MiniCPM-V 4.7 vs WeVisOne-VL-4B: Um parágrafo ou um polígono

A forma mais rápida de escolher entre MiniCPM-V 4.7 e WeVisOne-VL-4B é olhar para o que cada um produz. O WeVisOne-VL-4B retorna coordenadas: caixas normalizadas em uma grade de mil pontos, pontos, máscaras de instância e mattes alfa em resolução total produzidos por um decodificador de 9,6 milhões de parâmetros acoplado a um backbone Qwen3-VL. O MiniCPM-V 4.7 retorna frases, páginas delas, em um contexto de 262.144 tokens que consegue comportar um vídeo. Um deles é um componente de percepção que você conecta a um pipeline. O outro é um leitor a quem você faz perguntas. Ambos são Apache-2.0, ambos vêm de laboratórios chineses, ambos foram lançados em outubro de 2026 com quase nenhuma cobertura da imprensa especializada em inglês, e mal estão na mesma categoria de produto.

Os dois chegaram de formas muito diferentes. A equipe WeChat Vision, da Tencent, publicou o WeVisOne-VL-4B no Hugging Face e no GitHub em 22 de outubro de 2026, junto com um artigo no arXiv e um modelo irmão de 2B, sem post de blog e sem comunicado à imprensa. A OpenBMB enviou o MiniCPM-V 4.7 em 6 e 7 de outubro, datou o lançamento como 12 de outubro em seu repositório e o anunciou em um comunicado em inglês na PR Newswire em 15 de outubro, que gerou surpreendentemente pouca cobertura da imprensa especializada em inglês. Um chegou como repositório; o outro, como repositório mais um comunicado de agência. A maioria das comparações entre eles erra a categoria antes de errar os números.

Duas respostas à mesma pergunta

WeVisOne-VL-4B é um ajuste fino do Qwen3-VL que emite geometria como tokens. Caixas e pontos são codificados como tokens decimais de 0 a 1000, normalizados em relação à imagem, e, após cada caixa prevista, o modelo emite um token especial cujo estado oculto alimenta um decodificador de máscara separado: um adaptador de características visuais, seis blocos de atenção cruzada deformável e uma cabeça em cascata que refina em strides quatro, dois e um. O resultado é uma máscara de instância e, para tarefas de matting, um canal alfa em resolução total. Não há um segundo modelo no fluxo e nenhuma chamada ao SAM; todo o caminho de pixels tem menos de dez milhões de parâmetros anexados ao modelo de linguagem. São 4,83 bilhões de parâmetros em bfloat16, que o cartão do modelo arredonda para 5B, e ele aceita uma imagem por turno — grades de vídeo são rejeitadas de imediato pelo decodificador de pixels.

O MiniCPM-V 4.7 é um generalista em dois tamanhos. O 35B-A3B armazena 35,2 bilhões de parâmetros em 256 especialistas, encaminha oito por token para cerca de 3 bilhões ativos e mantém um contexto de 262.144 tokens com entrada de imagem única, múltiplas imagens e vídeo. O 1B é um modelo denso de 1,55 bilhão de parâmetros com o mesmo comprimento de contexto e um checkpoint BF16 de 3,1 GB. Ambos compartilham uma torre de visão SigLIP2 de 27 camadas com compressão mista de tokens visuais de 4× e 16×, que é o mecanismo que permite que um contexto de um quarto de milhão de tokens permaneça acessível. Nenhum dos dois possui uma primitiva de apontamento, detecção ou segmentação. Você pode perguntar a qualquer um dos dois onde está o gato, e receberá uma descrição de onde está o gato.

Essa diferença não é cosmética. Ela determina se o seu código downstream analisa JSON ou prosa, se uma resposta ruim falha de forma ruidosa ou silenciosa, e se o modelo pode ser composto com qualquer outra coisa sem um segundo modelo para corrigir sua saída.

Os números, e o erro de categoria à espreita neles

Todos os números abaixo são relatados pelo fornecedor. Os da Tencent vêm do artigo e do README, com o conjunto de comparação escolhido pelos autores e sem reprodução por terceiros. Os da OpenBMB vêm da página do modelo do fornecedor, publicados como texto corrido e imagens de gráficos, em vez de uma tabela numérica. Nenhum dos laboratórios tem uma pontuação independente para esses modelos em um harness compartilhado.

• Detecção, LVIS F1 — WeVisOne-VL-4B 55,3 contra o melhor baseline listado pelos autores, de 50,7. O MiniCPM-V 4.7 não publica nenhum número de detecção.

• Detecção densa, F1 no Dense200 — 71,3 para o WeVisOne contra 58,7 do melhor baseline, e 15,2 para o Qwen3-VL-4B sem modificações. Essa última linha é a mais interessante do artigo: é o fine-tune que transforma um generalista em um localizador.

• {{1}}Referência, F1 do teste RefCOCOg — 81,8 para o WeVisOne-VL-4B contra 77,6 para o baseline mais forte listado pelos autores.{{/1}} {{2}}A taxa de rejeição dele em consultas com alvo ausente é onde você deve olhar primeiro: 67,4 por cento no RefCOCOg-Rej, 96,4 por cento no WeRef-Bench interno e 52,6 por cento no PR-Bench.{{/2}} {{3}}Mesmo modelo, três respostas diferentes, porque as distribuições diferem.{{/3}}

• Contagem, PixMo-Count — 89,6 contra 82,8. Segmentação, ReasonSeg val gIoU — 71,2 contra 65,0.

• Matting, diferença absoluta média do P3M-500-NP — 7,3 contra 15,4, em que menor é melhor, o que corresponde a aproximadamente metade do erro do melhor baseline de matting específico para a tarefa usado na comparação pelos autores.

Leitura, OCRBench — 91,2 para o MiniCPM-V 4.7 35B-A3B e 86,1 para o 1B, contra F1 de 52,0 no TotalText para o WeVisOne-VL-4B.

Esse último item é a armadilha. O OCRBench mede reconhecimento de texto; o F1 do TotalText mede localização de texto. Colocar 86,1 ao lado de 52,0 e declarar uma vitória de 34 pontos é um erro de categoria, e é o tipo de erro que é copiado de uma postagem de comparação para a seguinte. A afirmação honesta é que os dois modelos não foram testados na mesma tarefa, e a única coisa que os números estabelecem é que o MiniCPM foi feito para transcrever e o WeVisOne foi feito para localizar.

A memória é o preço real

O WeVisOne-VL-4B é um checkpoint bfloat16 de 9,66 GB antes de seu decodificador de máscara, e a Tencent não disponibiliza nenhuma variante quantizada. O valor de 19 GB no quadro comparativo é o mesmo checkpoint convertido para F32, o que o duplica; de qualquer forma, você ainda precisa do código de inferência personalizado: mask_decoder.pt é um componente obrigatório, não um complemento opcional, e um carregamento padrão do Transformers fornecerá caixas e texto, mas nenhuma máscara. Os caminhos de serviço documentados são o pacote de inferência do próprio projeto, que envolve um backend Transformers ou um backend vLLM, além de uma demonstração Gradio; a decodificação greedy e um limite de 1.960 tokens visuais por imagem são as configurações de avaliação. Este é um serviço de GPU.

O MiniCPM-V 4.7 35B-A3B tem aproximadamente 70 GB de pesos BF16 distribuídos em dezesseis shards, o que é pior no papel e melhor na prática porque apenas cerca de 3 bilhões de parâmetros ficam ativos por token. Toda a proposta da OpenBMB é que os especialistas inativos possam ser transmitidos do armazenamento em vez de mantidos na memória, usando o Lookahead Expert Scheduling para pré-buscar os especialistas que a próxima camada provavelmente precisará, além de quantização camada por camada e decodificação especulativa DSpark. A alegação do fabricante é de 13 ou mais tokens por segundo em um iPhone 17 Pro Max usando cerca de 3 GB de memória. Ninguém independente reproduziu isso, e a alegação depende de todas as três técnicas funcionando juntas, e não de qualquer uma delas isoladamente.

O modelo 1B muda completamente a economia: 3,1 GB em BF16, cerca de 0,67 GB como um GGUF Q4_K_M, e é por isso que o monitor de gatos esp32-eye consegue executá-lo num MacBook como um gate que dispara no máximo a cada 1,5 segundos. A mesma build revelou que o 1B não era confiável para distinguir quatro gatos semelhantes, pelo que é um detetor de presença e não um reconhecedor de granularidade fina — uma fronteira útil para quem planeie usá-lo como um classificador barato.

Em termos simples: a WeVisOne compra geometria com 9,66 GB e uma GPU. A MiniCPM compra leitura com 70 GB ou 3 GB, dependendo do tamanho que você escolher, e um runtime de classe celular, se as alegações de agendamento da OpenBMB se confirmarem.

O que quebra em produção

Os modos de falha do WeVisOne estão documentados e são específicos. A qualidade do Alpha se degrada em limites finos, oclusão intensa e materiais genuinamente transparentes. O modelo é sensível à redação do prompt, então "o cabelo da mulher" e "o cabelo dela" não têm garantia de retornar o mesmo matte. Ele não aceita vídeo, não tem cadeia de pensamento, portanto não há como pedir que ele raciocine sobre uma consulta ambígua antes de se comprometer com uma caixa, e seu comportamento de rejeição tem um ponto fraco que o número de destaque do artigo esconde: 96,4 por cento no WeRef-Bench, mas cerca de 52,6 por cento no PR-Bench. Um componente que recusa alvos ausentes na maioria das vezes é útil; um que os recusa metade das vezes em uma distribuição diferente precisa de uma salvaguarda.

Os modos de falha do MiniCPM-V 4.7 são os do generalista: ele descreverá uma imagem fluentemente, esteja ou não a descrição fundamentada, e não há nenhum canal de rejeição. Nada no card informa quando o modelo não sabe. Para um leitor, isso é tolerável — um humano lê o parágrafo. Para um pipeline que precisa de uma caixa, é desqualificador, porque você estaria convertendo prosa em coordenadas e torcendo para dar certo.

Se o que você precisa é de um modelo de visão de propósito geral hospedado esta semana, em vez de um especialista auto-hospedado, nenhum destes dois está no catálogo da OrcaRouter, e vale dizer isso antes do pitch: a rota prática é um modelo de propósito geral que seja hospedado, chamado por uma única chave em mais de 200 modelos a 0% de markup sobre os preços de tabela dos provedores, com failover automático se um endpoint upstream oscilar. Isso lhe dá um pipeline funcional; não lhe dará alpha mattes, e é um produto diferente de qualquer um dos dois modelos sobre os quais esta página trata.

Escolhendo entre eles

Escolha o WeVisOne-VL-4B se a sua saída for geometria: contar objetos em uma prateleira de varejo, recortar um produto de uma foto, destacar uma região para um usuário ou recusar quando a coisa não estiver lá. O número de matting é genuinamente incomum, o canal de rejeição é um recurso de engenharia de verdade, e os 9,66 GB são o preço de um componente que devolve algo que um programa pode usar.

Use o MiniCPM-V 4.7 35B-A3B se o seu resultado for compreensão: um PDF longo, um dashboard, um vídeo, uma página com texto e figuras misturados. Use o 1B se precisar de um filtro barato na frente de algo mais caro, e não peça a ele que diferencie dois gatos parecidos.

A comparação que realmente resolveria isso ainda não existe: uma estrutura de teste independente que execute os dois modelos no mesmo conjunto de detecção e OCR, com o mesmo orçamento de imagens. Até que alguém a publique, a posição defensável é a mais sem graça — esses modelos fazem trabalhos diferentes, as tabelas dos fornecedores não se sobrepõem, e o único número que deveria influenciar sua decisão é o tamanho do que você precisa implantar.