Um cartão hero gerado com o título 'MiniCPM-V 4.7 vs LLaDA-UI' e o subtítulo 'Um generalista pronto para celular contra um agente de GUI por difusão', um cartão à esquerda com o texto 'LLaDA-UI: MoE de 16,7B, difusão em blocos, agente de GUI, ScreenSpot-Pro 52,9', um cartão à direita com o texto 'MiniCPM-V 4.7: MoE esparso de 35,2B, autorregressivo, Apache-2.0, sem tabela de pontuação', e uma pílula com o texto 'Um especialista avaliado contra um generalista não avaliado'. O logotipo do OrcaRouter aparece no canto inferior direito.
Guides & Insights

MiniCPM-V 4.7 vs LLaDA-UI: Um generalista pronto para celular contra um agente de GUI de difusão

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Coloque o MiniCPM-V 4.7 ao lado do LLaDA-UI e o enquadramento óbvio — generalista versus especialista — acaba sendo a maneira menos útil de interpretar o confronto. O MiniCPM-V 4.7, que a OpenBMB documentou e licenciou em 12 de outubro de 2026, é um modelo de visão-linguagem de mistura esparsa de especialistas com 35,2 bilhões de parâmetros, cujo argumento inteiro é a eficiência: a ficha técnica afirma mais de 13 tokens por segundo em um iPhone 17 Pro Max e uma posição melhor de desempenho por tempo de inferência do que o Qwen3.6 35B-A3B. O LLaDA-UI, agente GUI de mistura de especialistas da inclusionAI com cerca de 16,7 bilhões de parâmetros, é uma espécie completamente diferente — ele não gera tokens da esquerda para a direita de forma alguma; em vez disso, remove o ruído de um bloco deles de uma só vez. A pergunta que quem constrói realmente tem é mais restrita do que “qual é melhor”: é qual destes dois foi medido na tarefa para a qual você está contratando, e com base em quais evidências.

As duas bases de evidências não são o mesmo tipo de coisa.

Ambos os modelos possuem benchmarks do fornecedor, e nenhum deles foi reproduzido de forma independente. Fora isso, a comparação se divide.

• MiniCPM-V 4.7 — a seção de avaliação do seu cartão de modelo é composta por cinco imagens: desempenho geral de visão-linguagem, desempenho de linguagem, o gráfico da variante 1B, um gráfico de fronteira de desempenho versus tempo de inferência, e uma comparação de velocidade no dispositivo. O texto faz duas afirmações, ambas comparativas em vez de absolutas. Não há tabela de pontuações por benchmark na documentação pública.

• LLaDA-UI — o relatório técnico, o artigo no arXiv e a página do projeto apresentam benchmarks nomeados com baselines nomeadas: ScreenSpot-Pro 52,9 contra 52,7 do Qwen3-VL-8B, AndroidWorld 53,5 contra 47,9, MobileWorld 25,6 contra 9,4, WebVoyager 56,9 contra 45,2, com o ScreenSpot-V2 descrito como próximo e o OSWorld-Verified enquadrado pela própria inclusionAI como a lacuna restante.

• O que isso significa na prática — um modelo publica números em nível de tarefa com os quais você pode discutir, e o outro publica um compósito que você não consegue decompor. "Pontuação geral mais alta em menos tempo de inferência" é uma afirmação sobre um gráfico, e a ponderação por trás do compósito não é publicada. Uma pontuação de 52,9 no ScreenSpot-Pro é uma afirmação sobre um teste definido com um protocolo definido.

• Nenhum dos dois é verificado de forma independente — os números do LLaDA-UI vêm da própria página do projeto e do relatório técnico; os números do MiniCPM-V 4.7 vêm de gráficos que o fornecedor desenhou. Tratar qualquer um deles como definitivo seria um erro, mas tratá-los como igualmente informativos seria um erro diferente.

O que cada modelo realmente é

A lacuna de arquitetura é maior do que as contagens de parâmetros sugerem, e ela determina a maioria das diferenças práticas a jusante.

• Base — MiniCPM-V 4.7 usa um qwen3_5_moe_text backbone com 256 especialistas, 8 ativos por token, 40 camadas e um padrão de atenção linear-para-completa de três para um; LLaDA-UI usa o LLaDA2.0-mini-base, um modelo de linguagem de difusão mascarada.

• Geração — O MiniCPM-V 4.7 é autorregressivo, um token por vez; o LLaDA-UI decodifica bloco a bloco, removendo o ruído de um bloco inteiro de posições de saída em paralelo e reconstruindo sob condições bidirecionais dentro desse bloco.

• Parâmetros — 35,2 bilhões no total para o MiniCPM-V 4.7, com 8 de 256 especialistas ativos por token; aproximadamente 16,7 bilhões no total para o LLaDA-UI como mistura de especialistas.

• Contexto — Posição máxima de 262.144 tokens para o MiniCPM-V 4.7; o card do LLaDA-UI documenta um --max-length padrão de 8192 para seu script de inferência, sendo necessário aumentá-lo no caso de capturas de tela grandes.

• Visão — O MiniCPM-V 4.7 usa uma torre de 27 camadas e 1.152 de largura com patch 14 e tamanho de imagem 980, com compressão de tokens mista de 4x/16x; o LLaDA-UI usa um ViT de resolução nativa inicializado a partir do SigLIP com embeddings rotacionais 2D e uma fusão espacial de quatro para um em um MLP de duas camadas, explicitamente para preservar a proporção de capturas de tela de celular, desktop e web.

• Saída — O MiniCPM-V 4.7 produz texto, com a compreensão de imagens e vídeos como lado de entrada; o LLaDA-UI produz coordenadas normalizadas num intervalo de 0 a 999 e sequências etiquetadas de raciocínio e ação destinadas a serem executadas.

• Licença — Apache-2.0 para o MiniCPM-V 4.7, declarada em 12 de outubro; nenhuma licença é mencionada em lugar algum na página do projeto nem no cartão de modelo do LLaDA-UI.

Esse último item não é uma nota de rodapé se você está lançando. Um destes dois você pode colocar em um produto comercial hoje sem uma conversa; o outro, não.

A decodificação é onde a verdadeira divisão reside.

A difusão em blocos é a razão pela qual o LLaDA-UI existe como uma linha de trabalho separada, em vez de como outro ajuste fino. Em um loop de agente autorregressivo, cada token de ação depende de todos os tokens anteriores, de modo que a coordenada de clique no final de uma resposta aguarda o raciocínio que a antecede. Em um agente de difusão, o bloco é refinado como uma unidade, e a consequência prática que a inclusionAI está vendendo é a latência: em um teste de API pareado, a página do projeto relata de 4,8 a 6,4 segundos contra os 17 a 53 segundos do Qwen3-VL-8B, descritos como ganhos médios de velocidade de 3,58x na web, 6,83x no desktop e 8,95x em entradas mobile, enquanto emite mais tokens por chamada. Em entradas do MobileWorld, as médias relatadas são de 5,9 segundos contra 53,0.

Esses são números medidos pelo fornecedor, emparelhados e sem cache no próprio ambiente de testes do laboratório, e devem ser interpretados como tal. Mas a direção merece ser levada a sério mesmo com a ressalva, porque os loops de agentes multiplicam a latência. Um agente de interface que executa dez etapas paga o custo por etapa dez vezes, e uma diferença de dez segundos por etapa é a diferença entre uma demonstração e um produto.

A MiniCPM-V 4.7 ataca o mesmo problema pelo lado oposto. Ela mantém a decodificação autorregressiva e torna cada passo barato por meio do agendamento de especialistas — um preditor entre camadas pré-carrega os especialistas de que a próxima camada provavelmente precisará, priorizando aqueles que o roteador real de fato selecionou, com o card deixando explícito que a predição comanda apenas a pré-busca e que o roteamento do próprio modelo ainda governa a computação. Some quantização por camada e amostragem especulativa DSpark e a alegação é de mais de 13 tokens por segundo para um MoE de 35 bilhões de parâmetros em um aparelho celular. Mecanismo diferente, mesmo objetivo: tornar o loop rápido o suficiente para que um dispositivo consiga executá-lo.

A generated two-column comparison table headed with 'MiniCPM-V 4.7' and 'LLaDA-UI' over six shared rows. The MiniCPM-V 4.7 column reads '35.2B total, 8 of 256 active', 'autoregressive', 'vendor charts, no table', 'documented, unscored', 'Apache-2.0' and 'GGUF, AWQ, GPTQ, FP8'; the LLaDA-UI column reads 'approx 16.7B MoE', 'block-wise diffusion', 'named benchmarks in report', 'ScreenSpot-Pro 52.9', 'not stated' and 'lab SGLang patches required'. A footer reads 'LLaDA-UI figures vendor-reported from its technical report; MiniCPM-V 4.7 figures from its model card and config.json.'

No que cada um é bom, afirmado de forma tão restrita quanto as evidências permitem.

• Escolha o LLaDA-UI quando a tarefa for uma interface — clicar, digitar, navegar em um aplicativo móvel, uma janela de desktop ou uma página da web. É um dos dois com pontuações publicadas de grounding e navegação, uma convenção de coordenadas documentada e solicitações de exemplo empacotadas para móvel, desktop e web.

• Escolha o MiniCPM-V 4.7 quando a tarefa for de compreensão — descrever uma fotografia, ler um documento, analisar um PDF, responder a uma pergunta sobre um vídeo, executar em hardware próprio. É aquele dos dois com atenção documentada a OCR, análise de PDF e visual grounding no seu cookbook, com suporte nativo em SGLang, vLLM, llama.cpp e Ollama, e com variantes quantizadas publicadas para download.

• A sobreposição é menor do que parece — a ficha do MiniCPM-V 4.7 lista o grounding visual como um guia de cookbook, mas não publica nenhuma pontuação de grounding. A ficha do LLaDA-UI trata de uma única tarefa. Se sua carga de trabalho é automação de GUI, você está comparando um especialista medido com um generalista não medido; se sua carga de trabalho é compreensão de documentos e imagens, você está comparando um generalista documentado com um modelo que nunca foi feito para isso.

• A fricção de implantação segue o caminho inverso — MiniCPM-V 4.7 oferece checkpoints GGUF, AWQ, GPTQ, int4 e FP8, além de um caminho OpenVINO e alegado suporte day-0 para silício Rockchip, Houmo, Intel, AMD e Arm. O caminho de serviço da LLaDA-UI exige os patches de difusão multimodal SGLang próprios do laboratório e seu serve_llada_ui.sh script; o cartão do modelo afirma claramente que o servidor não pode ser iniciado a partir de uma instalação padrão do SGLang.

A questão de custo que ninguém publica

Nenhum dos modelos tem um preço público por token, porque nenhum dos dois é um endpoint hospedado que você aluga por milhão de tokens. Você hospeda ambos, o que significa que o custo é o seu hardware e a sua latência. Isso reformula a escolha: um checkpoint de 16,7 bilhões de parâmetros com cerca de 32 GB em BF16 é um compromisso materialmente menor do que um de 35 bilhões de parâmetros com 70 GB e, se a tarefa do agente só precisa do modelo menor, o maior não está lhe trazendo nenhum benefício nessa carga de trabalho.

O caso híbrido é onde uma camada de roteamento se justifica. Execute o modelo pequeno e feito sob medida localmente para o trabalho de interface rotineiro, e encaminhe os frames realmente difíceis — uma captura de tela densa, um documento incomum, uma pergunta que exige o conhecimento de mundo de um modelo maior — para um endpoint hospedado. OrcaRouter coloca mais de 200 modelos hospedados atrás de uma única chave com o preço de tabela de cada provedor repassado com 0% de markup e failover automático quando um provedor degrada, e sua DSL de roteamento permite que uma única chamada distribua um caso difícil para mais de um modelo quando a resposta precisa estar certa em vez de ser barata. Nem o MiniCPM-V 4.7 nem o LLaDA-UI são servidos por meio dele — ambos são checkpoints de pesos abertos que você mesmo executa, e o roteador é o que fica do outro lado dessa transferência.

A screenshot of the Hugging Face model page for inclusionAI/LLaDA-UI, showing the title 'LLaDA-UI — Bringing Block-wise Diffusion to Vision-Language GUI Agents', the arXiv, Project Page, HF Collection and GitHub badges, the opening description of MoE block-wise diffusion, the Figure 1 architecture diagram and the Model Details block.

Três perguntas que vale a pena responder antes de se comprometer

A vantagem de velocidade do LLaDA-UI é real no seu hardware? Os números de 3 a 9 vezes são medições pareadas e sem cache, no próprio ambiente de testes do laboratório, contra uma única linha de base. A difusão por blocos tem características de memória diferentes da decodificação autorregressiva, e um ganho de velocidade medido na GPU do fornecedor não se transfere automaticamente para a sua. Este é o número que mais vale a pena reproduzir antes de você construir em cima dele.

O MiniCPM-V 4.7 pode, afinal, ser direcionado para uma tarefa de interface? Plausivelmente — é um modelo de visão-linguagem com ferramentas de grounding documentadas — mas a ficha não publica nenhum benchmark de agente GUI, nenhuma convenção de coordenadas e nenhum vocabulário de ações. Construir um agente GUI sobre ele hoje significa definir você mesmo o formato de saída e torcer para que o modelo o respeite. O LLaDA-UI resolveu esse problema de propósito, com raciocínio com tags e saídas de ações, além de vocabulários por plataforma.

Qual deles ainda terá suporte daqui a seis meses? A OpenBMB lançou uma família completa em torno do MiniCPM-V 4.7 — duas variantes base, cinco formatos de quantização, dois modelos draft DSpark, um cookbook e um repositório de implantação em edge — em menos de uma semana, com termos Apache-2.0. O LLaDA-UI tem um relatório técnico, um artigo no arXiv, uma página de projeto e um repositório de código, e nenhuma licença declarada. A amplitude da infraestrutura ao redor é um indicador razoável de quanto um laboratório pretende manter algo vivo.

O veredito

Esses dois não são substitutos, e a recomendação honesta decorre disso, e não da contagem de parâmetros. Se você está construindo automação de interface, LLaDA-UI é o produto mais acabado, apesar de ser o modelo menor — medido na tarefa, com um formato de saída documentado e um caminho de serving, e carregando o risco de licença que você precisa resolver antes de lançar. Se você está construindo qualquer coisa que envolva olhar para imagens, ler documentos ou rodar em um celular, MiniCPM-V 4.7 é aquele com o ecossistema, a licença permissiva e a história de implantação, e suas alegações de eficiência são exatamente tão fortes quanto um gráfico não reproduzido pode torná-las. Equipes que precisam dos dois os executam juntos, e a camada de roteamento é a parte mais barata desse arranjo.

A generated three-card graphic headed 'Which one for which job'. The 'Interface automation' card reads 'LLaDA-UI', 'Measured on GUI benchmarks', 'Documented action format', 'No stated licence'. The 'Images and documents' card reads 'MiniCPM-V 4.7', 'OCR, PDF and video guides', 'Apache-2.0', 'No benchmark table'. The 'Both at once' card reads 'Run the small local model', 'Route hard cases to a hosted model', 'One key, provider list price'. A footer reads 'Benchmark figures vendor-reported; architecture figures read from each model's config.' The OrcaRouter logo sits bottom-right.