MiniCPM-V 4.7 35B-A3B vs UI-Mate-27B: Um lê a tela, o outro pressiona o botão

A primeira frase honesta sobre o MiniCPM-V 4.7 35B-A3B em comparação com o UI-Mate-27B é que eles não são concorrentes. Ambos foram disponibilizados no Hugging Face sem anúncio, ambos trazem uma licença permissiva, ambos são treinados em backbones da família Qwen e ambos são descritos em sua própria documentação como fortes na compreensão do que está em uma tela — e é por isso que são colocados na mesma categoria. Mas um é um modelo geral de visão e linguagem que lê uma imagem e responde em texto, e o outro é um agente de GUI que lê uma captura de tela e emite ações de mouse e teclado compatíveis com pyautogui. O MiniCPM-V 4.7 35B-A3B consegue dizer o que uma caixa de diálogo diz. O UI-Mate-27B consegue fechá-la. Todo o resto nesta comparação decorre dessa única diferença, e a pergunta útil não é qual modelo vence — é qual metade da tarefa está faltando para você.

Ambos também são recentes. O UI-Mate-27B chegou em 14 de agosto de 2026 com um artigo dois dias depois e nenhum post de lançamento do laboratório; tinha zero downloads no Hugging Face quando o cobrimos pela primeira vez, e ainda não há nenhuma API hospedada em lugar nenhum. O MiniCPM-V 4.7 chegou em 6 de outubro sem nenhum cartão de modelo, e a OpenBMB não publicou um cartão de modelo, uma tag de licença ou uma seção de alegações até 12 de outubro. Nenhum dos dois foi avaliado de forma independente. Todos os números de desempenho neste artigo estão rotulados com quem os reportou e, nos dois casos, é o próprio laboratório do modelo.

O mesmo corpo, dois trabalhos diferentes

Comece pelo que faz o par parecer natural. Ambos são modelos multimodais de pesos abertos de médio a grande porte com licenças Apache-2.0. Ambos pertencem à mesma linhagem upstream — UI-Mate-27B é fine-tuned a partir do Qwen3.6-27B, e a pilha de linguagem do MiniCPM-V 4.7 35B-A3B é um MoE esparso da família Qwen3.5. Ambos visam à mesma ampla área de aplicação — telas, documentos e estado de aplicação — e ambos foram lançados em silêncio.

Depois, observe o que cada um retorna. O MiniCPM-V 4.7 retorna tokens de texto. O UI-Mate-27B retorna uma ação estruturada — um clique, um pressionamento de tecla, uma rolagem, uma espera, um sinal de conclusão de tarefa — em um espaço de coordenadas normalizado de 1000×1000 que o agente de referência redimensiona para a resolução real da captura de tela, de modo que as previsões sobrevivem a diferenças de escala de exibição entre máquinas. O cartão do modelo deixa explícito que o UI-Mate é "um checkpoint de agente, e não um modelo autônomo de chat visual" e que o harness que o acompanha deve ser usado para qualquer coisa real.

Essa distinção decide a maioria das implantações reais. Se o seu pipeline é "leia esta captura de tela e me diga o que há de errado com ela", um VLM geral é a ferramenta certa e um agente é exagero, com um modo de falha pior. Se o seu pipeline é "faça o aplicativo fazer aquilo", um VLM sozinho deixa você escrevendo toda a camada de ação — mapeamento de coordenadas, parsing de ações, recuperação de erros, lógica de retentativas — que é a parte na qual o UI-Mate gastou seu orçamento de aprendizado por reforço.

O que é o MiniCPM-V 4.7 35B-A3B, no momento

O primeiro MoE da OpenBMB na série MiniCPM-V: 256 especialistas com 8 ativos por token em 40 camadas, uma janela de contexto de 262.144 tokens e um vocabulário de 248.144 tokens, ou cerca de 3B de parâmetros ativos de um total de 35,2B. A visão passa por um módulo SigLIP2 com compressão antecipada intra-ViT do LLaVA-UHD v4 e um modo selecionável de compressão de tokens visuais misto 4x/16x — 16x por padrão para throughput, 4x quando o detalhe fino é o que importa. Ele compreende imagens únicas, conjuntos de múltiplas imagens e vídeo, e retorna texto.

A principal alegação do cartão é que este é o primeiro modelo MoE de código aberto com inferência no dispositivo sem perdas e fluida — Lookahead Expert Scheduling, quantização fina por camada e amostragem especulativa através de rascunhos DSpark separados — a uns alegados 13 ou mais tokens por segundo num iPhone 17 Pro Max. Esse número é reportado pelo fornecedor, não reproduzido e sem ressalvas. Uma segunda alegação, de que o modelo supera a pontuação geral do modo Instruct do Qwen3.6 35B-A3B em menos tempo de inferência, é apresentada dentro de uma imagem de gráfico em vez de uma tabela, pelo que não pode ser citada como um número.

O que é concreto é a distribuição. Os pesos Base, FP8, int4, AWQ, GPTQ e GGUF existem; SGLang, vLLM, llama.cpp, Ollama e OpenVINO são suportados; existem aplicativos para iOS, Android e HarmonyOS; Rockchip, Houmo, Intel, AMD e Arm estão listados para silício no day-zero; e o card documenta a chamada de ferramentas, com um exemplo prático de chamada de função na seção de serving. Esse último detalhe importa para esta comparação: o MiniCPM-V 4.7 pode ser a camada de percepção e raciocínio dentro de um agente que você cria, mesmo que não atue sozinho.

O que é o UI-Mate-27B, no momento atual

O agente GUI de base de 27 bilhões de parâmetros do fornecedor, publicado em 14 de agosto de 2026 ao lado de um irmão de 9B e de uma variante guiada por demonstração, o UI-Mate-democua-27B. O treinamento consistiu em ajuste fino supervisionado seguido de aprendizado por reforço online em ambientes GUI executáveis — o modelo aprendeu operando desktops de fato, e não a partir de capturas de tela estáticas. Seu espaço de ações abrange mouse, teclado, rolagem, espera, interação do usuário e sinais de conclusão, e as ações emitidas são compatíveis com pyautogui, de modo que o harness pode executá-las diretamente.

O diferencial no qual o fornecedor se apoia é a execução guiada por demonstração: grave um fluxo de trabalho uma vez e o agente o adapta à tela atual, com a captura de tela ao vivo tratada como autoritativa em vez de reproduzir um script fixo. O material de apoio é incomumente completo para um lançamento silencioso — uma página do projeto com um vídeo de demonstração e um app para macOS Apple Silicon, um repositório no GitHub contendo o prompt oficial, o analisador de respostas e a estrutura de interação, e o preprint arXiv 2608.15930 submetido dois dias após a publicação dos pesos.

Os números de destaque são uma pontuação de 66,2 no WindowsAgentArena e de 77,0 no OSWorld-Verified, relatadas pelo fornecedor, que ficariam no topo do que foi publicado nesse benchmark este ano, caso se confirmem. Elas não foram reproduzidas por ninguém fora do laboratório. E o panorama de implantação é escasso, do jeito que costumam ser os lançamentos iniciais de agentes: nenhuma API hospedada, um caminho de serviço recomendado de vLLM por trás de um endpoint compatível com a OpenAI e uma instrução deliberada para usar o harness em vez de chamar o checkpoint diretamente.

Oito dimensões, ambos os lados

• Saída — texto, do MiniCPM-V 4.7 35B-A3B; ações estruturadas compatíveis com pyautogui, do UI-Mate-27B.

• Entrada — texto, imagens e vídeo, em comparação com capturas de tela ao vivo, além de uma instrução. Nenhum dos dois aceita áudio.

• Modelo base — um MoE esparso da família Qwen3.5 para o modelo MiniCPM, Qwen3.6-27B para o UI-Mate.

• Tamanho e formato — 35,2B no total com 3B ativos distribuídos em 256 especialistas; 27B denso. O esparso é mais barato por token, o denso é mais simples de servir.

• Contexto — 262.144 tokens contra um padrão de cinco capturas de tela retidas, que é a maior diferença arquitetural entre eles e a razão pela qual um consegue ler um longo conjunto de documentos e o outro não.

• Licença — Apache-2.0 em ambos, o que torna a escolha uma decisão técnica, e não jurídica, para variar.

• Alegação principal, ambos relatados pelos fornecedores — mais de 13 tokens por segundo em um iPhone 17 Pro Max, contra WindowsAgentArena 66,2 e OSWorld-Verified 77,0. Benchmarks diferentes, sem escala compartilhada, nenhum dos dois reproduzido.

• Disponível hoje — seis formatos de quantização, cinco ambientes de execução e aplicativos móveis, em comparação com zero downloads na cobertura inicial, nenhuma API hospedada e uma estrutura de teste que o fornecedor recomenda que você use.

Onde eles realmente se sobrepõem.

Há um trabalho que ambos podem tentar: entender uma captura de tela de UI bem o suficiente para responder a uma pergunta sobre ela. Pergunte "qual campo falhou na validação" e qualquer um dos modelos pode responder de forma plausível. Pergunte "corrija isso" e somente o UI-Mate-27B produz uma ação, e só se você tiver montado o esquema — o loop de capturas de tela, o parser, o executor, o redimensionamento de coordenadas e a política de repetição quando o clique cai em algum lugar inesperado.

A sobreposição inversa é mais fraca, mas é real. O suporte a chamadas de ferramentas do MiniCPM-V 4.7 significa que você pode construir um agente em torno dele — percepção e planejamento no modelo de visão, com sua própria camada de ação acoplada por meio de chamadas de função. Essa é uma arquitetura legítima e lhe dá controle total sobre o espaço de ação. É também, grosso modo, reinventar aquilo em que o UI-Mate já investiu aprendizado por reforço, e fazer isso sem dados de treinamento específicos para GUI. As equipes fazem melhor ao escolher em qual camada querem ter domínio do que em qual modelo é superficialmente melhor em capturas de tela.

Atendendo a ambos, e onde um roteador se encaixa

Nenhum dos modelos está hospedado em lugar algum, incluindo aqui — MiniCPM-V 4.7 35B-A3B e UI-Mate-27B não aparecem em lugar nenhum no catálogo do OrcaRouter, e nada neste artigo deve ser interpretado como uma alegação de que nós os roteamos. Ambos são checkpoints que você mesmo baixa e executa, e, para o UI-Mate, isso significa duas coisas: cerca de 27B de pesos e um endpoint compatível com OpenAI, porque o próprio README do fornecedor recomenda servi-lo com vLLM, e o harness espera uma URL base compatível.

Esse endpoint é a parte interessante para o planejamento de custos, porque o harness não se importa com qual modelo responde, desde que o endpoint se comporte. O OrcaRouter coloca mais de 200 modelos hospedados atrás de uma única chave pelo preço de tabela de cada provedor, sem markup nosso, com failover automático entre rotas de provedores, o que o torna uma URL base drop-in para o lado de planejamento de um agente — e a DSL de roteamento permite compor um modelo barato para etapas rotineiras e um mais forte para as decisões que importam em uma única chamada, em vez de duas integrações. O formato hospedado mais próximo do perfil de custo do modelo MiniCPM é o Qwen3.6 35B A3B — 35B no total, 3B ativos, contexto de 262K — a US$ 0,25 por milhão de tokens de entrada e US$ 1,48 por milhão de tokens de saída. Se isso supera a auto-hospedagem de um MoE esparso de 70 GB é uma pergunta que você consegue responder em uma tarde, o que não é verdade para nenhum dos dois modelos da manchete.

Qual você quer

Escolha o UI-Mate-27B se precisar de um modelo que aja — automação de desktop, substituição de RPA, fluxos de trabalho de aplicações de longo horizonte — e se aceitar a contrapartida que vem com ele: um benchmark reportado pelo fornecedor, nenhuma reprodução independente, nenhuma rota hospedada e um harness que você precisa adotar em vez de interrogar. O lado positivo é que tudo sobre o lançamento está excepcionalmente bem documentado, do artigo ao prompt ao parser, e o irmão 9B oferece um modelo mais barato para você criar protótipos.

Escolha o MiniCPM-V 4.7 35B-A3B se precisar de percepção — documentos longos, capturas de tela em massa, vídeo — e estiver preparado para assumir a camada de ação por conta própria. Você obtém a licença permissiva, seis formatos de quantização, cinco runtimes, uma janela de 262K e uma história de implantação de classe celular que não foi verificada por ninguém fora da OpenBMB.

O que mudaria isto: uma execução reproduzida do OSWorld ou do WindowsAgentArena para o UI-Mate, que transformaria sua alegação central de marketing em medição; e uma tabela de avaliação para o MiniCPM-V 4.7, que não existe de forma alguma. Até que uma dessas coisas chegue, a decisão pertence ao seu diagrama de arquitetura, e não a qualquer um dos dois placares — um decodificador ou uma mão, e você deveria saber de qual deles está em falta.