WeVisOne-VL-2B против MiniCPM-V 4.7 1B: разница 0,45B, разные задачи

Названия намекают на разрыв «два к одному». Чекпойнты — нет. MiniCPM-V 4.7 1B содержит 1,554,476,272 параметра в bfloat16, а WeVisOne-VL-2B — около 2 миллиардов, так что реальная разница между ними составляет примерно 0,45 миллиарда параметров, а не миллиард. Поместите их на один диск — и они займут сопоставимый объём. Поставьте перед ними одну и ту же задачу — и они полностью развалятся, потому что MiniCPM-V 4.7 1B создан, чтобы читать документ, смотреть видео и поддерживать беседу о нём, тогда как WeVisOne-VL-2B создан, чтобы находить объект и возвращать маску.

Оба распространяются под Apache 2.0. Оба достаточно малы, чтобы заинтересовать тех, кто строит решение на одной GPU. Оба появились недавно: MiniCPM-V 4.7 1B загружен 6 октября 2026 года и датирован 12 октября в примечаниях к выпуску OpenBMB, а WeVisOne-VL-2B — 22 октября. Именно сочетание сходства и различия делает эту пару достойной отдельной страницы: почти все ключевые заявленные характеристики близки, а почти все реальные сценарии использования — нет.

Сначала имена, исправленные

Именование у OpenBMB нестрогое и уже вызвало путаницу в сравнительных таблицах. Модель под названием 1B по собственным метаданным safetensors имеет 1,55 млрд параметров; в материалах поставщика в разных местах указывались 1,3 млрд и 1,38 млрд. Контекст на 262 144 токена реален и задан в конфигурации модели. Архитектура представляет собой текстовый бэкбон с 24 слоями и скрытой размерностью 1024, производный от Qwen3.5, с соотношением линейного и полного внимания 3:1, в паре с 27-слойной vision-башней в стиле SigLIP2, работающей с фрагментами изображения размером 980 пикселей, плюс выбираемый режим сжатия визуальных токенов 4× или 16×, который жертвует детализацией ради снижения стоимости запроса.

У Tencent нейминг строже. WeVisOne-VL-2B — это модель на 2 млрд параметров, построенная на Qwen3-VL, с отдельным пиксельным декодером на 9 511 460 параметров, который в карточке назван «обязательным ключевым компонентом, а не опциональным дополнением». Декодер — отнюдь не мелочь в сценарии развёртывания: без него модель выдаёт рамки и точки, а выходов в виде масок или маттов не существует вовсе.

Так что правильная постановка вопроса — не «малый против большого», а «1,55 млрд против 2 млрд» — разница в весах составляет 29 процентов — при совершенно разных контрактах на выходные данные.

Два эталонных словаря, которые никогда не пересекаются

Именно в этой части большинство сравнений ошибаются, поэтому стоит сказать об этом до того, как появятся какие-либо цифры. OpenBMB оценивает MiniCPM-V 4.7 1B на общих мультимодальных бенчмарках: 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 и MotionBench 54.55. Это цифры, полученные самим производителем, представленные в основном в виде диаграмм, а не таблицы с деталями методики тестирования, и ни одна независимая организация их не воспроизвела.

Tencent оценивает WeVisOne-VL-2B на бенчмарках восприятия и вообще не приводит общих мультимодальных оценок. Ни MMMU, ни MMBench, ни MathVista, ни DocVQA, ни результатов captioning нет ни в одной из семи таблиц. Вместо этого приводятся оценки для конкретных задач: F1 детекции, exact-match подсчёта, F1 указывания, F1 локализации OCR, cIoU сегментации и ошибка маттинга.

Противоречие наиболее остро проявляется в OCR, поскольку обе модели заявляют, что умеют его выполнять. Показатель MiniCPM 86,1 — это OCRBench, оценка транскрипции, проверяющая, правильно ли модель распознала символы. Показатели OCR у WeVisOne — это F1 локализации при пороге IoU 0,5: 62,1 на SROIE, 42,6 на ICDAR2015, 42,5 на TotalText и 30,5 на HierText; они измеряют, правильно ли модель нарисовала рамку вокруг текста. Модель может быть отличной в одном и посредственной в другом. Публикация «86,1 против 62,1» была бы сравнением теста на правописание с тестом на указание.

Нет ни одного бенчмарка, на котором обе модели сообщают число, вычисленное одинаковым способом. Это не риторический оборот — это главный вывод данного сравнения, и он означает, что любой рейтинг этих двух моделей, который вы увидите, собран из несоизмеримых частей.

Что можно купить за 262,144 токена и о чём WeVisOne умалчивает

MiniCPM-V 4.7 1B заявляет контекст в 262 144 токена и видеоконвейер, который по умолчанию принимает до 128 кадров, с одним срезом на кадр. Это машина для работы с документами и видео: длинные PDF, многостраничные сканы, минута видеоматериала. Переключатель сжатия 4× и 16× существует именно потому, что удержание такого объёма визуальных деталей обходится дорого, и OpenBMB позволяет вам выбирать, какую их часть сохранять при каждом запросе.

WeVisOne-VL-2B не публикует длину контекста. Карточка модели об этом молчит; этапы обучения в статье проводились при 4096 и 8192 токенах, а при инференсе каждое изображение ограничивается 1960 визуальными токенами при жадном декодировании. Ни одно из этих значений не является окном развёртывания, и Tencent не делает вид, что это так. Она также полностью отвергает видеосетки — пиксельный декодер работает только с изображениями, в одноходовом режиме, без цепочки рассуждений.

Эта асимметрия показывает, под что именно оптимизировал каждый вендор. OpenBMB делала ставку на то, сколько входных данных способна проглотить одна модель. Tencent делала ставку на то, насколько точно модель может указать на то, что проглотила, а затем провела жёсткую границу по типу входных данных, чтобы сохранить декодер простым.

Где на самом деле выполняется каждый из них

MiniCPM-V 4.7 1B с большим отрывом обладает более широкими возможностями развертывания: Transformers 5.18 и новее, vLLM, SGLang, llama.cpp и Ollama, сборки GGUF, AWQ, GPTQ, FP8, bitsandbytes и OpenVINO, а также поддержка iOS, Android и HarmonyOS и обеспечение поддержки чипов с первого дня от ряда производителей, включая Rockchip, Arm и Apple. OpenBMB также выпускает отдельную драфт-модель DSpark с 213 млн параметров для спекулятивного декодирования.

У WeVisOne-VL-2B есть собственный пакет на GitHub, путь через Transformers, а vLLM и SGLang указаны в карточке. Без GGUF. Без квантованной сборки. Без ONNX. Без мобильного варианта. А плотный вывод — это альфа-мат с шагом 1 и полным разрешением, то есть объём памяти масштабируется с изображением, а не с числом параметров — модель на 2B, которую дёшево хранить, но не обязательно дёшево запускать в 4K.

Если ваша цель — телефон, этот раздел завершает сравнение. MiniCPM создавался с учётом этого ограничения и прямо говорит об этом в списке форматов. WeVisOne — нет, и не заявляет об обратном.

Единственное, в чём они совпадают: лицензия

Apache 2.0 в обоих случаях. Ни порога по выручке, ни ограничения по области применения, ни отдельного коммерческого соглашения. В категории, где Liquid AI использует собственную лицензию с ограничением по выручке, а Moondream — source-available-лицензию с оговоркой, запрещающей сторонние сервисы, две vision-модели под Apache 2.0 такого размера заслуживают внимания — это значит, что лицензия здесь не является решающей переменной, и это достаточно необычно, чтобы сказать об этом вслух.

Ничья также устраняет самую распространённую причину, по которой команды выбирают меньшую модель. Если обе проходят юридическую проверку, вы выбираете по возможностям и развёртыванию, а не по условиям.

Выбирая между ними

Спросите, что питает вывод. Если он питает хранилище документов, окно чата, видеоиндекс или нижестоящую языковую модель, MiniCPM-V 4.7 1B — это именно та форма, которая вам нужна: он генерирует длинные тексты, удерживает длинный ввод и поставляется в форматах, которые работают на потребительском оборудовании.

Если его выход подаётся в конвейер композитинга, редактор изображений, задачу очистки каталога или обрезку области интереса, WeVisOne-VL-2B — это тот формат, который вам нужен: боксы, точки, бинарные маски и непрерывные alpha-матты, а также поведение при отказе, которое важнее любого бенчмарка. Tencent сообщает о доле отказов 50,2% на RefCOCOg для запросов об отсутствующих объектах против 0,5 и 0,6 у двух специализированных моделей grounding на той же таблице. Если в большинстве ваших изображений нет того, что вы ищете, именно это число сэкономит вам деньги.

Есть и третий случай, когда они не конкурируют, а дополняют друг друга: конвейер обработки документов, где MiniCPM читает страницу, а WeVisOne находит область — подпись, печать, фотографию товара, — которую нужно изолировать на этапе чтения. Это не столько проблема маршрутизации, сколько вопрос проектирования конвейера, и именно здесь продукт OrcaRouter действительно полезен, а не прикручен для вида. Ни одной из этих моделей нет в нашем каталоге; обе развёрнуты самостоятельно, и мы не собираемся утверждать обратное. Мы предоставляем размещённую часть: более 200 моделей, доступных через один API-ключ по цене из прайс-листа провайдера без наценки, автоматическое переключение при деградации провайдера и объединение моделей, которое позволяет группе моделей совместно отвечать на один и тот же вопрос — полезно, когда транскрипция вот-вот попадёт в базу данных и вы хотите получить второе мнение перед этим.

Число, которое нужно запомнить

Не 1B и 2B — а 1.55B и 2B. Из-за названий они кажутся относящимися к разным весовым категориям, а из-за чекпоинтов — почти соседями, и оба впечатления обманчивы. MiniCPM-V 4.7 1B от WeVisOne-VL-2B отличает не размер, не лицензия и даже не новизна. А то, что один возвращает слова, а другой — пиксели, и ни один бенчмарк, опубликованный кем-либо из вендоров, нельзя вычесть из другого, чтобы понять, какой из них лучше справляется с тем, что нужно вам.