WeVisOne-VL-4B против MiniCPM-V 4.7 1B: две противоположные ставки на то, для чего нужен визуальный токен

MiniCPM-V 4.7 1B набирает 86,1 балла на OCRBench. WeVisOne-VL-4B набирает 52,0 балла на TotalText. Поставьте эти два числа рядом — и модель 1B как будто опережает модель 4B на тридцать четыре пункта в распознавании текста, что было бы выдающимся результатом, а также является категориальной ошибкой. OCRBench измеряет, может ли модель транскрибировать символы на изображении. TotalText, в том виде, в каком его приводит Tencent, измеряет F1 для локализации каждого экземпляра текста при порогах IoU от 0,5 до 0,95. Одно — распознавание, другое — геометрия. MiniCPM-V 4.7 1B и WeVisOne-VL-4B были выпущены с разницей в девять дней в октябре 2026 года, обе из китайских лабораторий, обе под Apache 2.0, и они принципиально расходятся в том, для чего нужны визуальные токены: одна сжимает их и избавляется от них, другая тратит их на точность.

Это разногласие и есть суть всего сравнения. Всё остальное — количество параметров, память, строки бенчмарков — вытекает из него.

Сжатие против точности

MiniCPM-V 4.7 1B наследует схему раннего сжатия внутри ViT от LLaVA-UHD v4 и реализует её как переключатель во время выполнения между 4× и 16× сжатием визуальных токенов. Смысл в том, чтобы вместить больше изображения и больше видео в фиксированный бюджет: карточка модели заявляет контекст в 262 144 токена, 128 видеокадров по умолчанию и схему тайлинга 448×448 с настраиваемым количеством фрагментов. Сжимай рано, держи последовательность короткой — и модель на 1B сможет просматривать длинное видео на телефоне.

WeVisOne-VL-4B делает противоположный компромисс. Его оценка выполняется с использованием до 1 960 визуальных токенов на изображение, а пиксельный декодер работает с признаками ViT до их объединения, намеренно сохраняя детализацию высокого разрешения, которую отбрасывает раннее сжатие. Именно поэтому он способен создавать альфа-мат полного разрешения при шаге 1 — и именно поэтому он вообще не может обрабатывать видеосетку: декодер её отвергает. Точность стоит токенов, а токены стоят задержки.

Ни одна из ставок не ошибочна. Это ответы на разные вопросы. MiniCPM спрашивает: «сколько я могу увидеть за один раз на телефоне?» WeVisOne спрашивает: «насколько точно я могу описать, где находится вещь?»

История с размером страннее, чем 1B против 4B.

• Параметры — WeVisOne-VL-4B 4,83B dense против MiniCPM-V 4.7 1B, заявленной как 1B, хотя в метаданных её репозитория указано 2B в BF16

• Формат весов — F32 safetensors примерно 19 ГБ против BF16 около 3,1 ГБ, или 0,67 ГБ в Q4_K_M плюс визуальный проектор на 0,90–1,11 ГБ

• Контекст — не опубликован для WeVisOne-VL-4B, тогда как для MiniCPM-V 4.7 1B на бумаге указано 262 144 токена

• Видео — отклонено пиксельным декодером, тогда как по умолчанию используется 128 кадров

• Мультимодальный ввод — одно изображение на ход vs изображение и видео

• Квантование — производитель не поставляет ни одного варианта, в отличие от вариантов int4, AWQ, GPTQ, GGUF и FP8

• Среды выполнения на устройстве — отсутствуют vs iOS, Android, HarmonyOS, а также llama.cpp и Ollama

• Лицензия — Apache 2.0 для кода, написанного Tencent, по сравнению с Apache 2.0

Строка памяти — это то, что заставляет взглянуть на сравнение иначе. Модель на 1B при четырёх битах занимает менее гигабайта до визуального проектора; модель на 4,83B в F32 требует примерно девятнадцати гигабайт. Это не конкуренты за один и тот же слот. Одна — компонент, который вы поставляете внутри приложения; другая — сервис, который вы запускаете на GPU.

Чтение строк бенчмарка без самообмана

Оба производителя опубликовали таблицы, и обе таблицы составлены по их собственному выбору. MiniCPM-V 4.7 1B сообщает OCRBench 86,1, MathVista 74,3, CharXiv Reasoning 48,8, LongVideoBench 53,4 и MotionBench 54,55. WeVisOne-VL-4B сообщает среднее F1 на LVIS 55,3, 81,8 на тесте RefCOCOg, 89,6 на тесте PixMo-Count, среднее F1 на TotalText 52,0, gIoU на валидации ReasonSeg 71,2 и MAD на P3M-500-NP 7,3. Ни один бенчмарк не фигурирует в обоих списках. По этим документам невозможно обоснованно определить победителя, и любая статья, которая это делает, выдумывает результат.

Беспристрастное прочтение получается более узким, но всё равно полезным. MiniCPM-V 4.7 1B необычайно сильна в рассуждениях по изображениям для своего размера — 74.3 балла на MathVista от модели, помещающейся в телефон, это число, которым её авторы гордятся больше всего, и оно заявлено производителем и не воспроизведено независимо. WeVisOne-VL-4B необычайно сильна в генерации геометрии — масок, маттов, рамок — и имеет измеренную частоту отказов 96.4% на WeRef-Bench, когда объекта нет. В карточке MiniCPM не публикуется метрика отказов, а в карточке WeVisOne — ни одного бенчмарка рассуждений. Каждая модель молчит именно там, где другая говорит громко.

Что каждый из них не может делать

WeVisOne-VL-4B не умеет смотреть видео, не может вести многоходовой диалог об изображении и не запускается на телефоне. Для него не опубликованы показатели числа токенов в секунду и нет квантованных сборок, а значит, любой, кто его развёртывает, обязуется использовать GPU и самостоятельно замерять пропускную способность. Код дообучения всё ещё остаётся неотмеченным пунктом в списке задач проекта.

MiniCPM-V 4.7 1B не может возвращать маску или альфа-мат. Он скажет, что на изображении есть человек и примерно где; но не выдаст вам вырезанный объект с мягкими краями. Он также несёт обычные риски совершенно нового семейства моделей: новый model_type в Transformers, требование минимальной версии 5.18.0 и ранние сообщения о сбоях декодирования видео в некоторых комбинациях CUDA и torchcodec. Его контекст 262K — это цифра из статьи; не показано, что посттренировка позволяет полностью его задействовать.

Стоимость второго звонка

На практике эти две модели не являются взаимозаменяемыми, и интересная архитектура использует обе: небольшую дешёвую модель для описания изображения и рассуждений о нём и модель восприятия для возврата геометрии. Это превращает один вызов инференса в два, и именно здесь стоимость перестаёт быть сноской.

Вклад OrcaRouter в эту архитектуру — скучный, но важный: единый ключ более чем к 200 моделям, с прозрачной передачей прайс-листа провайдера при 0% наценки и автоматическим переключением при деградации вышестоящего эндпоинта. Снижение цены вендором на стороне универсальных моделей отражается на нашей стороне в тот же день, потому что нет слоя наценки, который нужно обновлять. Ни WeVisOne-VL-4B, ни MiniCPM-V 4.7 1B сегодня нет в этом каталоге, поэтому перцептивную половину конвейера по-прежнему нужно размещать у себя. Вы избегаете второго контракта и второго набора учётных данных для той половины, которая уже есть.

Как бы вы запустили любой из них

WeVisOne-VL-4B — более требовательный вариант установки. В карточке модели описаны Transformers, vLLM, SGLang и Docker Model Runner, но mask_decoder.pt является обязательным компонентом: если загрузить чекпойнт без пакета инференса проекта, вы получите рамки и текст, но не маски. Декодирование жадное, до 1 960 визуальных токенов на изображение, а опубликованных показателей пропускной способности нет, поэтому первое, что вы сделаете на своём оборудовании, — измерите её.

MiniCPM-V 4.7 1B — более простой вариант. Для работы требуется Transformers 5.18.0 или новее, а вместе с ним появилась и экосистема — сборки для llama.cpp, Ollama, SGLang и vLLM, а также квантования int4, AWQ, GPTQ и FP8 и отдельная черновая модель DSpark с 213 млн параметров для спекулятивного декодирования. Если ваша цель — телефон, устройство на Intel или плата Rockchip, это путь, по которому уже проложена дорога.

Какую ставку выбрать

Если ограничение — само устройство, выбирайте MiniCPM-V 4.7 1B. Ничто в WeVisOne-VL-4B не рассчитано на телефон, а квантование, поддержка среды выполнения и работа с видео на стороне MiniCPM — результат работы лаборатории, выпустившей несколько поколений моделей для работы на устройстве.

Если ограничение — это результат — вам нужны маски, матты, плотные рамки для мелких объектов или надёжный ответ «отсутствует» — берите WeVisOne-VL-4B и закладывайте бюджет на GPU. Учитывайте, что вы работаете со статьёй двухдневной давности без независимой оценки и что цифры по маттингу — собственные данные Tencent.

Если вам нужно и то и другое, вам нужны две модели. Это честный вывод, и его подтверждают собственные таблицы бенчмарков обоих поставщиков: они оптимизировали разные вещи, и ни одна из них не пыталась превзойти другую.