MiniCPM-V 4.7 35B-A3B vs UI-Mate-27B: один читает экран, другой нажимает на кнопку

Честное первое предложение о MiniCPM-V 4.7 35B-A3B в сравнении с UI-Mate-27B состоит в том, что они не конкуренты. Обе модели были выложены на Hugging Face без анонса, обе распространяются по разрешительной лицензии, обе обучены на базовых архитектурах семейства Qwen и обе описаны в собственной документации как сильные в понимании того, что находится на экране, — поэтому их и относят к одной категории. Но одна представляет собой универсальную визуально-языковую модель, которая читает изображение и отвечает текстом, а другая — это GUI-агент, который читает скриншот и выдаёт совместимые с pyautogui действия мышью и клавиатурой. MiniCPM-V 4.7 35B-A3B может сказать вам, что написано в диалоговом окне. UI-Mate-27B может его закрыть. Всё остальное в этом сравнении следует из одного этого различия, и полезный вопрос не в том, какая модель побеждает, — а в том, какой половины работы вам не хватает.

Обе они тоже появились совсем недавно. UI-Mate-27B вышла 14 августа 2026 года со статьёй, появившейся двумя днями позже, и без анонса запуска от лаборатории; у неё было ноль загрузок на Hugging Face, когда мы впервые о ней написали, и до сих пор нигде нет API, доступного через хостинг. MiniCPM-V 4.7 появилась 6 октября вообще без карточки, а OpenBMB не публиковала карточку модели, тег лицензии или раздел с заявлениями вплоть до 12 октября. Ни одна из них не проходила независимую оценку. Каждый показатель производительности в этом материале снабжён пометкой о том, кто его сообщил, и в обоих случаях это собственная лаборатория модели.

Одно и то же тело — две разные задачи

Начнём с того, что делает эту пару естественной. Обе — средне-крупные мультимодальные модели с открытыми весами под лицензиями Apache-2.0. Обе происходят из одной и той же восходящей линии: UI-Mate-27B дообучена на основе Qwen3.6-27B, а языковой стек MiniCPM-V 4.7 35B-A3B — это разреженная MoE семейства Qwen3.5. Обе нацелены на одну и ту же широкую область применения — экраны, документы и состояние приложений, — и обе были выпущены в тишину.

Затем посмотрите, что выдаёт каждый из них. MiniCPM-V 4.7 возвращает текстовые токены. UI-Mate-27B возвращает структурированное действие — клик, нажатие клавиши, прокрутку, ожидание, сигнал о завершении задачи — в нормализованном координатном пространстве 1000×1000, которое референсный агент масштабирует до реального разрешения скриншота, так что предсказания выдерживают различия в масштабировании дисплея между машинами. В карточке модели прямо сказано, что UI-Mate — это «чекпоинт агента, а не отдельная модель визуального чата», и что для любых реальных задач следует использовать сопутствующую обвязку.

Это различие определяет большинство реальных внедрений. Если ваш пайплайн — «прочитай этот скриншот и скажи, что с ним не так», то универсальная VLM — правильный инструмент, а агент избыточен и имеет худший режим отказа. Если ваш пайплайн — «заставь приложение сделать то, что нужно», то одна VLM оставляет вас писать весь слой действий самостоятельно — сопоставление координат, парсинг действий, восстановление после ошибок, логику повторных попыток — а именно на эту часть UI-Mate потратил свой бюджет обучения с подкреплением.

Что такое MiniCPM-V 4.7 35B-A3B на данный момент

Первый MoE от OpenBMB в серии MiniCPM-V: 256 экспертов, 8 активных на токен в 40 слоях, окно контекста на 262 144 токена и словарь на 248 144 токена, или примерно 3 млрд активных параметров из 35,2 млрд общих. Зрение работает через модуль SigLIP2 с ранним сжатием intra-ViT из LLaVA-UHD v4 и выбираемым смешанным режимом сжатия визуальных токенов 4x/16x — по умолчанию 16x для пропускной способности, 4x — когда важна мелкая детализация. Он понимает одиночные изображения, наборы из нескольких изображений и видео, а возвращает текст.

Главное заявление на карточке — это первая открытая MoE-модель с безпотерьным и плавным инференсом на устройстве — Lookahead Expert Scheduling, мелкозернистая послойная квантизация и спекулятивная выборка через отдельные DSpark drafts — при заявленных 13 с лишним токенами в секунду на iPhone 17 Pro Max. Эта цифра заявлена производителем, не воспроизведена и приведена без оговорок. Второе утверждение — что модель превосходит общую оценку Qwen3.6 35B-A3B в режиме Instruct за меньшее время инференса — отображено внутри изображения-графика, а не в таблице, поэтому его нельзя процитировать как число.

Конкретика — в дистрибуции. Веса Base, FP8, int4, AWQ, GPTQ и GGUF — все существуют; поддерживаются SGLang, vLLM, llama.cpp, Ollama и OpenVINO; есть приложения для iOS, Android и HarmonyOS; Rockchip, Houmo, Intel, AMD и Arm указаны для day-zero silicon; а карточка документирует вызов инструментов, с проработанным примером вызова функций в разделе о сервинге. Эта последняя деталь важна для данного сравнения: MiniCPM-V 4.7 может быть слоем восприятия и рассуждения внутри агента, которого вы создаёте, хотя сам он не будет действовать самостоятельно.

Что такое UI-Mate-27B на данный момент

базовый GUI-агент вендора с 27 миллиардами параметров, опубликованный 14 августа 2026 года вместе с 9B-собратом и вариантом с демонстрационным управлением — UI-Mate-democua-27B. Обучение представляло собой дообучение с учителем, за которым следовало онлайн-обучение с подкреплением в исполняемых GUI-средах — модель училась, фактически управляя рабочими столами, а не по статичным скриншотам. Пространство её действий охватывает мышь, клавиатуру, прокрутку, ожидание, взаимодействие с пользователем и сигналы завершения, а выдаваемые действия совместимы с pyautogui, поэтому обвязка может выполнять их напрямую.

Отличительная черта, на которую делает ставку поставщик, — это выполнение под управлением демонстрацией: запишите рабочий процесс один раз, и агент адаптирует его к текущему экрану, при этом живой снимок экрана считается авторитетным источником, а не воспроизводится фиксированный сценарий. Сопроводительные материалы на удивление полны для «тихого» релиза — страница проекта с демонстрационным видео и приложением для macOS Apple Silicon, репозиторий GitHub, содержащий официальный промпт, парсер ответов и среду взаимодействия, а также препринт arXiv 2608.15930, отправленный через два дня после публикации весов.

Заявленные производителем ключевые цифры — 66,2 балла в WindowsAgentArena и 77,0 в OSWorld-Verified; если они подтвердятся, это будет лучший результат, опубликованный по этому бенчмарку в этом году. Никто за пределами лаборатории их не воспроизвёл. А картина с развёртыванием остаётся скудной — как обычно и бывает с ранними релизами агентов: нет хостингового API, рекомендуемая схема обслуживания — vLLM за OpenAI-совместимым эндпоинтом, и есть намеренное указание использовать harness, а не вызывать чекпойнт напрямую.

Восемь измерений, с обеих сторон

• Вывод — текст, от MiniCPM-V 4.7 35B-A3B; структурированные действия, совместимые с pyautogui, от UI-Mate-27B.

• Ввод — текст, изображения и видео, в отличие от живых скриншотов плюс инструкция. Ни то, ни другое не принимает аудио.

• Базовая модель — разреженная MoE семейства Qwen3.5 для модели MiniCPM, Qwen3.6-27B для UI-Mate.

• Размер и форма — 35,2 млрд всего, 3 млрд активных на 256 экспертов; 27 млрд плотная. Разреженная дешевле за токен, плотную проще обслуживать.

• Контекст — 262 144 токена против пяти сохраняемых скриншотов по умолчанию, что является самым крупным архитектурным различием между ними и причиной того, что один может прочитать длинный набор документов, а другой — нет.

• Лицензия — Apache-2.0 в обоих случаях, что на этот раз делает выбор вопросом техническим, а не юридическим.

• Громкое заявление, оба показателя заявлены вендорами — более 13 токенов в секунду на iPhone 17 Pro Max против 66,2 в WindowsAgentArena и 77,0 в OSWorld-Verified. Разные бенчмарки, общей шкалы нет, ни один из результатов не воспроизведён.

• Доступно уже сегодня — шесть форматов квантования, пять сред выполнения и мобильные приложения, в отличие от нуля загрузок на момент первого освещения, отсутствия размещённого API и тестового стенда, который производитель советует использовать.

Где они на самом деле пересекаются

Есть одна задача, которую могут попытаться выполнить обе: понять скриншот интерфейса достаточно хорошо, чтобы ответить на вопрос о нём. Спросите: «какое поле не прошло валидацию» — и любая из моделей может правдоподобно ответить. Спросите: «исправь это» — и только UI-Mate-27B выдаёт действие, и только если вы настроили весь этот механизм — цикл скриншотов, парсер, исполнитель, пересчёт координат и политику повторных попыток, когда клик попадает куда-то не туда.

Обратное перекрытие слабее, но реально. Поддержка вызова инструментов в MiniCPM-V 4.7 означает, что вы можете построить вокруг него агента — восприятие и планирование на визуальной модели, а собственный слой действий прикрутить через вызовы функций. Это законная архитектура, и она даёт вам полный контроль над пространством действий. Это также, грубо говоря, повторное изобретение того, на что UI-Mate уже потратил обучение с подкреплением, причём без данных обучения, специфичных для GUI. Командам лучше выбирать, какой слой они хотят контролировать, а не какая модель поверхностно лучше справляется со скриншотами.

Обслуживание обоих, и где вписывается роутер

Ни одна из моделей нигде не размещена, в том числе здесь — MiniCPM-V 4.7 35B-A3B и UI-Mate-27B обе не значатся в каталоге OrcaRouter, и ничто в этой статье не следует воспринимать как утверждение, что мы их маршрутизируем. Обе — это чекпойнты, которые вы скачиваете и запускаете самостоятельно, а для UI-Mate это означает две вещи: около 27B весов и эндпоинт, совместимый с OpenAI, потому что в README самого вендора рекомендуется обслуживать его с помощью vLLM, а тестовая обвязка ожидает совместимый базовый URL.

Этот эндпоинт — самое интересное для планирования затрат, потому что обвязке безразлично, какая модель отвечает, — важно лишь, чтобы эндпоинт работал как надо. OrcaRouter ставит более 200 размещённых моделей за одним ключом по прайсовой цене каждого провайдера, без нашей наценки, с автоматическим переключением между маршрутами провайдеров при сбоях, что делает его базовым URL, который можно просто подставить для той части агента, что отвечает за планирование, — а DSL маршрутизации позволяет собрать дешёвую модель для рутинных шагов и более сильную для решений, которые действительно важны, в рамках одного вызова, а не двух отдельных интеграций. Ближе всего по профилю затрат к модели MiniCPM среди размещённых моделей стоит Qwen3.6 35B A3B — 35B всего, 3B активных, контекст 262K — за $0.25 за миллион входных токенов и $1.48 за миллион выходных. Превзойдёт ли это самостоятельный хостинг разрежённого MoE на 70 ГБ — вопрос, на который можно ответить за один день, а вот про любую из моделей из заголовка так сказать нельзя.

Какой ты хочешь?

Возьмите UI-Mate-27B, если вам нужна модель, которая действует — автоматизация рабочего стола, замена RPA, длительные рабочие процессы приложений — и если вы принимаете компромисс, который с этим связан: бенчмарк, заявленный поставщиком, отсутствие независимого воспроизведения, отсутствие хостингового маршрута и инструментарий, который вы должны принять, а не допрашивать. Плюс в том, что всё в этом релизе необычно хорошо задокументировано, от статьи до промпта и парсера, а 9B-собрат даёт вам более дешёвую модель для прототипирования.

Берите MiniCPM-V 4.7 35B-A3B, если вам нужно восприятие — длинные документы, флоты скриншотов, видео — и вы готовы самостоятельно отвечать за слой действий. Вы получаете разрешительную лицензию, шесть форматов квантования, пять рантаймов, окно в 262K и сценарий развёртывания телефонного класса, который никто за пределами OpenBMB не проверял.

Что изменило бы это: воспроизведённый прогон OSWorld или WindowsAgentArena для UI-Mate, который превратил бы его центральное утверждение из маркетинга в измерение; и таблица оценки для MiniCPM-V 4.7, которой вообще не существует. Пока не появится что-то из этого, решение принадлежит вашей архитектурной диаграмме, а не тому или иному табло — декодер или рука, и вы должны знать, чего именно вам не хватает.