WeVisOne-VL-2B vs MiniCPM-V 4.7 1B: różnica 0,45B, różne zadania

Nazwy sugerują stosunek dwa do jednego. Checkpointy tego nie potwierdzają. MiniCPM-V 4.7 1B ma 1 554 476 272 parametrów w bfloat16, a WeVisOne-VL-2B około 2 miliardów — więc rzeczywista różnica między nimi to mniej więcej 0,45 miliarda parametrów, a nie miliard. Umieszczone na tym samym dysku zajmowałyby porównywalną ilość miejsca. Postawione wobec tego samego zadania całkowicie się rozsypują, ponieważ MiniCPM-V 4.7 1B został zbudowany do czytania dokumentu, oglądania filmu i prowadzenia na ich temat rozmowy, natomiast WeVisOne-VL-2B powstał, by znajdować obiekt i zwracać maskę.

Oba są na licencji Apache 2.0. Oba są wystarczająco małe, by zainteresować kogoś, kto buduje na jednym GPU. Oba są niedawne — MiniCPM-V 4.7 1B udostępniono 6 października 2026 r., a w notatkach wydania OpenBMB widnieje data 12 października; WeVisOne-VL-2B — 22 października. To połączenie podobieństwa i różnicy sprawia, że ten duet wart jest osobnej strony: niemal każda kluczowa specyfikacja jest zbliżona, ale niemal każde rzeczywiste zastosowanie już nie.

Najpierw nazwy, poprawione.

Nazewnictwo OpenBMB jest nieprecyzyjne w sposób, który już wywołał zamieszanie w tabelach porównawczych. Model nazwany 1B ma 1,55 miliarda parametrów według własnych metadanych safetensors; materiały dostawcy podawały w różnych miejscach 1,3 mld i 1,38 mld. Kontekst 262 144 tokenów jest rzeczywisty i jest ustawiony w konfiguracji modelu. Architektura to 24-warstwowy szkielet tekstowy o 1024 ukrytych wymiarach wywodzący się z Qwen3.5, z proporcją 3:1 uwagi liniowej do pełnej, w parze z 27-warstwową wieżą wizyjną w stylu SigLIP2 działającą na kaflach 980 pikseli, oraz z wybieralnym trybem kompresji tokenów wizualnych 4× lub 16×, który poświęca szczegółowość w zamian za niższy koszt na żądanie.

Nazewnictwo Tencent jest bardziej zwięzłe. WeVisOne-VL-2B to model o 2 miliardach parametrów zbudowany na Qwen3-VL, z osobnym dekoderem pikseli o 9 511 460 parametrach, który karta opisuje jako „wymagany kluczowy komponent, a nie opcjonalny dodatek”. Dekoder nie jest drobnym szczegółem w opowieści o wdrożeniu: bez niego model generuje ramki i punkty, a żadne wyjścia masek ani matte nie istnieją.

Zatem właściwe ujęcie to nie mały versus duży. To 1.55B versus 2B — 29-procentowa różnica w wagach — z całkowicie różnymi kontraktami wyjściowymi.

Dwa zestawy słownictwa benchmarkowego, które nigdy się nie spotykają

To jest część, w której większość porównań się myli, dlatego warto to zaznaczyć, zanim pojawi się jakakolwiek liczba. OpenBMB ocenia MiniCPM-V 4.7 1B na ogólnych benchmarkach multimodalnych: OCRBench 86.1, MMMU 56.89, MathVista 74.30, MMBench 83.17, MMStar 69.53, MMMU-Pro 38.03, MathVerse 60.41, CharXiv Reasoning 48.8, LongVideoBench 53.4 i MotionBench 54.55. Są to wyniki uzyskane przez producenta, przedstawione głównie na wykresach, a nie w tabeli ze szczegółami dotyczącymi sposobu przeprowadzenia testów, i żaden niezależny podmiot ich nie odtworzył.

Tencent ocenia WeVisOne-VL-2B na benchmarkach percepcji i w ogóle nie podaje ogólnych wyników multimodalnych. W jego siedmiu tabelach nie ma nigdzie MMMU, MMBench, MathVista, DocVQA ani wyniku captioningu. Zamiast tego podaje wyniki specyficzne dla zadań: F1 detekcji, exact-match zliczania, F1 wskazywania, F1 lokalizacji OCR, cIoU segmentacji i błąd mattingu.

Najostrzejsza sprzeczność występuje w OCR, ponieważ oba modele twierdzą, że go obsługują. Wynik MiniCPM 86,1 to OCRBench — miara transkrypcji, sprawdzająca, czy model poprawnie odczytał znaki. Liczby OCR WeVisOne to F1 lokalizacji przy progu IoU 0,5: 62,1 na SROIE, 42,6 na ICDAR2015, 42,5 na TotalText i 30,5 na HierText, mierzące, czy model narysował właściwą ramkę wokół tekstu. Model może być znakomity w jednym, a przeciętny w drugim. Porównanie „86,1 kontra 62,1” byłoby zestawieniem testu ortografii z testem wskazywania.

Nie istnieje żaden benchmark, na podstawie którego oba modele podawałyby liczbę obliczoną w ten sam sposób. To nie jest retoryczny ozdobnik — to główny wniosek z tego porównania, a zarazem oznacza, że każdy ranking tych dwóch, który zobaczysz, jest złożony z nieporównywalnych części.

Co można kupić za 262,144 tokeny i czego WeVisOne nie powie

MiniCPM-V 4.7 1B oferuje kontekst o długości 262 144 tokenów oraz ścieżkę wideo, która domyślnie przyjmuje do 128 klatek, z jednym wycinkiem na klatkę. To maszyna do dokumentów i wideo: długie pliki PDF, wielostronicowe skany, minuta nagrania. Przełącznik kompresji 4× i 16× istnieje właśnie dlatego, że utrzymywanie tak dużej ilości szczegółów wizualnych jest kosztowne, a OpenBMB pozwala wybrać, ile z nich zachować na żądanie.

WeVisOne-VL-2B nie podaje długości kontekstu. Karta modelu milczy; etapy treningu z artykułu działały przy 4 096 i 8 192 tokenach, a wnioskowanie ogranicza każdy obraz do 1 960 tokenów wizualnych przy dekodowaniu zachłannym. Żadna z tych wartości nie jest oknem wdrożeniowym i Tencent nie udaje, że tak jest. Model odrzuca też całkowicie siatki wideo — dekoder pikseli obsługuje wyłącznie obrazy, pojedynczą turę i nie stosuje łańcucha myśli.

Ta asymetria mówi, na czym każdy dostawca się skupił. OpenBMB zoptymalizował pod to, ile danych wejściowych pojedynczy model może połknąć. Tencent zoptymalizował pod to, jak precyzyjnie pojedynczy model potrafi wskazać to, co połknął, a następnie wyznaczył sztywną granicę wokół typu danych wejściowych, aby utrzymać prostotę dekodera.

Gdzie każde z nich faktycznie działa

MiniCPM-V 4.7 1B ma zdecydowanie szerszy zakres możliwości wdrożeniowych: Transformers 5.18 i nowsze, vLLM, SGLang, llama.cpp i Ollama, w wariantach GGUF, AWQ, GPTQ, FP8, bitsandbytes i OpenVINO, a także wsparcie dla iOS, Android i HarmonyOS oraz obsługę układów od pierwszego dnia od dostawców, w tym Rockchip, Arm i Apple. OpenBMB udostępnia również oddzielny model draft DSpark z 213 milionami parametrów do dekodowania spekulacyjnego.

WeVisOne-VL-2B ma własny pakiet na GitHubie, ścieżkę Transformers oraz vLLM i SGLang wymienione na karcie modelu. Brak GGUF. Brak wersji skwantyzowanej. Brak ONNX. Brak wariantu mobilnego. A gęste wyjście to maska alfa w pełnej rozdzielczości z krokiem 1, co oznacza, że pamięć skaluje się wraz z obrazem, a nie z liczbą parametrów — model 2B, który jest tani w utrzymaniu i niekoniecznie tani w uruchamianiu przy 4K.

Jeśli twoim celem jest telefon, ta sekcja kończy porównanie. MiniCPM został stworzony z myślą o tym ograniczeniu i mówi o tym w swojej liście formatów. WeVisOne nie — i nie twierdzi inaczej.

Jedyne miejsce, w którym są równi: licencja

Apache 2.0 w obu przypadkach. Bez progu przychodów, bez ograniczeń zakresu zastosowań, bez odrębnej umowy komercyjnej. W kategorii, w której Liquid AI stosuje własną licencję z limitem przychodów, a Moondream licencję source-available z klauzulą wyłączającą usługi świadczone przez podmioty trzecie, dwa modele wizyjne na Apache 2.0 tej wielkości są warte uwagi — oznacza to, że licencja nie jest tutaj decydującą zmienną, co jest wystarczająco nietypowe, by powiedzieć to na głos.

Remis eliminuje również najczęstszą przyczynę, dla której zespoły wybierają mniejszy model. Jeśli oba przejdą przegląd prawny, wybierasz na podstawie możliwości i wdrożenia, a nie warunków.

Wybór między nimi

Zapytaj, do czego trafia wynik. Jeśli trafia do repozytorium dokumentów, okna czatu, indeksu wideo lub do modelu językowego znajdującego się dalej w potoku, MiniCPM-V 4.7 1B jest tym, czego potrzebujesz: generuje długie teksty, obsługuje długie dane wejściowe i jest dostępny w formatach działających na sprzęcie konsumenckim.

Jeśli zasila pipeline komponowania, edytor obrazów, zadanie czyszczenia katalogu lub przycinanie obszaru zainteresowania, WeVisOne-VL-2B ma format, którego potrzebujesz: ramki, punkty, maski binarne i ciągłe maty alfa, a do tego zachowanie polegające na odrzucaniu, które ma większe znaczenie niż jakikolwiek benchmark. Tencent podaje współczynnik odrzuceń 50,2 na RefCOCOg dla zapytań o nieobecne obiekty, w porównaniu z 0,5 i 0,6 dla dwóch wyspecjalizowanych modeli groundingu w tej samej tabeli. Jeśli większość Twoich obrazów nie zawiera rzeczy, której szukasz, to właśnie ta liczba oszczędza Ci pieniądze.

Istnieje trzeci przypadek, w którym się uzupełniają, a nie konkurują: potok dokumentowy, w którym MiniCPM odczytuje stronę, a WeVisOne znajduje obszar — podpis, pieczęć, zdjęcie produktu — który krok odczytu musi wyizolować. To nie tyle problem routingu, ile projektowania potoku, i właśnie tam produkt OrcaRouter jest naprawdę przydatny, a nie doklejony. Żaden z tych modeli nie znajduje się w naszym katalogu; oba są hostowane samodzielnie i nie zamierzamy sugerować inaczej. Zapewniamy część hostowaną: ponad 200 modeli za jednym kluczem API w cenie katalogowej dostawcy bez marży, automatyczne przełączanie awaryjne, gdy dostawca ulega degradacji, oraz fuzję modeli, która pozwala panelowi modeli wspólnie odpowiedzieć na to samo pytanie — przydatne, gdy transkrypcja ma trafić do bazy danych i chcesz drugiej opinii, zanim to nastąpi.

Liczba do zapamiętania

Nie 1B i 2B — tylko 1,55B i 2B. Nazewnictwo sprawia, że wyglądają jak różne klasy wagowe, a checkpointy sprawiają, że wyglądają jak bliscy sąsiedzi, i oba te wrażenia są mylące. Tego, co odróżnia MiniCPM-V 4.7 1B od WeVisOne-VL-2B, nie wyznacza rozmiar, licencja ani nawet nowość. Odróżnia je to, że jeden zwraca słowa, a drugi piksele, i żadnego z benchmarków opublikowanych przez któregokolwiek z dostawców nie da się odjąć od drugiego, by stwierdzić, który lepiej sprawdza się jako to, czego potrzebujesz.