
MiniCPM-V 4.7 vs LLaDA-UI: generalista gotowy na telefon kontra agent GUI oparty na dyfuzji
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 187 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 414 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 138 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0748 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 116 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
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.

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.

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.

