Ett genererat hero-kort med rubriken 'MiniCPM-V 4.7 vs LLaDA-UI' och underrubriken 'En telefonklar generalist mot en diffusions-GUI-agent', ett kort till vänster med texten 'LLaDA-UI: 16,7B MoE, blockvis diffusion, GUI-agent, ScreenSpot-Pro 52,9', ett kort till höger med texten 'MiniCPM-V 4.7: 35,2B gles MoE, autoregressiv, Apache-2.0, ingen poängtabell', och en pillerformad etikett med texten 'En uppmätt specialist mot en icke uppmätt generalist'. OrcaRouter-logotypen visas i nedre högra hörnet.
Guides & Insights

MiniCPM-V 4.7 vs LLaDA-UI: En telefonklar generalist mot en diffusionsbaserad GUI-agent

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Sätter man MiniCPM-V 4.7 bredvid LLaDA-UI visar den uppenbara ramen – generalist kontra specialist – sig vara det minst användbara sättet att läsa duellen. MiniCPM-V 4.7, som OpenBMB dokumenterade och licensierade den 12 oktober 2026, är en gles mixture-of-experts-modell för vision och språk med 35,2 miljarder parametrar, vars hela argument är effektivitet: modellkortet hävdar 13+ tokens per sekund på en iPhone 17 Pro Max och en bättre position för prestanda per inferenstid än Qwen3.6 35B-A3B. LLaDA-UI, inclusionAI:s ungefär 16,7 miljarder parametrar stora mixture-of-experts-GUI-agent, är en helt annan art – den genererar inte tokens från vänster till höger alls, utan avbrusar ett helt block av dem på en gång. Frågan en byggare faktiskt har är snävare än ”vilken är bättre”: den är vilken av dessa två som har mätts på det jobb du rekryterar för, och utifrån vilka bevis.

De två evidensbaserna är inte samma typ av sak.

Båda modellerna är benchmarkade av leverantören, och ingen av dem har oberoende reproducerats. Utöver det går jämförelsen isär.

• MiniCPM-V 4.7 — utvärderingsavsnittet i dess modellkort består av fem bilder: övergripande visuell-språklig prestanda, språkprestanda, 1B-variantens diagram, en frontier-graf över prestanda kontra inferenstid, och en hastighetsjämförelse på enheten. Prosatexten framför två påståenden, båda jämförande snarare än absoluta. Det finns ingen poängtabell per benchmark i den offentliga dokumentationen.

• LLaDA-UI — den tekniska rapporten, arXiv-artikeln och projektsidan ger namngivna benchmarks med namngivna baslinjer: ScreenSpot-Pro 52,9 mot Qwen3-VL-8B:s 52,7, AndroidWorld 53,5 mot 47,9, MobileWorld 25,6 mot 9,4, WebVoyager 56,9 mot 45,2, där ScreenSpot-V2 beskrivs som nära och OSWorld-Verified av inclusionAI själva framställs som den återstående luckan.

• Vad det innebär i praktiken – den ena modellen publicerar siffror på uppgiftsnivå som man kan argumentera emot, och den andra publicerar ett sammansatt mått som man inte kan bryta ned. ”Högre totalpoäng på kortare inferenstid” är ett påstående om ett diagram, och viktningen bakom det sammansatta måttet publiceras inte. Ett ScreenSpot-Pro-resultat på 52,9 är ett påstående om ett definierat test med ett definierat protokoll.

• Ingendera är oberoende verifierad — siffrorna för LLaDA-UI kommer från dess egen projektsida och tekniska rapport; siffrorna för MiniCPM-V 4.7 kommer från diagram som leverantören har ritat. Att behandla endera som fastställd skulle vara ett misstag, men att behandla dem som lika informativa skulle vara ett annat misstag.

Vad varje modell faktiskt är

Arkitekturklyftan är större än parameterantalet antyder, och den avgör de flesta praktiska skillnaderna nedströms.

• Bas — MiniCPM-V 4.7 använder en qwen3_5_moe_text som stomme med 256 experter, 8 aktiva per token, 40 lager och ett uppmärksamhetsmönster som växlar mellan linjär och full uppmärksamhet i förhållandet tre till ett; LLaDA-UI använder LLaDA2.0-mini-base, en maskerad diffusionsspråkmodell.

• Generering — MiniCPM-V 4.7 är autoregressiv, en token i taget; LLaDA-UI avkodar blockvis, avbrusar ett helt block av utdatapositioner parallellt och rekonstruerar under bidirektionella villkor inom det blocket.

• Parametrar — 35,2 miljarder totalt för MiniCPM-V 4.7 med 8 av 256 experter aktiva per token; cirka 16,7 miljarder totalt för LLaDA-UI som en blandning av experter.

• Kontext — maximal position på 262 144 tokens för MiniCPM-V 4.7; LLaDA-UI:s kort dokumenterar en standard för --max-length på 8192 för sitt inferensskript, och stora skärmbilder kräver att den höjs.

• Vision — MiniCPM-V 4.7 använder ett 27-lagers torn med bredd 1 152 vid patch 14 och bildstorlek 980 med blandad 4x/16x-tokenkomprimering; LLaDA-UI använder en ViT med nativ upplösning initierad från SigLIP med 2D-roterande inbäddningar och en rumslig sammanslagning fyra-till-ett till en tvålagers-MLP, uttryckligen för att bevara bildförhållandet för skärmbilder från telefon, dator och webb.

• Utdata — MiniCPM-V 4.7 producerar text, med bild- och videoförståelse som ingångssida; LLaDA-UI producerar normaliserade koordinater i intervallet 0 till 999 samt taggade sekvenser av resonemang och handling avsedda att exekveras.

• Licens — Apache-2.0 för MiniCPM-V 4.7, angiven den 12 oktober; ingen licens anges någonstans på LLaDA-UI-projektets sida eller modellkort.

Den sista punkten är inte en fotnot om du ska leverera. En av dessa två kan du sätta i en kommersiell produkt idag utan ett samtal; den andra kan du inte.

Avkodning är där den verkliga splittringen ligger

Blockvis diffusion är anledningen till att LLaDA-UI finns som ett separat spår snarare än som ännu en finjustering. I en autoregressiv agentloop är varje åtgärdstoken beroende av varje token före den, så klickkoordinaten i slutet av ett svar väntar på resonemanget som föregår den. I en diffusiv agent förfinas blocket som en enhet, och den praktiska konsekvens som inclusionAI säljer in är latens: i ett parat API-test rapporterar projektsidan 4,8 till 6,4 sekunder mot Qwen3-VL-8B:s 17 till 53 sekunder, vilket beskrivs som genomsnittliga snabbhetsvinster på 3,58x för webb, 6,83x för skrivbord och 8,95x för mobila indata, samtidigt som den genererar fler tokens per anrop. För MobileWorld-indata är de rapporterade medelvärdena 5,9 sekunder mot 53,0.

De där är leverantörsmätta, parade, icke-cachade siffror i labbets egen testrigg, och de bör läsas som sådana. Men riktningen är värd att ta på allvar även med förbehållet, eftersom agentloopar multiplicerar latens. En gränssnittsagent som tar tio steg betalar kostnaden per steg tio gånger, och en skillnad på tio sekunder per steg är skillnaden mellan en demo och en produkt.

MiniCPM-V 4.7 angriper samma problem från motsatt håll. Den behåller autoregressiv avkodning och gör varje steg billigt genom expertschemaläggning — en prediktor över lager förladdar experter som nästa lager sannolikt behöver, prioriterar dem som den verkliga routern faktiskt valde, och kortet anger uttryckligen att prediktion enbart driver förhämtning och att modellens egen routning fortfarande styr beräkningen. Lägg till lagervis kvantisering och DSpark-spekulativ sampling, och påståendet är 13-plus tokens per sekund för en MoE med 35 miljarder parametrar på en mobil. Olika mekanism, samma mål: göra loopen tillräckligt snabb för att en enhet ska kunna köra den.

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.'

Vad var och en är bra på, formulerat så snävt som evidensen tillåter

• Välj LLaDA-UI när uppgiften är ett gränssnitt — klicka, skriva, navigera i en mobilapp, ett skrivbordsfönster eller en webbsida. Det är den av de två som har publicerade poäng för grounding och navigering, en dokumenterad koordinatkonvention och paketerade exempelförfrågningar för mobil, skrivbord och webb.

• Välj MiniCPM-V 4.7 när uppgiften är förståelse — att beskriva ett fotografi, läsa ett dokument, tolka en PDF, svara på en fråga om en video, köra på hårdvara du äger. Det är den av de två som har dokumenterat fokus på OCR, PDF-tolkning och visuell förankring i sin kokbok, med inbyggt stöd för SGLang, vLLM, llama.cpp och Ollama, och med kvantiserade varianter publicerade för nedladdning.

• Överlappningen är mindre än den verkar — MiniCPM-V 4.7:s kort listar visuell grundning som en kokboksguide men publicerar ingen grundningspoäng alls. LLaDA-UI:s kort handlar om en enda uppgift. Om din arbetsbelastning är GUI-automatisering jämför du en mätt specialist mot en omätt generalist; om din arbetsbelastning är dokument- och bildförståelse jämför du en dokumenterad generalist mot en modell som aldrig byggdes för att göra det.

• Driftsättningsfriktionen går åt andra hållet — MiniCPM-V 4.7 erbjuder GGUF-, AWQ-, GPTQ-, int4- och FP8-checkpoints plus en OpenVINO-väg och påstått day-0-stöd för Rockchip, Houmo, Intel, AMD och Arm-kisel. LLaDA-UI:s serveringsväg kräver labbets egna SGLang-multimodala diffusionspatchar och dess serve_llada_ui.sh-skript; modellkortet säger uttryckligen att servern inte kan startas från en vanlig SGLang-installation.

Kostnadsfrågan som ingen publicerar

Ingen av modellerna har ett offentligt pris per token, eftersom ingen av dem är en hostad slutpunkt som du hyr per miljon tokens. Du hostar båda, vilket innebär att kostnaden är din hårdvara och din latens. Det ger valet en ny inramning: en checkpoint med 16,7 miljarder parametrar på cirka 32 GB i BF16 är ett väsentligt mindre åtagande än en på 70 GB med 35 miljarder parametrar, och om agentuppgiften bara behöver den mindre modellen ger den större dig ingenting för den arbetsbelastningen.

Det hybrida fallet är där ett routningslager förtjänar sin plats. Kör den lilla, ändamålsenliga modellen lokalt för det rutinmässiga gränssnittsarbetet och lämna de verkligt svåra bildrutorna — en tät skärmbild, ett ovanligt dokument, en fråga som kräver en större modells världskunskap — till en hostad slutpunkt. OrcaRouter sätter över 200 hostade modeller bakom en enda nyckel med varje leverantörs listpris som förs vidare med 0 % påslag och automatisk failover när en leverantör försämras, och dess routnings-DSL låter ett enda anrop sprida ut ett svårt fall till fler än en modell när svaret måste vara rätt snarare än billigt. Varken MiniCPM-V 4.7 eller LLaDA-UI serveras via den — båda är checkpoints med öppna vikter som du kör själv, och routern är det som sitter på andra sidan av den överlämningen.

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.

Tre frågor värda att besvara innan du förbinder dig

Är LLaDA-UI:s hastighetsfördel verklig på din hårdvara? Siffrorna 3 till 9 gånger är parvisa, icke-cachade mätningar i labbets egen testrigg mot en enda baslinje. Blockvis diffusion har andra minnesegenskaper än autoregressiv avkodning, och en hastighetsökning uppmätt på leverantörens GPU överförs inte automatiskt till din. Detta är det enskilda tal som är mest värt att reproducera innan du bygger vidare på det.

Kan MiniCPM-V 4.7 överhuvudtaget riktas mot en gränssnittsuppgift? Möjligen – det är en vision-språkmodell med dokumenterade grounding-verktyg – men modellkortet publicerar inget GUI-agent-benchmark, ingen koordinatkonvention och inget åtgärdsvokabulär. Att bygga en GUI-agent på den i dag innebär att själv definiera utdataformatet och hoppas att modellen respekterar det. LLaDA-UI löste det problemet medvetet, med taggat resonemang plus åtgärdsutdata och plattformsspecifika vokabulärer.

Vilken av dem kommer fortfarande att stödjas om sex månader? OpenBMB har släppt en hel familj kring MiniCPM-V 4.7 – två basvarianter, fem kvantiseringsformat, två DSpark-draftmodeller, en kokbok och ett repository för edge-driftsättning – på under en vecka, med Apache-2.0-villkor. LLaDA-UI har en teknisk rapport, en arXiv-artikel, en projektsida och ett kodrepository, och ingen angiven licens. Bredden på den omgivande infrastrukturen är en rimlig indikator på hur mycket ett labb avser att hålla något vid liv.

Domen

Dessa två är inte substitut, och den ärliga rekommendationen följer av det snarare än av parameterantalen. Om du bygger gränssnittsautomatisering är LLaDA-UI den mer färdiga produkten trots att den är den mindre modellen – mätt på uppgiften, med ett dokumenterat utdataformat och en serveringsväg, och med den licensrisk du behöver lösa innan du släpper den. Om du bygger något som innebär att titta på bilder, läsa dokument eller köra på en telefon är MiniCPM-V 4.7 den med ekosystemet, den tillåtande licensen och driftsättningshistorien, och dess effektivitetsanspråk är precis så starka som ett icke reproducerat diagram kan göra dem. Team som behöver båda kör dem tillsammans, och routningslagret är den billigaste delen av det upplägget.

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.