WeVisOne-VL-4B vs MiniCPM-V 4.7 1B: Duas apostas opostas sobre para que serve um token visual

O MiniCPM-V 4.7 1B obtém 86,1 no OCRBench. O WeVisOne-VL-4B obtém 52,0 no TotalText. Coloque esses dois números lado a lado e o modelo 1B parece superar o modelo 4B em trinta e quatro pontos na leitura de texto — o que seria um resultado notável e também é um erro de categoria. O OCRBench mede se um modelo consegue transcrever os caracteres de uma imagem. O TotalText, como a Tencent o reporta, mede F1 para localizar cada instância de texto em limiares de IoU de 0,5 a 0,95. Um é reconhecimento, o outro é geometria. O MiniCPM-V 4.7 1B e o WeVisOne-VL-4B foram lançados com nove dias de diferença em outubro de 2026, ambos de laboratórios chineses, ambos Apache 2.0, e discordam fundamentalmente sobre para que servem os tokens visuais: um os comprime e descarta, o outro os gasta em precisão.

Essa discordância é a comparação inteira. Todo o resto — contagens de parâmetros, memória, linhas de benchmark — decorre disso.

Compressão versus precisão

O MiniCPM-V 4.7 1B herda um esquema de compressão precoce intra-ViT do LLaVA-UHD v4 e o expõe como uma alternância em tempo de execução entre compressão de tokens visuais de 4× e 16×. O objetivo é encaixar mais imagem, e mais vídeo, em um orçamento fixo: o card do modelo afirma um contexto de 262.144 tokens, um padrão de 128 quadros de vídeo e um esquema de mosaico 448×448 com número configurável de fatias. Comprima cedo, mantenha a sequência curta, e um modelo de 1B pode analisar um vídeo longo em um celular.

O WeVisOne-VL-4B faz a troca oposta. Sua avaliação é executada com até 1.960 tokens visuais por imagem, e seu decodificador de pixels opera sobre características ViT pré-fusão, mantendo deliberadamente o detalhe de alta resolução que a compressão inicial descarta. É por isso que ele consegue produzir uma máscara alfa de resolução total com stride 1 e por que não consegue processar uma grade de vídeo de jeito nenhum: o decodificador a rejeita. Precisão custa tokens, e tokens custam latência.

Nenhuma das apostas está errada. São respostas para perguntas diferentes. O MiniCPM pergunta “quanto consigo ver de uma vez num telefone?” O WeVisOne pergunta “com que exatidão consigo descrever onde uma coisa está?”

A história do tamanho é mais estranha do que 1B versus 4B

Parâmetros — WeVisOne-VL-4B 4,83B denso vs MiniCPM-V 4.7 1B denominado 1B, embora os metadados do repositório listem 2B em BF16

• Formato dos pesos — safetensors F32 com cerca de 19 GB vs BF16 com cerca de 3,1 GB, ou 0,67 GB em Q4_K_M mais um projetor de visão de 0,90–1,11 GB

• Contexto — não publicado para o WeVisOne-VL-4B vs 262.144 tokens no papel para o MiniCPM-V 4.7 1B

• Vídeo — rejeitado pelo decodificador de pixels vs 128 quadros por padrão

• Entrada multimodal — uma única imagem por turno vs. imagem e vídeo

• Quantização — nenhuma fornecida pelo fabricante vs. variantes int4, AWQ, GPTQ, GGUF e FP8

• Runtimes no dispositivo — nenhum vs iOS, Android, HarmonyOS, além de llama.cpp e Ollama

• Licença — Apache 2.0 para código de autoria da Tencent vs Apache 2.0

A linha de memória é a que reformula a comparação. Um modelo de 1B em quatro bits cabe em menos de um gigabyte antes do projetor de visão; um modelo de 4,83B em F32 precisa de aproximadamente dezenove. Eles não são concorrentes para o mesmo espaço. Um é um componente que você embarca dentro de uma aplicação; o outro é um serviço que você executa em uma GPU.

Ler as linhas do benchmark sem se enganar

Ambos os fornecedores publicaram tabelas, e ambas as tabelas são autosselecionadas. O MiniCPM-V 4.7 1B relata OCRBench 86,1, MathVista 74,3, CharXiv Reasoning 48,8, LongVideoBench 53,4 e MotionBench 54,55. O WeVisOne-VL-4B relata LVIS F1 média 55,3, RefCOCOg teste 81,8, PixMo-Count teste 89,6, TotalText F1 média 52,0, ReasonSeg val gIoU 71,2 e P3M-500-NP MAD 7,3. Nenhum benchmark aparece nas duas listas. Não há uma forma defensável de calcular um vencedor a partir desses documentos, e qualquer artigo que o faça está inventando um resultado.

A leitura justa é mais restrita e ainda assim útil. O MiniCPM-V 4.7 1B é excepcionalmente forte em raciocínio sobre imagens para o seu tamanho — uma pontuação de 74,3 no MathVista vinda de um modelo que cabe em um celular é o número do qual seus autores mais se orgulham, e é relatado pelo fornecedor e não reproduzido. O WeVisOne-VL-4B é excepcionalmente forte em produzir geometria — máscaras, mattes, caixas e uma taxa de recusa medida de 96,4% no WeRef-Bench quando o objeto não está presente. O card do MiniCPM não publica nenhuma métrica de rejeição, e o do WeVisOne não publica nenhum benchmark de raciocínio. Cada modelo fica em silêncio exatamente onde o outro é enfático.

O que cada um não consegue fazer

WeVisOne-VL-4B não consegue assistir a um vídeo, não consegue manter uma conversa de vários turnos sobre uma imagem e não consegue rodar em um celular. Não há um número publicado de tokens por segundo nem versões quantizadas, o que significa que qualquer pessoa que o implante estará assumindo o compromisso com uma GPU e com avaliar a vazão por conta própria. O código de ajuste fino ainda é um item não concluído na lista de TODO do projeto.

O MiniCPM-V 4.7 1B não consegue retornar uma máscara ou um alpha matte. Ele dirá que há uma pessoa na imagem e aproximadamente onde; não entregará um recorte de bordas suaves. Ele também carrega os riscos comuns de uma família de modelos totalmente nova: um novo model_type no Transformers, um requisito de versão mínima 5.18.0 e relatos iniciais de falhas na decodificação de vídeo em algumas combinações de CUDA e torchcodec. Seu contexto de 262K é um número no papel — não foi demonstrado que o pós-treinamento o aproveite plenamente.

O custo de uma segunda ligação

Na prática, esses dois modelos não são substitutos, e a arquitetura interessante usa ambos: um modelo pequeno e barato para descrever e raciocinar sobre a imagem, e um modelo de percepção para retornar a geometria. Isso transforma uma chamada de inferência em duas, que é onde o custo deixa de ser uma nota de rodapé.

A contribuição da OrcaRouter para esse formato é a parte sem graça que importa — uma única chave para mais de 200 modelos, com o preço de tabela do provedor repassado com 0% de markup e failover automático quando um endpoint upstream degrada. Um corte de preço de fornecedor no lado dos generalistas chega ao nosso lado no mesmo dia, porque não há camada de markup para atualizar. Nem o WeVisOne-VL-4B nem o MiniCPM-V 4.7 1B estão nesse catálogo hoje, então a metade de percepção do pipeline ainda é algo que você hospeda. O que você evita é um segundo contrato e um segundo conjunto de credenciais para a metade que está no catálogo.

Como você executaria qualquer um dos dois

O WeVisOne-VL-4B é a instalação mais exigente. O model card documenta Transformers, vLLM, SGLang e Docker Model Runner, mas mask_decoder.pt é um componente obrigatório: carregue o checkpoint sem o pacote de inferência do projeto e você obtém caixas e texto, sem máscaras. A decodificação é greedy com até 1.960 tokens visuais por imagem, e não há número de throughput publicado, então a primeira coisa que você fará no seu próprio hardware é medi-lo.

O MiniCPM-V 4.7 1B é o mais fácil. Ele requer Transformers 5.18.0 ou mais recente, e o ecossistema chegou junto — builds para llama.cpp, Ollama, SGLang e vLLM, além de quantizações int4, AWQ, GPTQ e FP8, e um modelo draft DSpark separado de 213M de parâmetros para decodificação especulativa. Se o seu alvo é um celular, uma máquina Intel ou uma placa Rockchip, este é o caminho já pavimentado.

Qual aposta fazer

Se a restrição for o dispositivo, fique com o MiniCPM-V 4.7 1B. Nada no WeVisOne-VL-4B foi projetado para um celular, e a quantização, o suporte de execução e o processamento de vídeo do lado do MiniCPM são produto de um laboratório que já lançou várias gerações de modelos para dispositivos.

Se a restrição for a saída — você precisa de máscaras, mattes, caixas densas para objetos pequenos ou uma resposta confiável de "não presente" — escolha o WeVisOne-VL-4B e reserve orçamento para a GPU. Entenda que você está trabalhando com um artigo de dois dias atrás, sem avaliação independente, e que os números de matting são do próprio Tencent.

Se você precisa das duas coisas, precisa de dois modelos. Essa é a conclusão honesta, e é a que as próprias tabelas de benchmark de ambos os fornecedores sustentam: eles otimizaram para coisas diferentes e nenhum dos dois tentou superar o outro.