WeVisOne-VL-4B kontra MiniCPM-V 4.7 1B: Dwa przeciwstawne zakłady o to, do czego służy token wizualny

MiniCPM-V 4.7 1B uzyskuje 86.1 na OCRBench. WeVisOne-VL-4B uzyskuje 52.0 na TotalText. Postaw te dwie liczby obok siebie, a model 1B wydaje się pokonywać model 4B o trzydzieści cztery punkty w odczytywaniu tekstu — co byłoby niezwykłym wynikiem, a jest także błędem kategorii. OCRBench mierzy, czy model potrafi przepisać znaki z obrazu. TotalText, według sposobu raportowania przez Tencent, mierzy F1 w lokalizowaniu każdego wystąpienia tekstu w progach IoU od 0.5 do 0.95. Jedno to rozpoznawanie, drugie to geometria. MiniCPM-V 4.7 1B i WeVisOne-VL-4B wydano w odstępie dziewięciu dni w październiku 2026 r., oba z chińskich laboratoriów, oba na licencji Apache 2.0, i zasadniczo nie zgadzają się co do tego, do czego służą tokeny wizualne: jeden je kompresuje, drugi przeznacza je na precyzję.

Ta niezgodność to całe porównanie. Wszystko inne — liczba parametrów, pamięć, wiersze benchmarków — wynika z niej.

Kompresja a precyzja

MiniCPM-V 4.7 1B odziedziczył schemat wczesnej kompresji wewnątrz ViT z LLaVA-UHD v4 i udostępnia go jako przełącznik w czasie działania między 4× a 16× kompresją tokenów wizualnych. Chodzi o to, by zmieścić więcej obrazu i więcej wideo w stałym budżecie: karta modelu deklaruje kontekst 262 144 tokenów, domyślnie 128 klatek wideo oraz schemat kafelkowania 448×448 z konfigurowalną liczbą fragmentów. Kompresuj wcześnie, utrzymuj krótką sekwencję, a model 1B może obejrzeć długi film na telefonie.

WeVisOne-VL-4B dokonuje odwrotnego wyboru. Jego ewaluacja przebiega z użyciem do 1960 tokenów wizualnych na obraz, a jego dekoder pikseli operuje na cechach ViT sprzed scalania, celowo zachowując szczegóły wysokiej rozdzielczości, które wczesna kompresja odrzuca. Dlatego może wygenerować matę alfa w pełnej rozdzielczości przy kroku 1 i dlatego nie może w ogóle przetwarzać siatki wideo: dekoder ją odrzuca. Precyzja kosztuje tokeny, a tokeny kosztują opóźnienie.

Ani jeden zakład nie jest błędny. To odpowiedzi na różne pytania. MiniCPM pyta: „ile mogę zobaczyć naraz na telefonie?”. WeVisOne pyta: „jak dokładnie mogę opisać, gdzie znajduje się dana rzecz?”.

Historia rozmiarów jest dziwniejsza niż 1B kontra 4B.

• Parametry — WeVisOne-VL-4B 4,83B dense vs MiniCPM-V 4.7 1B oznaczony jako 1B, choć metadane jego repozytorium podają 2B w BF16

• Format wag — F32 safetensors przy około 19 GB w porównaniu z BF16 przy około 3,1 GB, lub 0,67 GB w Q4_K_M plus projektor wizyjny 0,90–1,11 GB

• Kontekst — nie podano dla WeVisOne-VL-4B w porównaniu z 262,144 tokenami na papierze dla MiniCPM-V 4.7 1B

• Wideo — odrzucone przez dekoder pikseli w porównaniu z domyślnymi 128 klatkami

• Wejście multimodalne — pojedynczy obraz na turę vs obraz i wideo

• Kwantyzacja — brak wariantów dostarczanych przez dostawcę w porównaniu z int4, AWQ, GPTQ, GGUF i FP8

• Środowiska uruchomieniowe na urządzeniu — brak vs iOS, Android, HarmonyOS, plus llama.cpp i Ollama

• Licencja — Apache 2.0 dla kodu autorstwa Tencent vs Apache 2.0

Wiersz dotyczący pamięci jest tym, który przeformułowuje porównanie. Model 1B w czterech bitach mieści się w niecałym gigabajcie przed projektorem wizyjnym; model 4,83B w F32 potrzebuje około dziewiętnastu. To nie są konkurenci walczący o to samo miejsce. Jeden jest komponentem, który dostarczasz wewnątrz aplikacji; drugi to usługa, którą uruchamiasz na GPU.

Czytanie wierszy benchmarku bez oszukiwania samego siebie

Obaj dostawcy opublikowali tabele, a obie tabele zostały wybrane przez samych dostawców. MiniCPM-V 4.7 1B podaje OCRBench 86,1, MathVista 74,3, CharXiv Reasoning 48,8, LongVideoBench 53,4 i MotionBench 54,55. WeVisOne-VL-4B podaje LVIS F1 mean 55,3, RefCOCOg test 81,8, PixMo-Count test 89,6, TotalText F1 mean 52,0, ReasonSeg val gIoU 71,2 i P3M-500-NP MAD 7,3. Ani jeden benchmark nie występuje na obu listach. Nie ma żadnego możliwego do obrony sposobu wyłonienia zwycięzcy na podstawie tych dokumentów, a każdy artykuł, który to robi, wymyśla wynik.

Rzetelna interpretacja jest węższa, ale wciąż użyteczna. MiniCPM-V 4.7 1B jest niezwykle mocny w rozumowaniu na podstawie obrazów jak na swój rozmiar — wynik 74,3 w MathVista od modelu, który mieści się w telefonie, to liczba, z której jego autorzy są najbardziej dumni, a jest ona raportowana przez dostawcę i nieodtworzona. WeVisOne-VL-4B jest niezwykle mocny w generowaniu geometrii — masek, matte'ów, ramek — oraz zmierzonego współczynnika odmowy wynoszącego 96,4% w WeRef-Bench, gdy obiektu nie ma. Karta MiniCPM nie publikuje żadnej metryki odrzuceń, a karta WeVisOne nie publikuje żadnego benchmarku rozumowania. Każdy model milczy dokładnie tam, gdzie drugi jest głośny.

Czego każdy z nich nie może zrobić

WeVisOne-VL-4B nie potrafi oglądać wideo, nie potrafi prowadzić wieloturowej rozmowy na temat obrazu ani nie działa na telefonie. Nie ma opublikowanego wskaźnika tokenów na sekundę ani skwantyzowanych wersji, co oznacza, że każdy, kto go wdraża, decyduje się na GPU i samodzielnie mierzy przepustowość. Kod dostrajania nadal pozostaje niezaznaczonym punktem na liście TODO projektu.

MiniCPM-V 4.7 1B nie potrafi zwrócić maski ani maty alfa. Powie ci, że na obrazie znajduje się osoba i w przybliżeniu gdzie — nie dostarczy ci wycięcia o miękkich krawędziach. Niesie też zwykłe ryzyko związane z zupełnie nową rodziną modeli: nowy model_type w Transformers, wymóg minimalnej wersji 5.18.0 oraz wczesne doniesienia o awariach dekodowania wideo w niektórych kombinacjach CUDA i torchcodec. Jego kontekst 262K to liczba z papieru — nie wykazano, by trening końcowy wykorzystywał go w pełni.

Koszt drugiej rozmowy

W praktyce te dwa modele nie są substytutami, a ciekawa architektura wykorzystuje oba: mały, tani model do opisywania obrazu i rozumowania na jego temat oraz model percepcji do zwracania geometrii. To zamienia jedno wywołanie inferencji w dwa, i właśnie wtedy koszt przestaje być przypisem.

Wkład OrcaRouter w ten układ to ta nudna część, która ma znaczenie — jeden klucz do ponad 200 modeli, z ceną katalogową dostawcy przekazywaną przy 0% marży oraz automatyczne przełączanie awaryjne, gdy punkt końcowy po stronie nadrzędnej ulega degradacji. Obniżka cen dostawcy po stronie modeli ogólnego przeznaczenia trafia na naszą stronę tego samego dnia, ponieważ nie ma warstwy marży, którą trzeba aktualizować. Ani WeVisOne-VL-4B, ani MiniCPM-V 4.7 1B nie znajdują się dziś w tym katalogu, więc połowa potoku odpowiedzialna za percepcję wciąż jest czymś, co hostujesz. Unikasz drugiej umowy i drugiego zestawu poświadczeń dla tej połowy, która jest w katalogu.

Jak uruchomiłbyś jedno z nich

WeVisOne-VL-4B to bardziej wymagająca instalacja. Karta modelu dokumentuje Transformers, vLLM, SGLang i Docker Model Runner, ale mask_decoder.pt jest wymaganym komponentem: wczytaj checkpoint bez pakietu inferencyjnego projektu, a otrzymasz ramki i tekst, bez masek. Dekodowanie jest zachłanne przy maksymalnie 1 960 tokenach wizualnych na obraz, a nie opublikowano żadnej wartości przepustowości, więc pierwszą rzeczą, jaką zrobisz na własnym sprzęcie, będzie jej zmierzenie.

MiniCPM-V 4.7 1B jest tym łatwiejszym. Wymaga Transformers 5.18.0 lub nowszego, a wraz z nim pojawił się ekosystem — kompilacje llama.cpp, Ollama, SGLang i vLLM, a także kwantyzacje int4, AWQ, GPTQ i FP8 oraz osobny model szkicowy DSpark z 213 mln parametrów do dekodowania spekulatywnego. Jeśli twoim celem jest telefon, komputer Intel lub płytka Rockchip, to właśnie ta ścieżka ma utwardzoną nawierzchnię.

Który zakład wybrać

Jeśli ograniczeniem jest samo urządzenie, wybierz MiniCPM-V 4.7 1B. Nic w WeVisOne-VL-4B nie zostało zaprojektowane z myślą o telefonie, a kwantyzacja, obsługa środowiska uruchomieniowego i obsługa wideo po stronie MiniCPM są dziełem laboratorium, które wprowadziło na rynek już kilka generacji modeli na urządzenia.

Jeśli ograniczeniem jest wynik — potrzebujesz masek, matte'ów, gęstych ramek dla małych obiektów lub wiarygodnej odpowiedzi „nieobecny” — wybierz WeVisOne-VL-4B i zaplanuj budżet na GPU. Zrozum, że pracujesz z dwudniowym artykułem bez niezależnej ewaluacji i że liczby dotyczące mattingu są własnymi wynikami Tencent.

Jeśli potrzebujesz obu, potrzebujesz dwóch modeli. To uczciwy wniosek i potwierdzają go własne tabele benchmarków obu dostawców: optymalizowały pod różne rzeczy i żadna nie próbowała przebić drugiej.