy czym karta wyraźnie zaznacza, że predykcja steruje wyłącznie wstępnym wczytywaniem, a obliczeniami nadal rządzi własny routing modelu. Dodaj kwantyzację warstwową i spekulatywne próbkowanie DSpark, a deklaracja brzmi: ponad 13 tokenów na sekundę dla MoE o 35 miliardach parametrów na telefonie. Inny mechanizm, ten sam cel: uczynić pętlę wystarczająco szybką, aby urządzenie mogło ją uruchomić.

A generated two-column comparison table headed with 'MiniCPM-V 4.7' and 'LLaDA-UI' over six shared rows. The MiniCPM-V 4.7 column reads '35.2B total, 8 of 256 active', 'autoregressive', 'vendor charts, no table', 'documented, unscored', 'Apache-2.0' and 'GGUF, AWQ, GPTQ, FP8'; the LLaDA-UI column reads 'approx 16.7B MoE', 'block-wise diffusion', 'named benchmarks in report', 'ScreenSpot-Pro 52.9', 'not stated' and 'lab SGLang patches required'. A footer reads 'LLaDA-UI figures vendor-reported from its technical report; MiniCPM-V 4.7 figures from its model card and config.json.'

To, w czym każde z nich jest dobre, ujęte tak wąsko, jak pozwalają na to dowody.

• Wybierz LLaDA-UI, gdy zadanie dotyczy interfejsu — klikanie, pisanie, nawigowanie po aplikacji mobilnej, oknie pulpitu lub stronie internetowej. To ten z dwóch, który ma opublikowane wyniki grounding i nawigacji, udokumentowaną konwencję współrzędnych oraz dołączone przykładowe żądania dla urządzeń mobilnych, komputerów stacjonarnych i stron internetowych.

• Wybierz MiniCPM-V 4.7, gdy zadaniem jest rozumienie — opisywanie zdjęcia, czytanie dokumentu, parsowanie pliku PDF, odpowiadanie na pytanie o film, działanie na sprzęcie, który posiadasz. To jeden z dwóch modeli z udokumentowaną dbałością o OCR, parsowanie PDF i grounding wizualny w swoim cookbooku, z wbudowanym wsparciem dla SGLang, vLLM, llama.cpp i Ollama oraz z opublikowanymi do pobrania wariantami skwantyzowanymi.

• Część wspólna jest mniejsza, niż się wydaje — karta MiniCPM-V 4.7 wymienia grounding wizualny jako przewodnik typu cookbook, ale nie publikuje żadnego wyniku groundingu. Karta LLaDA-UI dotyczy jednego zadania. Jeśli Twoje zadania dotyczą automatyzacji GUI, porównujesz zmierzonego specjalistę z niezmierzonym generalistą; jeśli Twoje zadania dotyczą rozumienia dokumentów i obrazów, porównujesz udokumentowanego generalistę z modelem, który nigdy nie został stworzony do tego celu.

• Tarcie przy wdrażaniu działa w drugą stronę — MiniCPM-V 4.7 oferuje checkpointy GGUF, AWQ, GPTQ, int4 i FP8 oraz ścieżkę OpenVINO i deklarowane wsparcie day-0 dla układów Rockchip, Houmo, Intel, AMD i Arm. Ścieżka serwowania LLaDA-UI wymaga własnych poprawek do multimodalnej dyfuzji SGLang od laboratorium oraz skryptu serve_llada_ui.sh; karta modelu wprost stwierdza, że serwera nie można uruchomić ze standardowej instalacji SGLang.

Pytanie o koszty, którego nikt nie publikuje

Żaden z tych modeli nie ma publicznej ceny za token, ponieważ żaden nie jest hostowanym endpointem, który wynajmujesz, płacąc za miliony tokenów. Hostujesz oba, co oznacza, że kosztem jest twój sprzęt i opóźnienia. To zmienia perspektywę wyboru: checkpoint o 16,7 miliarda parametrów, zajmujący około 32 GB w BF16, to znacznie mniejsze zobowiązanie niż model 35-miliardowy o rozmiarze 70 GB, a jeśli zadanie agenta potrzebuje tylko mniejszego modelu, większy niczego ci nie daje w przypadku tego obciążenia.

Przypadek hybrydowy to sytuacja, w której warstwa routingu naprawdę się opłaca. Uruchamiaj mały model stworzony do konkretnego celu lokalnie, do rutynowej pracy z interfejsem, a naprawdę trudne przypadki — gęsty zrzut ekranu, nietypowy dokument, pytanie wymagające wiedzy o świecie większego modelu — przekazuj do hostowanego endpointu. OrcaRouter umieszcza ponad 200 hostowanych modeli za jednym kluczem z ceną katalogową każdego dostawcy przekazywaną dalej z 0% narzutu oraz automatycznym przełączaniem awaryjnym, gdy dostawca zaczyna działać gorzej, a jego DSL routingu pozwala jednemu wywołaniu rozesłać trudny przypadek do więcej niż jednego modelu, gdy odpowiedź ma być poprawna, a nie tania. Ani MiniCPM-V 4.7, ani LLaDA-UI nie są przez niego obsługiwane — oba to checkpointy z otwartymi wagami, które uruchamiasz samodzielnie, a router to właśnie to, co znajduje się po drugiej stronie tego przekazania.

A screenshot of the Hugging Face model page for inclusionAI/LLaDA-UI, showing the title 'LLaDA-UI — Bringing Block-wise Diffusion to Vision-Language GUI Agents', the arXiv, Project Page, HF Collection and GitHub badges, the opening description of MoE block-wise diffusion, the Figure 1 architecture diagram and the Model Details block.

Trzy pytania, na które warto odpowiedzieć, zanim się zobowiążesz

Czy przewaga LLaDA-UI w szybkości jest realna na twoim sprzęcie? Wskaźniki od 3 do 9 razy to sparowane, niebuforowane pomiary wykonane na własnym stanowisku testowym laboratorium względem jednego punktu odniesienia. Dyfuzja blokowa ma inne charakterystyki pamięciowe niż dekodowanie autoregresyjne, a przyspieszenie zmierzone na GPU producenta nie przenosi się automatycznie na twój sprzęt. To pojedyncza liczba, którą najbardziej warto odtworzyć, zanim zaczniesz na niej opierać dalszą pracę.

Czy MiniCPM-V 4.7 da się w ogóle skierować na zadanie interfejsowe? Prawdopodobnie — to model językowo-wizyjny z udokumentowanymi narzędziami do grounding — ale karta nie publikuje żadnego benchmarku dla agentów GUI, żadnej konwencji współrzędnych ani słownika akcji. Zbudowanie dzisiaj agenta GUI na jego podstawie oznacza samodzielne zdefiniowanie formatu wyjściowego i liczenie, że model go uszanuje. LLaDA-UI rozwiązał ten problem celowo, za pomocą oznaczonego tagami rozumowania oraz wyjść akcji i słowników dla poszczególnych platform.

Który z nich będzie jeszcze wspierany za sześć miesięcy? OpenBMB wypuścił pełną rodzinę wokół MiniCPM-V 4.7 — dwa warianty bazowe, pięć formatów kwantyzacji, dwa modele szkicowe DSpark, cookbook i repozytorium do wdrożeń brzegowych — w niecały tydzień, na warunkach Apache-2.0. LLaDA-UI ma raport techniczny, artykuł na arXiv, stronę projektu i repozytorium kodu oraz brak podanej licencji. Szerokość otaczającej infrastruktury jest rozsądnym wskaźnikiem tego, na ile laboratorium zamierza utrzymywać coś przy życiu.

Werdykt

Te dwa nie są substytutami, a uczciwa rekomendacja wynika z tego, a nie z liczby parametrów. Jeśli budujesz automatyzację interfejsu, LLaDA-UI jest bardziej dopracowanym produktem, mimo że jest mniejszym modelem — oceniane na zadaniu, z udokumentowanym formatem wyjściowym i ścieżką serwowania, oraz niosącym ryzyko licencyjne, które musisz rozwiązać przed wdrożeniem. Jeśli budujesz cokolwiek, co wiąże się z patrzeniem na obrazy, czytaniem dokumentów lub uruchamianiem na telefonie, MiniCPM-V 4.7 to ten z ekosystemem, permisywną licencją i historią wdrożeniową, a jego twierdzenia o wydajności są dokładnie tak mocne, jak może je uczynić nieodtworzony wykres. Zespoły, które potrzebują obu, uruchamiają je razem, a warstwa routingu jest najtańszą częścią tego rozwiązania.

A generated three-card graphic headed 'Which one for which job'. The 'Interface automation' card reads 'LLaDA-UI', 'Measured on GUI benchmarks', 'Documented action format', 'No stated licence'. The 'Images and documents' card reads 'MiniCPM-V 4.7', 'OCR, PDF and video guides', 'Apache-2.0', 'No benchmark table'. The 'Both at once' card reads 'Run the small local model', 'Route hard cases to a hosted model', 'One key, provider list price'. A footer reads 'Benchmark figures vendor-reported; architecture figures read from each model's config.' The OrcaRouter logo sits bottom-right.