MiniCPM-V 4.7 vs WeVisOne-VL-4B: Akapit czy wielokąt

Najszybszym sposobem wyboru między MiniCPM-V 4.7 a WeVisOne-VL-4B jest spojrzenie na to, co zwracają. WeVisOne-VL-4B zwraca współrzędne: prostokąty znormalizowane do siatki tysiąca punktów, punkty, maski instancji oraz maty alfa w pełnej rozdzielczości generowane przez dekoder o 9,6 mln parametrów dołączony do szkieletu Qwen3-VL. MiniCPM-V 4.7 zwraca zdania, całe ich strony, w kontekście 262 144 tokenów, który może pomieścić wideo. Jeden z nich to komponent percepcji, który podłączasz do potoku. Drugi to czytelnik, któremu zadajesz pytania. Oba są na licencji Apache-2.0, oba pochodzą z chińskich laboratoriów, oba wydano w październiku 2026 r. przy niemal zerowym pokryciu w anglojęzycznej prasie branżowej i ledwie należą do tej samej kategorii produktów.

Te dwa modele pojawiły się w bardzo różny sposób. Zespół WeChat Vision Tencenta udostępnił WeVisOne-VL-4B na Hugging Face i GitHub 22 października 2026 r., wraz z artykułem na arXiv i towarzyszącym modelem 2B, bez wpisu na blogu i bez komunikatu prasowego. OpenBMB przesłał MiniCPM-V 4.7 6 i 7 października, w swoim repozytorium podał datę premiery jako 12 października, a 15 października ogłosił ją w angielskim komunikacie prasowym PR Newswire, który wywołał wyjątkowo niewielkie zainteresowanie anglojęzycznych mediów branżowych. Jeden pojawił się jako repozytorium; drugi jako repozytorium plus komunikat agencyjny. Większość porównań tych modeli myli kategorię, zanim pomyli liczby.

Dwie odpowiedzi na to samo pytanie.

WeVisOne-VL-4B to dostrojona wersja Qwen3-VL, która emituje geometrię jako tokeny. Ramki i punkty są kodowane jako tokeny dziesiętne od 0 do 1000, znormalizowane względem obrazu, a po każdej przewidzianej ramce model emituje specjalny token, którego stan ukryty zasila osobny dekoder masek: adapter cech wizualnych, sześć bloków deformowalnej uwagi krzyżowej i głowicę kaskadową, która uściśla wynik przy krokach cztery, dwa i jeden. Wynikiem jest maska instancji, a w zadaniach mattingu — kanał alfa w pełnej rozdzielczości. W pętli nie ma drugiego modelu ani wywołania SAM; cała ścieżka pikselowa to mniej niż dziesięć milionów parametrów dołączonych do modelu językowego. Model ma 4,83 miliarda parametrów w bfloat16, co karta modelu zaokrągla do 5B, i przyjmuje jeden obraz na turę — siatki wideo są całkowicie odrzucane przez dekoder pikseli.

MiniCPM-V 4.7 to model ogólnego przeznaczenia w dwóch rozmiarach. 35B-A3B przechowuje 35,2 mld parametrów w 256 ekspertach, kieruje ośmiu ekspertów na token, co daje około 3 mld aktywnych parametrów, i obsługuje kontekst 262 144 tokenów z wejściem jednoobrazowym, wieloobrazowym i wideo. Model 1B to gęsty model z 1,55 mld parametrów o tej samej długości kontekstu i punkcie kontrolnym BF16 o rozmiarze 3,1 GB. Oba współdzielą 27-warstwową wieżę wizyjną SigLIP2 z mieszaną kompresją tokenów wizualnych 4× i 16×, czyli mechanizmem, który pozwala utrzymać przystępny koszt kontekstu ćwierć miliona tokenów. Żaden z nich nie ma prymitywu wskazywania, detekcji ani segmentacji. Możesz zapytać dowolny z nich, gdzie jest kot, a otrzymasz opis tego, gdzie jest kot.

Ta różnica nie jest kosmetyczna. Decyduje o tym, czy twój kod na dalszym etapie parsuje JSON czy prozę, czy zła odpowiedź zawodzi głośno czy po cichu oraz czy model można łączyć z czymkolwiek innym bez drugiego modelu poprawiającego jego dane wyjściowe.

Liczby i czekający w nich błąd kategorii

Każda liczba poniżej została podana przez dostawcę. Dane Tencentu pochodzą z artykułu i README; zestaw porównawczy wybrali autorzy, a nikt z zewnątrz ich nie odtworzył. Dane OpenBMB pochodzą ze strony modelu dostawcy i zostały opublikowane jako opis oraz obrazy wykresów, a nie tabela liczb. Żadne z laboratoriów nie ma niezależnego wyniku dla tych modeli w ramach wspólnego środowiska testowego.

• Detekcja, LVIS F1 — WeVisOne-VL-4B 55,3 w porównaniu z najlepszym baseline’em wymienianym przez autorów na poziomie 50,7. MiniCPM-V 4.7 nie publikuje wyniku detekcji.

• Detekcja gęsta, Dense200 F1 — 71,3 dla WeVisOne wobec 58,7 dla najlepszego baseline'u i 15,2 dla niezmodyfikowanego Qwen3-VL-4B. Ten ostatni wiersz jest najciekawszy w artykule: to dostrajanie zamienia model ogólnego przeznaczenia w lokalizator.

• Referring, test F1 na RefCOCOg — 81,8 dla WeVisOne-VL-4B w porównaniu z 77,6 dla najsilniejszego baseline’u wymienianego przez autorów. W pierwszej kolejności należy sprawdzić jego odsetek odrzuceń w zapytaniach bez celu: 67,4 procent na RefCOCOg-Rej, 96,4 procent na wewnętrznym WeRef-Bench i 52,6 procent na PR-Bench. Ten sam model, trzy różne odpowiedzi, ponieważ rozkłady się różnią.

• Zliczanie, PixMo-Count — 89,6 w porównaniu z 82,8. Segmentacja, ReasonSeg val gIoU — 71,2 w porównaniu z 65,0.

• Matting, średnia różnica bezwzględna P3M-500-NP — 7,3 wobec 15,4, gdzie niższa wartość oznacza lepszy wynik, co stanowi mniej więcej połowę błędu najlepszej dedykowanej metody bazowej do mattingu, z którą porównywali się autorzy.

• Czytanie, OCRBench — 91,2 dla MiniCPM-V 4.7 35B-A3B i 86,1 dla wersji 1B, w porównaniu z F1 TotalText wynoszącym 52,0 dla WeVisOne-VL-4B.

Ten ostatni punkt to pułapka. OCRBench mierzy rozpoznawanie tekstu; TotalText F1 mierzy lokalizację tekstu. Zestawianie 86,1 z 52,0 i ogłaszanie 34-punktowego zwycięstwa to błąd kategorii — i to taki, który bywa kopiowany z jednego postu porównawczego do kolejnego. Uczciwe stwierdzenie brzmi: oba modele nie były testowane na tym samym zadaniu, a jedyne, co te liczby dowodzą, to że MiniCPM jest stworzony do transkrypcji, a WeVisOne do lokalizacji.

Pamięć to prawdziwa cena

WeVisOne-VL-4B to checkpoint bfloat16 o rozmiarze 9,66 GB sprzed dodania dekodera masek, a Tencent nie dostarcza żadnego wariantu skwantyzowanego. Wartość 19 GB na karcie porównania to ten sam checkpoint przekonwertowany do F32, co podwaja jego rozmiar; tak czy inaczej nadal potrzebujesz niestandardowego kodu wnioskowania: mask_decoder.pt jest wymaganym komponentem, a nie opcjonalnym dodatkiem, a standardowe wczytanie w Transformers da ci prostokąty i tekst, ale nie maski. Udokumentowane ścieżki serwowania to własny pakiet wnioskowania projektu, który opakowuje backend Transformers albo backend vLLM, plus demo Gradio; dekodowanie zachłanne i limit 1960 tokenów wizualnych na obraz to ustawienia ewaluacji. To usługa GPU.

MiniCPM-V 4.7 35B-A3B to około 70 GB wag BF16 rozmieszczonych w szesnastu shardach, co wygląda gorzej na papierze, a lepiej w praktyce, ponieważ na token aktywne jest tylko około 3 miliardów parametrów. Cała idea OpenBMB polega na tym, że nieaktywni eksperci mogą być strumieniowani z pamięci masowej, zamiast być trzymani w pamięci operacyjnej, z wykorzystaniem Lookahead Expert Scheduling do wstępnego pobierania ekspertów, których prawdopodobnie będzie potrzebować następna warstwa, a także kwantyzacji warstwowej i spekulatywnego dekodowania DSpark. Producent twierdzi, że na iPhone 17 Pro Max uzyskuje się 13 lub więcej tokenów na sekundę przy zużyciu około 3 GB pamięci. Nikt niezależny tego nie odtworzył, a to twierdzenie zależy od współdziałania wszystkich trzech technik, a nie tylko jednej z nich.

Model 1B całkowicie zmienia ekonomikę: 3,1 GB w BF16, około 0,67 GB jako Q4_K_M GGUF, dlatego monitor kota esp32-eye może uruchomić go na MacBooku jako bramkę wyzwalaną najwyżej co 1,5 sekundy. Ta sama kompilacja pokazała, że 1B jest niewiarygodny w rozróżnianiu czterech podobnych kotów, więc jest to detektor obecności, a nie drobnoziarnisty rozpoznawacz — użyteczna granica dla każdego, kto planuje użyć go jako taniego klasyfikatora.

Mówiąc wprost: WeVisOne kupuje geometrię za 9,66 GB i GPU. MiniCPM kupuje czytanie za 70 GB albo 3 GB, w zależności od tego, który rozmiar wybierzesz, a także środowisko uruchomieniowe klasy telefonu, jeśli twierdzenia OpenBMB dotyczące szeregowania się potwierdzą.

Co się psuje na produkcji

Tryby awarii WeVisOne są udokumentowane i konkretne. Jakość kanału alfa pogarsza się na precyzyjnych krawędziach, przy silnej okluzji i w przypadku naprawdę przezroczystych materiałów. Model jest wrażliwy na sformułowanie promptu, więc „włosy kobiety” i „jej włosy” nie muszą dawać tej samej maski. Nie obsługuje wideo i nie ma łańcucha rozumowania, więc nie można poprosić go o przeanalizowanie niejednoznacznego zapytania przed wskazaniem ramki, a jego zachowanie odrzucania ma słaby punkt, który ukrywa główna liczba z artykułu: 96,4 procent na WeRef-Bench, ale około 52,6 procent na PR-Bench. Komponent, który przez większość czasu odrzuca nieobecne cele, jest użyteczny; ten, który odrzuca je w połowie przypadków w innym rozkładzie, wymaga zabezpieczenia.

Sposoby zawodzenia MiniCPM-V 4.7 są typowe dla modelu ogólnego przeznaczenia: opisuje obraz płynnie, niezależnie od tego, czy opis jest ugruntowany, i nie ma żadnego kanału odrzucenia. Nic w karcie nie mówi, kiedy model nie wie. Dla czytelnika jest to do zniesienia — człowiek czyta akapit. Dla potoku przetwarzania, który potrzebuje ramki, jest to dyskwalifikujące, ponieważ trzeba by parsować prozę na współrzędne i liczyć na szczęście.

Jeśli w tym tygodniu potrzebujesz hostowanego ogólnego modelu wizyjnego, a nie samodzielnie hostowanego specjalisty, to żadnego z tych dwóch nie ma w katalogu OrcaRouter — i warto to powiedzieć przed prezentacją: praktycznym rozwiązaniem jest hostowany model ogólnego przeznaczenia, wywoływany za pomocą jednego klucza do ponad 200 modeli z 0-procentową marżą względem cen katalogowych dostawców, z automatycznym przełączaniem awaryjnym, jeśli punkt końcowy upstreamu zacznie zawodzić. To daje działający potok; nie da Ci mat alfa i jest to inny produkt niż którykolwiek z dwóch modeli, których dotyczy ta strona.

Wybór między nimi

Wybierz WeVisOne-VL-4B, jeśli Twoim wynikiem jest geometria: zliczanie obiektów na półce sklepowej, wycinanie produktu ze zdjęcia, podświetlanie regionu dla użytkownika lub odmowa, gdy danej rzeczy nie ma. Wartość dotycząca mattingu jest naprawdę nietypowa, kanał odrzucania to prawdziwa funkcja inżynierska, a 9,66 GB to cena komponentu, który zwraca coś, co program może wykorzystać.

Wybierz MiniCPM-V 4.7 35B-A3B, jeśli Twoim zadaniem jest rozumienie: długiego PDF-a, dashboardu, wideo, strony z mieszanym tekstem i grafikami. Wybierz wersję 1B, jeśli potrzebujesz taniej bramki przed czymś droższym, i nie proś jej o odróżnienie dwóch podobnych kotów.

Porównanie, które naprawdę rozstrzygnęłoby tę kwestię, jeszcze nie istnieje: niezależne środowisko testowe, które uruchamia oba modele na tym samym zestawie danych do detekcji i OCR, przy tym samym budżecie obrazów. Dopóki ktoś go nie opublikuje, jedynym stanowiskiem, którego można bronić, jest to nudne — te modele wykonują różne zadania, tabele dostawców się nie pokrywają, a jedyną liczbą, która powinna wpływać na Twoją decyzję, jest rozmiar tego, co musisz wdrożyć.