Сгенерированная hero-карточка с заголовком «MiniCPM-V 4.7 vs LLaDA-UI» и подзаголовком «Универсал, готовый для телефона, против диффузионного GUI-агента», левая карточка с надписью «LLaDA-UI: 16,7B MoE, блочная диффузия, GUI-агент, ScreenSpot-Pro 52,9», правая карточка с надписью «MiniCPM-V 4.7: 35,2B разреженный MoE, авторегрессионная, Apache-2.0, без таблицы оценок», и плашка с надписью «Специалист с измерениями против универсала без измерений». Логотип OrcaRouter отображается в правом нижнем углу.
Guides & Insights

MiniCPM-V 4.7 vs LLaDA-UI: универсал для телефона против диффузионного GUI-агента

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Поставьте MiniCPM-V 4.7 рядом с LLaDA-UI — и очевидная рамка «универсал против специалиста» окажется наименее полезным способом понять это противостояние. MiniCPM-V 4.7, которую OpenBMB задокументировала и лицензировала 12 октября 2026 года, — это разреженная визуально-языковая модель на смеси экспертов с 35,2 млрд параметров, и весь её аргумент — эффективность: в карточке заявлено более 13 токенов в секунду на iPhone 17 Pro Max и лучшая позиция по производительности на время инференса, чем у Qwen3.6 35B-A3B. LLaDA-UI, GUI-агент от inclusionAI на смеси экспертов примерно с 16,7 млрд параметров, — совсем другой вид: он вообще не генерирует токены слева направо, а денойзит блок токенов сразу. Вопрос, который на самом деле стоит перед разработчиком, уже, чем «кто лучше»: он в том, какая из этих двух моделей измерялась на задаче, для которой вы её нанимаете, и на каких доказательствах.

Эти две доказательные базы — не одно и то же.

Обе модели прошли бенчмарки производителей, и ни одна не была независимо воспроизведена. За этим сравнение расходится.

• MiniCPM-V 4.7 — раздел оценки в его карточке модели состоит из пяти изображений: общая производительность в области зрения и языка, языковая производительность, график варианта 1B, график фронтира «производительность — время инференса» и сравнение скорости на устройстве. В тексте содержатся два утверждения, оба сравнительные, а не абсолютные. В публичной документации нет таблицы оценок по каждому бенчмарку.

• LLaDA-UI — технический отчёт, статья на arXiv и страница проекта приводят названные бенчмарки с названными базовыми моделями: ScreenSpot-Pro 52.9 против 52.7 у Qwen3-VL-8B, AndroidWorld 53.5 против 47.9, MobileWorld 25.6 против 9.4, WebVoyager 56.9 против 45.2, при этом ScreenSpot-V2 описывается как близкий результат, а OSWorld-Verified сама inclusionAI представляет как оставшийся разрыв.

• Что это означает на практике — одна модель публикует показатели по отдельным задачам, с которыми можно поспорить, а другая публикует составной показатель, который вы не можете разложить. «Более высокий общий балл за меньшее время инференса» — это утверждение о графике, а веса, лежащие в основе составного показателя, не публикуются. Оценка 52.9 в ScreenSpot-Pro — это утверждение об определённом тесте с определённым протоколом.

• Ни то, ни другое не подтверждено независимо — показатели LLaDA-UI взяты с его собственной страницы проекта и из технического отчёта; показатели MiniCPM-V 4.7 взяты с графиков, которые нарисовал сам вендор. Считать любое из них окончательно установленным было бы ошибкой, но считать их одинаково информативными — это уже другая ошибка.

Что на самом деле представляет собой каждая модель

Архитектурный разрыв шире, чем предполагают показатели количества параметров, и именно он определяет большинство практических различий в дальнейшем.

• Base — MiniCPM-V 4.7 использует в качестве основы qwen3_5_moe_text с 256 экспертами, 8 активными на токен, 40 слоями и схемой внимания «три к одному» от линейного к полному; LLaDA-UI использует LLaDA2.0-mini-base — языковую модель с маскированной диффузией.

• Генерация — MiniCPM-V 4.7 работает авторегрессивно, по одному токену за раз; LLaDA-UI декодирует поблочно, денойзит целый блок выходных позиций параллельно и реконструирует при двунаправленных условиях внутри этого блока.

• Параметры — 35,2 млрд всего у MiniCPM-V 4.7, при этом 8 из 256 экспертов активны на токен; примерно 16,7 млрд всего у LLaDA-UI как смеси экспертов.

• Контекст — максимальная позиция в 262 144 токена для MiniCPM-V 4.7; в карточке LLaDA-UI указано, что значение по умолчанию --max-length для его скрипта инференса равно 8192, при этом для больших скриншотов его нужно увеличить.

• Зрение — MiniCPM-V 4.7 использует 27-слойную башню шириной 1 152 с патчем 14 и размером изображения 980, а также смешанное сжатие токенов 4x/16x; LLaDA-UI использует ViT с нативным разрешением, инициализированный из SigLIP, с 2D-ротационными эмбеддингами и пространственным слиянием 4:1 в двухслойный MLP — явно для сохранения соотношения сторон скриншотов телефонов, настольных компьютеров и веб-страниц.

• Вывод — MiniCPM-V 4.7 генерирует текст, а понимание изображений и видео относится к входной стороне; LLaDA-UI выдаёт нормализованные координаты в диапазоне от 0 до 999 и помеченные последовательности «рассуждение + действие», предназначенные для выполнения.

• Лицензия — Apache-2.0 для MiniCPM-V 4.7, заявлена 12 октября; нигде на странице проекта LLaDA-UI или в карточке модели лицензия не указана.

Этот последний пункт — не сноска, если вы выпускаете продукт. Одно из этих двух вы можете уже сегодня использовать в коммерческом продукте без разговоров; другое — нет.

Декодирование — вот где кроется настоящее разделение.

Блочная диффузия — это причина, по которой LLaDA-UI существует как отдельное направление работы, а не как ещё один файнтюн. В авторегрессионном цикле агента каждый токен действия зависит от каждого токена перед ним, поэтому координата клика в конце ответа ожидает рассуждения, которые ей предшествуют. В диффузионном агенте блок уточняется как единое целое, и практическое следствие, которое продаёт inclusionAI, — это задержка: в парном тесте API страница проекта сообщает о 4,8–6,4 секунды против 17–53 секунд у Qwen3-VL-8B, описываемых как среднее ускорение в 3,58 раза для веб-ввода, 6,83 раза для десктопного и 8,95 раза для мобильного, при этом за один вызов генерируется больше токенов. На входных данных MobileWorld заявленные средние значения составляют 5,9 секунды против 53,0.

Это измеренные вендором парные некэшированные показатели на собственном стенде лаборатории, и воспринимать их следует именно так. Но к этому направлению стоит относиться серьезно даже с этой оговоркой, потому что циклы агента умножают задержку. Интерфейсный агент, выполняющий десять шагов, десять раз платит стоимость за шаг, а разница в десять секунд на шаг — это разница между демо и продуктом.

MiniCPM-V 4.7 подходит к той же проблеме с противоположного конца. Он сохраняет авторегрессионное декодирование и удешевляет каждый шаг за счёт планирования экспертов — межслойный предиктор предварительно загружает экспертов, которые, вероятно, понадобятся следующему слою, отдавая приоритет тем, кого фактически выбрал настоящий роутер, при этом в карточке явно указано, что предсказание управляет только предварительной загрузкой, а вычисления по-прежнему определяет собственная маршрутизация модели. Добавьте послойное квантование и спекулятивную выборку DSpark — и заявленная скорость составит более 13 токенов в секунду для MoE с 35 миллиардами параметров на смартфоне. Другой механизм, та же цель: сделать цикл достаточно быстрым, чтобы устройство могло его выполнять.

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.'

То, в чём именно хорош каждый из них, сформулировано настолько узко, насколько позволяют доказательства.

• Выбирайте LLaDA-UI, когда задача — это интерфейс — клики, ввод текста, навигация в мобильном приложении, окне рабочего стола или веб-странице. Это один из двух с опубликованными оценками граундинга и навигации, документированным соглашением о координатах и готовыми примерами запросов для мобильных устройств, десктопа и веба.

• Выбирайте MiniCPM-V 4.7, когда задача заключается в понимании — в описании фотографии, чтении документа, разборе PDF, ответах на вопросы о видео, работе на вашем собственном оборудовании. Это тот из двух, у которого в cookbook документировано внимание к OCR, разбору PDF и визуальной привязке, есть поддержка из коробки в SGLang, vLLM, llama.cpp и Ollama, а также опубликованы квантованные варианты для загрузки.

• Пересечение меньше, чем кажется — в карточке MiniCPM-V 4.7 визуальная привязка (visual grounding) указана лишь как руководство в cookbook, но никакой оценки привязки там вообще не публикуется. Карточка LLaDA-UI посвящена одной-единственной задаче. Если ваша нагрузка — автоматизация GUI, вы сравниваете измеренного специалиста с неизмеренным универсалом; если ваша нагрузка — понимание документов и изображений, вы сравниваете документированного универсала с моделью, которая для этого вообще не создавалась.

• Трудности с развёртыванием носят противоположный характер — MiniCPM-V 4.7 предлагает контрольные точки GGUF, AWQ, GPTQ, int4 и FP8, а также путь OpenVINO и заявленную поддержку с первого дня для чипов Rockchip, Houmo, Intel, AMD и Arm. Путь обслуживания LLaDA-UI требует собственных патчей лаборатории для мультимодальной диффузии в SGLang и её serve_llada_ui.sh скрипт; в карточке модели прямо указано, что сервер невозможно запустить из стандартной установки SGLang.

Вопрос о стоимости, который никто не публикует

Ни у одной из моделей нет публичной цены за токен, потому что ни одна из них не является хостируемым эндпоинтом, который вы арендуете с оплатой за миллионы токенов. Вы размещаете обе у себя, а значит, затраты — это ваше оборудование и ваша задержка. Это меняет рамку выбора: чекпоинт на 16,7 млрд параметров размером около 32 ГБ в BF16 — это существенно меньшее обязательство, чем 70-гигабайтный чекпоинт на 35 млрд параметров, и если задаче агента достаточно меньшей модели, большая ничего не даёт вам на этой рабочей нагрузке.

Именно в гибридном сценарии слой маршрутизации оправдывает своё существование. Запускайте небольшую специализированную модель локально для рутинной работы с интерфейсом, а по-настоящему сложные кадры — плотный скриншот, необычный документ, вопрос, требующий мировых знаний более крупной модели, — передавайте размещённому эндпоинту. OrcaRouter ставит более 200 размещённых моделей за одним ключом с прайс-листовой ценой каждого провайдера без наценки — 0% и автоматическим переключением при сбое, когда провайдер деградирует, а его DSL маршрутизации позволяет одним вызовом разослать сложный случай более чем одной модели, когда ответ должен быть правильным, а не дешёвым. Ни MiniCPM-V 4.7, ни LLaDA-UI через него не обслуживаются — оба представляют собой чекпоинты с открытыми весами, которые вы запускаете сами, а роутер — это то, что находится по другую сторону от такой передачи.

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.

Три вопроса, на которые стоит ответить, прежде чем вы возьмёте на себя обязательства.

Реально ли преимущество LLaDA-UI в скорости на вашем оборудовании? Показатели в 3–9 раз — это парные измерения без кэширования, выполненные на собственном испытательном стенде лаборатории по сравнению с одной базовой конфигурацией. Блочная диффузия имеет иные характеристики памяти, чем авторегрессионное декодирование, и ускорение, измеренное на GPU производителя, не переносится автоматически на ваш. Это тот единственный показатель, который важнее всего воспроизвести, прежде чем строить на нём.

Можно ли вообще нацелить MiniCPM-V 4.7 на задачу интерфейса? Вполне возможно — это визуально-языковая модель с документированным инструментарием привязки — но в её карточке модели не публикуется ни бенчмарк для GUI-агента, ни соглашение о координатах, ни словарь действий. Построить GUI-агента на её основе сегодня означает самому определить формат вывода и надеяться, что модель его соблюдёт. LLaDA-UI намеренно решила эту проблему — с помощью тегированных рассуждений, а также выводов действий и словарей для отдельных платформ.

Что из этого всё ещё будет поддерживаться через полгода? OpenBMB выпустила целое семейство вокруг MiniCPM-V 4.7 — два базовых варианта, пять форматов квантования, две черновые модели DSpark, кулинарную книгу и репозиторий для развёртывания на периферийных устройствах — меньше чем за неделю, на условиях Apache-2.0. У LLaDA-UI есть технический отчёт, статья на arXiv, страница проекта и репозиторий с кодом, но лицензия не указана. Широта сопутствующей инфраструктуры — разумный показатель того, насколько лаборатория намерена поддерживать проект живым.

Вердикт

Эти две модели не заменяют друг друга, и честная рекомендация следует из этого, а не из количества параметров. Если вы создаёте автоматизацию интерфейсов, LLaDA-UI — более завершённый продукт, несмотря на то что это модель меньшего размера: оценённая на задаче, с документированным форматом вывода и путём сервирования, и несущая лицензионный риск, который вам нужно урегулировать перед выпуском. Если вы создаёте что-либо, связанное с просмотром изображений, чтением документов или работой на телефоне, MiniCPM-V 4.7 — это та, у которой есть экосистема, разрешительная лицензия и сценарий развёртывания, а её заявления об эффективности ровно настолько сильны, насколько их может сделать невоспроизведённая диаграмма. Команды, которым нужны обе, запускают их вместе, и слой маршрутизации — самая дешёвая часть такой схемы.

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.