MiniCPM-V 4.7 35B-A3B kontra UI-Mate-27B: Jeden odczytuje ekran, drugi naciska przycisk

Uczciwe pierwsze zdanie o MiniCPM-V 4.7 35B-A3B w zestawieniu z UI-Mate-27B brzmi: nie są konkurentami. Oba trafiły na Hugging Face bez zapowiedzi, oba mają permisywną licencję, oba trenowano na szkieletach z rodziny Qwen i oba są opisywane we własnej dokumentacji jako mocne w rozumieniu tego, co znajduje się na ekranie — dlatego trafiają do jednej kategorii. Ale jeden to ogólny model wizyjno-językowy, który odczytuje obraz i odpowiada tekstem, a drugi to agent GUI, który odczytuje zrzut ekranu i emituje zgodne z pyautogui akcje myszy i klawiatury. MiniCPM-V 4.7 35B-A3B powie ci, co jest napisane w oknie dialogowym. UI-Mate-27B potrafi je zamknąć. Wszystko inne w tym porównaniu wynika z tej jednej różnicy, a przydatne pytanie nie brzmi, który model wygrywa — lecz której połowy zadania ci brakuje.

Oba są również na wczesnym etapie. UI-Mate-27B pojawił się 14 sierpnia 2026 r., a artykuł ukazał się dwa dni później; laboratorium nie opublikowało wpisu o premierze. W momencie, gdy po raz pierwszy o nim pisaliśmy, miał zero pobrań na Hugging Face, a nigdzie nadal nie ma hostowanego API. MiniCPM-V 4.7 pojawił się 6 października zupełnie bez karty, a OpenBMB nie opublikowało karty modelu, znacznika licencji ani sekcji z twierdzeniami aż do 12 października. Żaden z nich nie został niezależnie oceniony. Każda wartość wydajności w tym artykule jest oznaczona informacją, kto ją podał, a w obu przypadkach jest to własne laboratorium modelu.

To samo ciało, dwa różne zadania

Zacznijmy od tego, co sprawia, że to zestawienie wydaje się naturalne. Oba to średniej do dużej wielkości multimodalne modele z otwartymi wagami na licencjach Apache-2.0. Oba wywodzą się z tej samej linii rozwojowej — UI-Mate-27B jest dostrajany z Qwen3.6-27B, a stos językowy MiniCPM-V 4.7 35B-A3B to rzadki MoE z rodziny Qwen3.5. Oba są ukierunkowane na ten sam szeroki obszar zastosowań — ekrany, dokumenty i stan aplikacji — i oba zostały wydane w ciszy.

Następnie spójrz, co wyprowadza każdy z nich. MiniCPM-V 4.7 zwraca tokeny tekstu. UI-Mate-27B zwraca ustrukturyzowane działanie — kliknięcie, naciśnięcie klawisza, przewinięcie, oczekiwanie, sygnał ukończenia zadania — w znormalizowanej przestrzeni współrzędnych 1000×1000, którą agent referencyjny przeskalowuje do rzeczywistej rozdzielczości zrzutu ekranu, dzięki czemu przewidywania zachowują ważność mimo różnic w skalowaniu wyświetlania między maszynami. Karta modelu wyraźnie stwierdza, że UI-Mate jest „punktem kontrolnym agenta, a nie samodzielnym modelem czatu wizualnego”, i że do wszystkiego, co rzeczywiste, należy używać dołączonego harnessu.

Ta różnica decyduje o większości rzeczywistych wdrożeń. Jeśli Twój potok przetwarzania to „przeczytaj ten zrzut ekranu i powiedz mi, co jest z nim nie tak”, ogólny VLM jest właściwym narzędziem, a agent to przesada z gorszym trybem awarii. Jeśli Twój potok przetwarzania to „spraw, aby aplikacja zrobiła tę rzecz”, sam VLM sprawia, że musisz samodzielnie napisać całą warstwę akcji — mapowanie współrzędnych, parsowanie akcji, odzyskiwanie po błędach, logikę ponawiania — co jest częścią, na którą UI-Mate przeznaczył swój budżet uczenia ze wzmocnieniem.

Czym jest MiniCPM-V 4.7 35B-A3B na chwilę obecną

Pierwszy MoE OpenBMB w serii MiniCPM-V: 256 ekspertów, z których 8 jest aktywnych na token w 40 warstwach, okno kontekstu 262 144 tokenów i słownik 248 144 tokenów, czyli około 3 mld aktywnych parametrów z 35,2 mld wszystkich. Przetwarzanie wizji odbywa się przez moduł SigLIP2 z wczesną kompresją intra-ViT w LLaVA-UHD v4 oraz wybieralnym mieszanym trybem kompresji tokenów wizualnych 4x/16x — domyślnie 16x dla przepustowości, 4x, gdy liczy się drobny detal. Rozumie pojedyncze obrazy, zestawy wielu obrazów i wideo, a zwraca tekst.

Twierdzenie z nagłówka karty głosi, że to pierwszy otwartoźródłowy model MoE z bezstratnym, płynnym wnioskowaniem na urządzeniu — Lookahead Expert Scheduling, drobnoziarnistą kwantyzacją warstwa po warstwie i próbkowaniem spekulatywnym przez oddzielne wersje robocze DSpark — przy raportowanej prędkości ponad 13 tokenów na sekundę na iPhone 17 Pro Max. Ta liczba została podana przez dostawcę, nie została odtworzona i nieopatrzono jej zastrzeżeniami. Drugie twierdzenie — że model przewyższa ogólny wynik Qwen3.6 35B-A3B w trybie Instruct w krótszym czasie wnioskowania — jest przedstawione na obrazie wykresu, a nie w tabeli, więc nie można go zacytować jako liczby.

Konkretna jest dystrybucja. Wagi Base, FP8, int4, AWQ, GPTQ i GGUF istnieją; obsługiwane są SGLang, vLLM, llama.cpp, Ollama i OpenVINO; istnieją aplikacje na iOS, Android i HarmonyOS; Rockchip, Houmo, Intel, AMD i Arm są wymienione jako day-zero silicon; a karta dokumentuje wywoływanie narzędzi, z praktycznym przykładem wywołania funkcji w sekcji serwowania. Ten ostatni szczegół ma znaczenie dla tego porównania: MiniCPM-V 4.7 może być warstwą percepcji i rozumowania wewnątrz agenta, którego budujesz, mimo że nie będzie działać samodzielnie.

Czym jest UI-Mate-27B na chwilę obecną

fundamentalny agent GUI dostawcy o 27 miliardach parametrów, opublikowany 14 sierpnia 2026 r. wraz z siostrzanym modelem 9B i wariantem sterowanym demonstracjami, UI-Mate-democua-27B. Trening polegał na nadzorowanym dostrajaniu, a następnie uczeniu ze wzmocnieniem online w wykonywalnych środowiskach GUI — model uczył się, faktycznie obsługując pulpity, a nie na podstawie statycznych zrzutów ekranu. Jego przestrzeń akcji obejmuje mysz, klawiaturę, przewijanie, oczekiwanie, interakcję z użytkownikiem i sygnały ukończenia, a emitowane akcje są zgodne z pyautogui, więc środowisko wykonawcze może je uruchamiać bezpośrednio.

Czynnikiem wyróżniającym, na którym opiera się dostawca, jest wykonywanie sterowane demonstracją: nagraj przepływ pracy raz, a agent dostosuje go do bieżącego ekranu, przy czym bieżący zrzut ekranu jest traktowany jako autorytatywny, zamiast odtwarzania stałego skryptu. Materiały towarzyszące są nietypowo kompletne jak na ciche wydanie — strona projektu z filmem demonstracyjnym i aplikacją macOS Apple Silicon, repozytorium GitHub zawierające oficjalny prompt, parser odpowiedzi i harness interakcji oraz preprint arXiv 2608.15930 przesłany dwa dni po udostępnieniu wag.

Najważniejsze liczby to zgłoszony przez dostawcę wynik WindowsAgentArena wynoszący 66,2 oraz OSWorld-Verified wynoszący 77,0, które — gdyby się utrzymały — znalazłyby się na szczycie tego, co w tym roku opublikowano w tym benchmarku. Nie zostały odtworzone przez nikogo spoza laboratorium. A obraz wdrożenia jest ubogi, jak to zwykle bywa we wczesnych wydaniach agentów: brak hostowanego API, zalecana ścieżka serwowania vLLM za endpointem zgodnym z OpenAI oraz celowa instrukcja, by używać harnessu, a nie wywoływać surowego checkpointu.

Osiem wymiarów, obie strony

• Dane wyjściowe — tekst z MiniCPM-V 4.7 35B-A3B; ustrukturyzowane akcje kompatybilne z pyautogui z UI-Mate-27B.

• Dane wejściowe — tekst, obrazy i wideo, w porównaniu ze zrzutami ekranu na żywo plus instrukcja. Żadne z nich nie przyjmuje dźwięku.

• Model bazowy — rzadki MoE z rodziny Qwen3.5 dla modelu MiniCPM, Qwen3.6-27B dla UI-Mate.

• Rozmiar i kształt — łącznie 35,2 mld parametrów, z czego 3 mld aktywnych w 256 ekspertach; 27 mld w wariancie gęstym. Rzadki jest tańszy w przeliczeniu na token, gęsty jest prostszy w obsłudze.

• Kontekst — 262 144 tokeny w porównaniu z domyślnymi pięcioma zachowanymi zrzutami ekranu, co stanowi największą pojedynczą różnicę architektoniczną między nimi i powód, dla którego jeden może odczytać długi zestaw dokumentów, a drugi nie.

• Licencja — Apache-2.0 w obu przypadkach, co sprawia, że wybór jest dla odmiany kwestią techniczną, a nie prawną.

• Twierdzenie z nagłówka, oba raportowane przez dostawców — ponad 13 tokenów na sekundę na iPhone 17 Pro Max, w porównaniu z WindowsAgentArena 66,2 i OSWorld-Verified 77,0. Różne benchmarki, brak wspólnej skali, żadnego z nich nie odtworzono.

• Dostępne już dziś — sześć formatów kwantyzacji, pięć środowisk uruchomieniowych i aplikacje mobilne, w porównaniu z zerową liczbą pobrań przy pierwszym omówieniu, brakiem hostowanego API i harnessem, którego użycie zaleca dostawca.

Tam, gdzie faktycznie się nakładają.

Jest jedno zadanie, którego oba mogą spróbować: zrozumieć zrzut ekranu interfejsu użytkownika na tyle dobrze, by odpowiedzieć na pytanie o niego. Zapytaj „które pole nie przeszło walidacji”, a oba modele mogą wiarygodnie odpowiedzieć. Zapytaj „napraw to”, a tylko UI-Mate-27B wygeneruje akcję, i to tylko wtedy, gdy skonfigurowałeś całą infrastrukturę — pętlę zrzutów ekranu, parser, executor, przeskalowanie współrzędnych i politykę ponawiania, gdy kliknięcie trafi w nieoczekiwane miejsce.

Odwrotne nakładanie się jest słabsze, ale realne. Wsparcie MiniCPM-V 4.7 dla wywoływania narzędzi oznacza, że można zbudować wokół niego agenta — percepcję i planowanie na modelu wizyjnym, a własną warstwę działań doczepioną przez wywołania funkcji. To uzasadniona architektura i daje pełną kontrolę nad przestrzenią działań. To także, z grubsza, wymyślanie na nowo tego, na co UI-Mate już przeznaczył uczenie ze wzmocnieniem, i to bez danych treningowych charakterystycznych dla GUI. Zespoły lepiej zrobią, wybierając, którą warstwę chcą posiadać, niż który model jest powierzchownie lepszy w zrzutach ekranu.

Serwowanie obu i gdzie pasuje router

Żaden z tych modeli nie jest hostowany nigdzie, w tym tutaj — MiniCPM-V 4.7 35B-A3B i UI-Mate-27B nie pojawiają się nigdzie w katalogu OrcaRouter, a nic w tym artykule nie powinno być odczytywane jako twierdzenie, że je routujemy. Oba są checkpointami, które pobierasz i uruchamiasz samodzielnie, a w przypadku UI-Mate oznacza to dwie rzeczy: około 27B wag oraz endpoint zgodny z OpenAI, ponieważ README samego dostawcy zaleca serwowanie go z vLLM, a harness oczekuje zgodnego bazowego adresu URL.

Ten endpoint jest najciekawszym elementem przy planowaniu kosztów, ponieważ harness nie dba o to, który model odpowiada, dopóki endpoint zachowuje się zgodnie z oczekiwaniami. OrcaRouter umieszcza ponad 200 modeli hostowanych za jednym kluczem w cenie katalogowej każdego dostawcy, bez naszej marży, z automatycznym przełączaniem awaryjnym między trasami dostawców, co czyni go bazowym adresem URL, który można podłączyć bez żadnych zmian po stronie planistycznej agenta — a DSL routingu pozwala złożyć tani model do rutynowych kroków i mocniejszy do decyzji, które naprawdę mają znaczenie, w ramach jednego wywołania zamiast dwóch integracji. Najbliższym hostowanym odpowiednikiem profilu kosztowego modelu MiniCPM jest Qwen3.6 35B A3B — 35 mld łącznie, 3 mld aktywnych, kontekst 262K — w cenie 0,25 USD za milion tokenów wejściowych i 1,48 USD za milion tokenów wyjściowych. To, czy przebija to samodzielny hosting 70 GB rzadkiego MoE, to pytanie, na które można odpowiedzieć w jedno popołudnie, co nie jest prawdą w przypadku żadnego z modeli z nagłówka.

Który chcesz

Weź UI-Mate-27B, jeśli potrzebujesz modelu, który działa — automatyzacja pulpitu, zamiennik RPA, długoterminowe przepływy pracy w aplikacjach — i jeśli akceptujesz związany z tym kompromis: benchmark raportowany przez dostawcę, brak niezależnego odtworzenia, brak hostowanej ścieżki oraz harness, który musisz przyjąć, a nie poddawać go analizie. Zaletą jest to, że wszystko w tym wydaniu jest nietypowo dobrze udokumentowane — od artykułu, przez prompt, po parser — a siostrzany model 9B daje ci tańszy model do prototypowania.

Weź MiniCPM-V 4.7 35B-A3B, jeśli potrzebujesz percepcji — długie dokumenty, masowe zrzuty ekranu, wideo — i jesteś gotów samodzielnie wziąć na siebie warstwę akcji. Otrzymujesz permisywną licencję, sześć formatów kwantyzacji, pięć środowisk uruchomieniowych, okno 262K oraz historię wdrożenia klasy telefonu, której nie zweryfikował nikt spoza OpenBMB.

Co by to zmieniło: odtworzony przebieg OSWorld lub WindowsAgentArena dla UI-Mate, który przekształciłby jego kluczowe twierdzenie z marketingu w pomiar; oraz tabela ewaluacyjna dla MiniCPM-V 4.7, która w ogóle nie istnieje. Dopóki jedno z nich się nie pojawi, decyzja należy do twojego diagramu architektury, a nie do którejkolwiek z tych tablic wyników — dekoder albo ręka, i powinieneś wiedzieć, czego ci brakuje.