MiniCPM-V 4.7 против WeVisOne-VL-4B: абзац или многоугольник

Самый быстрый способ выбрать между MiniCPM-V 4.7 и WeVisOne-VL-4B — посмотреть, что они выдают. WeVisOne-VL-4B возвращает координаты: рамки, нормализованные к сетке из тысячи точек, точки, маски экземпляров и alpha-mattes в полном разрешении, создаваемые декодером на 9,6 млн параметров, пристроенным к основе Qwen3-VL. MiniCPM-V 4.7 возвращает предложения, целые страницы, в контексте на 262 144 токена, который может вместить видео. Один из них — компонент восприятия, который вы встраиваете в конвейер. Другой — читатель, которому вы задаёте вопросы. Оба распространяются под Apache-2.0, оба созданы в китайских лабораториях, оба выпущены в октябре 2026 года почти без освещения в англоязычной отраслевой прессе, и они едва ли относятся к одной и той же товарной категории.

Оба появились совершенно по-разному. Команда WeChat Vision компании Tencent выложила WeVisOne-VL-4B на Hugging Face и GitHub 22 октября 2026 года вместе со статьёй на arXiv и 2B-версией-«сестрой», без блог-поста и без пресс-релиза. OpenBMB загрузила MiniCPM-V 4.7 6 и 7 октября, указала в своём репозитории дату релиза 12 октября и объявила о нём в англоязычном пресс-релизе PR Newswire 15 октября, который вызвал на удивление мало публикаций в англоязычной отраслевой прессе. Один появился как репозиторий; другая — как репозиторий плюс пресс-релиз для информагентств. В большинстве сравнений этих моделей ошибаются с категорией ещё до того, как ошибиться с цифрами.

Два ответа на один и тот же вопрос

WeVisOne-VL-4B — это дообученная версия Qwen3-VL, которая выдаёт геометрию в виде токенов. Рамки и точки кодируются десятичными токенами от 0 до 1000, нормализованными относительно изображения, а после каждой предсказанной рамки модель выдаёт специальный токен, скрытое состояние которого подаётся в отдельный декодер масок: адаптер визуальных признаков, шесть блоков деформируемого кросс-внимания и каскадную головку, которая выполняет уточнение на страйдах 4, 2 и 1. Результат — маска экземпляра, а для задач матирования — альфа-канал полного разрешения. В цикле нет второй модели и нет вызова SAM; весь пиксельный путь — это менее десяти миллионов параметров, прикреплённых к языковой модели. Это 4,83 млрд параметров в bfloat16, которые карточка модели округляет до 5B, и она принимает одно изображение за ход — видеосетки пиксельный декодер отвергает сразу.

MiniCPM-V 4.7 — универсальная модель в двух размерах. 35B-A3B хранит 35,2 млрд параметров в 256 экспертах, маршрутизирует восемь на токен, что даёт примерно 3 млрд активных, и поддерживает контекст в 262 144 токена с вводом одного изображения, нескольких изображений и видео. 1B — плотная модель с 1,55 млрд параметров, той же длиной контекста и контрольной точкой BF16 размером 3,1 ГБ. Обе используют 27-слойную визуальную башню SigLIP2 со смешанным сжатием визуальных токенов 4× и 16× — механизм, который позволяет контексту в четверть миллиона токенов оставаться доступным. Ни у одной нет примитива указания, обнаружения или сегментации. Можно спросить любую, где кот, и вы получите описание того, где кот.

Это различие не косметическое. Оно определяет, будет ли ваш нижестоящий код разбирать JSON или обычный текст, будет ли плохой ответ падать с явной ошибкой или молча, и можно ли компоновать модель с чем-либо ещё без второй модели для исправления её вывода.

Числа — и категориальная ошибка, которая в них таится

Все приведённые ниже показатели основаны на данных производителей. Данные Tencent взяты из статьи и README; набор для сравнения выбран авторами, а независимого воспроизведения третьей стороной нет. Данные OpenBMB взяты со страницы модели производителя и опубликованы в виде текста и изображений графиков, а не числовой таблицы. Ни одна из лабораторий не имеет независимой оценки этих моделей на едином стенде оценки.

• Детекция, LVIS F1 — WeVisOne-VL-4B 55.3 против лучшего базового показателя, указанного авторами, — 50.7. MiniCPM-V 4.7 не публикует показатель детекции.

• Плотное детектирование, Dense200 F1 — 71,3 у WeVisOne против 58,7 у лучшего базового решения и 15,2 у немодифицированной Qwen3-VL-4B. Последняя строка — самая интересная в статье: именно дообучение превращает универсальную модель в локализатор.

• Referring, F1 на тесте RefCOCOg — 81,8 у WeVisOne-VL-4B против 77,6 у самого сильного baseline из перечисленных авторами. В первую очередь стоит посмотреть на долю отказов на запросах с отсутствующей целью: 67,4 процента на RefCOCOg-Rej, 96,4 процента на внутреннем WeRef-Bench и 52,6 процента на PR-Bench. Одна и та же модель, три разных ответа, потому что распределения различаются.

• Подсчёт, PixMo-Count — 89,6 против 82,8. Сегментация, ReasonSeg val gIoU — 71,2 против 65,0.

• Маттинг, P3M-500-NP, средняя абсолютная разница — 7,3 против 15,4, чем меньше, тем лучше; это примерно вдвое меньше ошибки лучшего специализированного базового метода маттинга, с которым сравнивались авторы.

• Чтение, OCRBench — 91,2 у MiniCPM-V 4.7 35B-A3B и 86,1 у модели на 1B, против F1 52,0 на TotalText у WeVisOne-VL-4B.

Последний пункт — это ловушка. OCRBench измеряет распознавание текста; TotalText F1 измеряет локализацию текста. Ставить 86,1 рядом с 52,0 и объявлять победу в 34 пункта — это категориальная ошибка, и именно такая ошибка кочует из одного сравнительного поста в другой. Честная формулировка такова: две модели не тестировались на одной и той же задаче, и единственное, что устанавливают эти числа, — это то, что MiniCPM создан для транскрибирования, а WeVisOne — для локализации.

Память — вот настоящая цена.

WeVisOne-VL-4B — это контрольная точка в bfloat16 объёмом 9,66 ГБ без учёта маскирующего декодера, и Tencent не выпускает квантованную версию. Цифра 19 ГБ на карточке сравнения — это та же контрольная точка, преобразованная в F32, что удваивает её объём; в любом случае вам всё равно понадобится собственный код инференса: mask_decoder.pt — обязательный компонент, а не опциональное дополнение, и стандартная загрузка через Transformers даст вам боксы и текст, но не маски. Документированные способы обслуживания — это собственный пакет инференса проекта, который оборачивает либо бэкенд Transformers, либо бэкенд vLLM, плюс демо на Gradio; жадное декодирование и ограничение в 1 960 визуальных токенов на изображение — это настройки оценки. Это GPU-сервис.

MiniCPM-V 4.7 35B-A3B — это примерно 70 ГБ весов BF16, распределённых по шестнадцати шардам, что хуже на бумаге и лучше на практике, поскольку на каждый токен активно лишь около 3 млрд параметров. Вся концепция OpenBMB строится на том, что неактивных экспертов можно потоково подгружать из хранилища, а не держать в памяти, используя Lookahead Expert Scheduling для предварительной загрузки экспертов, которые, вероятно, понадобятся следующему слою, а также послойное квантование и спекулятивное декодирование DSpark. Заявление производителя — 13 или более токенов в секунду на iPhone 17 Pro Max при использовании около 3 ГБ памяти. Никто из независимых исследователей этого не воспроизвёл, и это утверждение зависит от совместной работы всех трёх методов, а не какого-либо одного из них.

Модель на 1B полностью меняет экономику: 3,1 ГБ в BF16, около 0,67 ГБ в виде Q4_K_M GGUF — поэтому монитор кошек esp32-eye может запускать её на MacBook как шлюз, срабатывающий не чаще чем раз в 1,5 секунды. В той же сборке выяснилось, что 1B ненадёжно различает четырёх похожих кошек, так что это детектор присутствия, а не тонкий распознаватель — полезная граница для тех, кто планирует использовать её как дешёвый классификатор.

Проще говоря: WeVisOne покупает геометрию за 9,66 ГБ и GPU. MiniCPM покупает чтение за 70 ГБ или 3 ГБ — в зависимости от того, какой размер вы возьмёте, — и runtime телефонного класса, если утверждения OpenBMB о планировании верны.

Что ломается в продакшене

Режимы отказа WeVisOne задокументированы и конкретны. Качество Alpha снижается на тонких границах, сильном перекрытии и по-настоящему прозрачных материалах. Модель чувствительна к формулировке промпта, поэтому «волосы женщины» и «её волосы» не гарантированно дадут одинаковую маску. Она не умеет работать с видео, у неё нет цепочки рассуждений, поэтому нельзя попросить её поразмышлять над неоднозначным запросом, прежде чем зафиксировать рамку, а в её поведении при отказе есть слабое место, которое скрывает главная цифра из статьи: 96,4 процента на WeRef-Bench, но около 52,6 процента на PR-Bench. Компонент, который в большинстве случаев отказывается от отсутствующих целей, полезен; тот, который отказывается от них в половине случаев на другом распределении, нуждается в защитном механизме.

Режимы отказа MiniCPM-V 4.7 — это режимы универсальной модели: она будет бегло описывать изображение независимо от того, обосновано ли описание, и канала отказа у неё нет вообще. Ничто в карточке не сообщает вам, когда модель не знает. Для читателя это терпимо — человек читает абзац. Для конвейера, которому нужен bounding box, это неприемлемо, потому что вам пришлось бы парсить прозу в координаты и надеяться.

Если на этой неделе вам нужна облачная универсальная модель компьютерного зрения, а не специализированная модель, развёрнутая самостоятельно, то ни одной из них нет в каталоге OrcaRouter, и об этом стоит сказать до презентации: практический путь — это универсальная модель, размещённая в облаке, доступ к которой осуществляется через один ключ для более чем 200 моделей при 0% наценки сверх прайс-листов провайдеров, с автоматическим переключением при нестабильной работе вышестоящего эндпоинта. Это даст вам рабочий пайплайн; но он не даст вам альфа-масок, и это другой продукт, отличный от обеих моделей, о которых идёт речь на этой странице.

Выбирая между ними

Берите WeVisOne-VL-4B, если ваш результат — это геометрия: подсчёт объектов на торговой полке, вырезание товара из фотографии, выделение области для пользователя или отказ, когда нужного объекта нет. Число матирования действительно необычное, канал отказа — настоящая инженерная функция, а 9,66 ГБ — это цена компонента, который возвращает нечто, пригодное для использования программой.

Возьмите MiniCPM-V 4.7 35B-A3B, если ваша задача — понимание: длинный PDF, дашборд, видео, страница со смешанным текстом и иллюстрациями. Возьмите 1B, если вам нужен дешёвый фильтр перед чем-то более дорогим, и не просите его отличить двух похожих кошек друг от друга.

Сравнения, которое действительно позволило бы это решить, пока не существует: независимого стенда, который прогоняет обе модели на одном и том же наборе для детекции и OCR, с одинаковым бюджетом изображений. Пока кто-нибудь его не опубликует, защитимая позиция — скучная: эти модели выполняют разные задачи, таблицы вендоров не пересекаются, и единственное число, которое должно влиять на ваше решение, — это размер того, что вам предстоит развернуть.