WeVisOne-VL-2B vs. MiniCPM-V 4.7 1B: 0,45B de diferença, funções diferentes

Os nomes sugerem uma diferença de dois para um. Os checkpoints não. O MiniCPM-V 4.7 1B traz 1.554.476.272 parâmetros em bfloat16, e o WeVisOne-VL-2B traz cerca de 2 bilhões — então a distância real entre eles é de aproximadamente 0,45 bilhão de parâmetros, não de um bilhão. Coloque-os no mesmo disco e eles ocuparão um espaço comparável. Coloque-os na mesma tarefa e eles se desintegram completamente, porque o MiniCPM-V 4.7 1B foi criado para ler um documento, assistir a um vídeo e conversar sobre ele, enquanto o WeVisOne-VL-2B foi criado para encontrar um objeto e retornar uma máscara.

Ambos são Apache 2.0. Ambos são pequenos o suficiente para interessar alguém que esteja construindo com uma única GPU. Ambos são recentes — MiniCPM-V 4.7 1B publicado em 6 de outubro de 2026 e datado de 12 de outubro nas notas de lançamento da OpenBMB, WeVisOne-VL-2B em 22 de outubro. Essa combinação de semelhança e diferença é o que torna o pareamento digno de uma página: quase toda especificação de destaque é próxima, e quase todo uso real não é.

Primeiro, os nomes, corrigidos

A nomenclatura da OpenBMB é imprecisa de uma forma que já causou confusão em tabelas comparativas. O modelo chamado 1B tem 1,55 bilhão de parâmetros segundo seus próprios metadados safetensors; materiais do fornecedor citaram 1,3B e 1,38B em lugares diferentes. O contexto de 262.144 tokens é real e está definido na configuração do modelo. A arquitetura é um backbone de texto de 24 camadas e 1024 dimensões ocultas, derivado do Qwen3.5, com um padrão 3:1 de atenção linear para atenção completa, emparelhado com uma torre de visão no estilo SigLIP2 de 27 camadas que opera em blocos de 980 pixels, além de um modo selecionável de compressão de tokens visuais de 4× ou 16× que troca detalhe por custo por requisição.

A nomenclatura da Tencent é mais precisa. O WeVisOne-VL-2B é um modelo de 2 bilhões de parâmetros construído sobre o Qwen3-VL, com um decodificador de pixels separado de 9.511.460 parâmetros que o card chama de "um componente central obrigatório, não um complemento opcional". O decodificador não é um detalhe insignificante na história de implantação: sem ele, o modelo produz caixas e pontos, e nenhuma das saídas de máscara ou matte existe.

Portanto, o enquadramento correto não é pequeno versus grande. É 1,55B versus 2B — uma diferença de 29 por cento nos pesos — com contratos de saída completamente diferentes.

Dois vocabulários de referência que nunca se encontram

Esta é a parte em que a maioria das comparações erra, então vale a pena deixar isso claro antes que qualquer número apareça. A OpenBMB avalia o MiniCPM-V 4.7 1B em benchmarks multimodais gerais: 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 e MotionBench 54.55. Esses são números executados pelo fornecedor, apresentados majoritariamente como gráficos, e não como uma tabela com detalhes do harness de avaliação, e nenhuma entidade independente os reproduziu.

A Tencent avalia o WeVisOne-VL-2B em benchmarks de percepção e não relata nenhuma pontuação multimodal geral. Não há MMMU, nem MMBench, nem MathVista, nem DocVQA, e nenhum resultado de legendagem em nenhuma de suas sete tabelas. O que ela relata, em vez disso, é específico por tarefa: F1 de detecção, exact-match de contagem, F1 de apontamento, F1 de localização de OCR, cIoU de segmentação e erro de matting.

O conflito é mais acentuado em OCR, porque ambos os modelos afirmam fazê-lo. O 86,1 do MiniCPM é o OCRBench — uma pontuação de transcrição, que pergunta se o modelo leu os caracteres corretamente. Os números de OCR do WeVisOne são F1 de localização com limiar de IoU de 0,5: 62,1 no SROIE, 42,6 no ICDAR2015, 42,5 no TotalText e 30,5 no HierText, medindo se o modelo desenhou a caixa correta ao redor do texto. Um modelo pode ser excelente em um e medíocre no outro. Imprimir "86,1 versus 62,1" seria comparar um teste de ortografia com um teste de apontar.

Não há benchmark em que ambos os modelos reportem um número calculado da mesma forma. Isso não é um floreio retórico — é a constatação central desta comparação, e significa que qualquer ranking que você veja destes dois é montado a partir de partes incomensuráveis.

O que 262.144 tokens compram — e o que a WeVisOne não vai dizer

O MiniCPM-V 4.7 1B publica um contexto de 262,144 tokens e um caminho de vídeo que aceita até 128 quadros por padrão, com uma fatia por quadro. Trata-se de uma máquina de documentos e vídeos: PDFs longos, digitalizações de várias páginas, um minuto de filmagem. A opção de compressão 4× e 16× existe justamente porque manter tanta riqueza de detalhes visuais é caro, e a OpenBMB permite que você escolha quanto dela manter por solicitação.

O WeVisOne-VL-2B não publica comprimento de contexto. O card não informa; as etapas de treinamento do artigo rodaram com 4.096 e 8.192 tokens, e a inferência limita cada imagem a 1.960 tokens visuais com decodificação greedy. Nenhum desses é uma janela de implantação, e a Tencent não finge que algum seja. Ele também rejeita grades de vídeo de imediato — o decodificador de pixels é somente para imagens, turno único, sem cadeia de raciocínio.

Essa assimetria diz para o que cada fornecedor otimizou. A OpenBMB otimizou para quanta entrada um modelo consegue engolir. A Tencent otimizou para quão precisamente um modelo consegue apontar para o que engoliu e, em seguida, traçou uma fronteira rígida em torno do tipo de entrada para manter o decodificador simples.

Onde cada um realmente é executado

O MiniCPM-V 4.7 1B tem, de longe, a superfície de implantação mais ampla: Transformers 5.18 e posteriores, vLLM, SGLang, llama.cpp e Ollama, com builds GGUF, AWQ, GPTQ, FP8, bitsandbytes e OpenVINO, além de suporte a iOS, Android e HarmonyOS e habilitação de chips desde o primeiro dia por uma lista de fornecedores que inclui Rockchip, Arm e Apple. A OpenBMB também disponibiliza um modelo draft DSpark separado, com 213 milhões de parâmetros, para decodificação especulativa.

O WeVisOne-VL-2B tem seu próprio pacote no GitHub, um caminho via Transformers, e vLLM e SGLang listados no card. Sem GGUF. Sem build quantizado. Sem ONNX. Sem suporte a dispositivos móveis. E a saída densa é um alpha matte em resolução total com stride 1, o que significa que a memória escala com a imagem, e não com a contagem de parâmetros — um modelo 2B que é barato de manter e não necessariamente barato de executar em 4K.

Se o seu alvo é um telefone, esta seção encerra a comparação. O MiniCPM foi criado para essa restrição e o declara em sua lista de formatos. O WeVisOne não foi, e não afirma ser.

O único ponto em que empatam: a licença

Apache 2.0 em ambos. Sem limite de receita, sem restrição de campo de uso, sem acordo comercial separado. Em uma categoria em que a Liquid AI usa sua própria licença com teto de receita e a Moondream usa uma licença source-available com uma concessão que proíbe serviços de terceiros, dois modelos de visão Apache 2.0 deste porte merecem atenção — isso significa que a licença não é a variável decisiva aqui, o que é incomum o suficiente para ser dito em voz alta.

O empate também elimina o motivo mais comum pelo qual as equipes escolhem o modelo menor. Se ambos passarem pela revisão jurídica, você estará escolhendo com base em capacidade e implantação, não em termos contratuais.

Escolhendo entre eles

Pergunte o que a saída alimenta. Se ela alimenta um armazenamento de documentos, uma janela de chat, um índice de vídeo ou um modelo de linguagem downstream, o MiniCPM-V 4.7 1B é o formato que você quer: ele produz texto em extensão, suporta uma entrada longa e é distribuído em formatos que rodam em hardware de consumidor.

Se ele alimenta um pipeline de composição, um editor de imagens, uma tarefa de limpeza de catálogo ou um recorte de região de interesse, o WeVisOne-VL-2B é o formato que você quer: caixas, pontos, máscaras binárias e mattes alpha contínuos, além de um comportamento de rejeição que importa mais do que qualquer benchmark. A Tencent relata uma taxa de rejeição de 50,2 no RefCOCOg para consultas de objetos ausentes, contra 0,5 e 0,6 de dois modelos especializados de grounding na mesma tabela. Se a maioria das suas imagens não contém o que você procura, esse é o número que economiza seu dinheiro.

Há um terceiro caso em que eles se compõem em vez de competir: um pipeline de documentos em que o MiniCPM lê a página e o WeVisOne encontra a região — a assinatura, o carimbo, a foto do produto — que a etapa de leitura precisa isolar. Não é tanto um problema de roteamento quanto um de design de pipeline, e é aí que o produto OrcaRouter é genuinamente útil, em vez de algo acoplado à força. Nenhum desses modelos está no nosso catálogo; ambos são auto-hospedados, e não vamos insinuar o contrário. O que oferecemos é a metade hospedada: mais de 200 modelos por trás de uma única chave de API pelo preço de tabela do provedor, sem acréscimo, failover automático quando um provedor apresenta degradação, e fusão de modelos, que permite que um painel de modelos responda à mesma pergunta em conjunto — útil quando uma transcrição está prestes a ser inserida em um banco de dados e você quer uma segunda opinião antes que isso aconteça.

O número para lembrar

Não 1B e 2B — 1,55B e 2B. A nomenclatura faz com que pareçam classes de peso diferentes, e os checkpoints fazem com que pareçam vizinhos próximos, e ambas as impressões são enganosas. O que separa o MiniCPM-V 4.7 1B do WeVisOne-VL-2B não é o tamanho, a licença nem mesmo a atualidade. É que um retorna palavras e o outro retorna pixels, e nenhum benchmark publicado por qualquer dos fornecedores pode ser subtraído do outro para dizer qual é melhor em ser aquilo de que você precisa.