MiniCPM-V 4.7 35B-A3B vs UI-Mate-27B: Den ena läser skärmen, den andra trycker på knappen

Den ärliga första meningen om MiniCPM-V 4.7 35B-A3B mot UI-Mate-27B är att de inte är konkurrenter. Båda lades upp på Hugging Face utan tillkännagivande, båda har en tillåtande licens, båda är tränade på basmodeller i Qwen-familjen, och båda beskrivs i sin egen dokumentation som starka på att förstå vad som finns på en skärm — vilket är varför de hamnar i samma fack. Men den ena är en allmän bildspråkmodell som läser en bild och svarar i text, och den andra är en GUI-agent som läser en skärmbild och avger pyautogui-kompatibla mus- och tangentbordsåtgärder. MiniCPM-V 4.7 35B-A3B kan berätta vad en dialogruta säger. UI-Mate-27B kan stänga den. Allt annat i den här jämförelsen följer av den enda skillnaden, och den användbara frågan är inte vilken modell som vinner — utan vilken halva av jobbet du saknar.

Båda är också tidiga. UI-Mate-27B landade den 14 augusti 2026 med en artikel som kom två dagar senare och inget lanseringsinlägg från labbet; den hade noll nedladdningar på Hugging Face när vi först rapporterade om den, och det finns fortfarande inget hostat API någonstans. MiniCPM-V 4.7 kom den 6 oktober helt utan kort, och OpenBMB publicerade inte ett modellkort, en licenstagg eller ett avsnitt med påståenden förrän den 12 oktober. Ingen av dem har utvärderats oberoende. Varje prestandasiffra i den här artikeln är märkt med vem som rapporterade den, och i båda fallen är det modellens eget labb.

Samma kropp, två olika jobb

Börja med det som gör att paret känns naturligt. Båda är medelstora till stora multimodala modeller med öppna vikter och Apache-2.0-licenser. Båda tillhör samma uppströmslinje – UI-Mate-27B är finjusterad från Qwen3.6-27B, och MiniCPM-V 4.7 35B-A3B:s språkstack är en sparse MoE i Qwen3.5-familjen. Båda riktar sig mot samma breda tillämpningsområde – skärmar och dokument och applikationstillstånd – och båda släpptes i tysthet.

Titta sedan på vad var och en av dem ger som utdata. MiniCPM-V 4.7 returnerar texttokens. UI-Mate-27B returnerar en strukturerad åtgärd – ett klick, ett tangenttryck, en rullning, en väntan, en signal om slutförd uppgift – i ett normaliserat 1000×1000-koordinatutrymme som referensagenten skalar om till den faktiska skärmbildsupplösningen, så att prediktioner klarar skillnader i skärmskalning mellan maskiner. Modellkortet säger uttryckligen att UI-Mate är "en agent-checkpoint snarare än en fristående visuell chattmodell" och att det medföljande testramverket bör användas för allt som är på riktigt.

Den distinktionen avgör de flesta verkliga driftsättningar. Om din pipeline är "läs den här skärmbilden och berätta vad som är fel med den", är en generell VLM rätt verktyg och en agent är overkill med ett värre felbeteende. Om din pipeline är "få applikationen att göra grejen", lämnar enbart en VLM dig att skriva hela aktionslagret själv — koordinatkartläggning, aktionstolkning, felåterhämtning, återförsökslogik — vilket är den del som UI-Mate spenderade sin budget för förstärkningsinlärning på.

Vad MiniCPM-V 4.7 35B-A3B är, i dagsläget

OpenBMB:s första MoE i MiniCPM-V-serien: 256 experter med 8 aktiva per token över 40 lager, ett kontextfönster på 262 144 token och en vokabulär på 248 144 token, eller ungefär 3B aktiva parametrar av totalt 35,2B. Vision går via en SigLIP2-modul med LLaVA-UHD v4 intra-ViT tidig komprimering och ett valbart blandat 4x/16x-läge för visuell tokenkomprimering — 16x som standard för genomströmning, 4x när fina detaljer är det viktiga. Den förstår enskilda bilder, flerbildsuppsättningar och video, och returnerar text.

Kortets rubrikpåstående är att detta är den första öppen källkods-MoE-modellen med förlustfri, smidig inferens på enheten – Lookahead Expert Scheduling, finkornig lagervis kvantisering och spekulativ sampling via separata DSpark-utkast – vid en rapporterad hastighet på 13+ tokens per sekund på en iPhone 17 Pro Max. Den siffran är leverantörsrapporterad, inte reproducerad och okvalificerad. Ett andra påstående, att modellen slår Qwen3.6 35B-A3B:s totalpoäng i Instruct-läge på kortare inferenstid, återges i en diagrambild i stället för i en tabell, så det kan inte citeras som en siffra.

Det som är konkret är distributionen. Bas-, FP8-, int4-, AWQ-, GPTQ- och GGUF-vikter finns alla; SGLang, vLLM, llama.cpp, Ollama och OpenVINO stöds; appar för iOS, Android och HarmonyOS finns; Rockchip, Houmo, Intel, AMD och Arm listas för hårdvara från dag ett; och kortet dokumenterar verktygsanrop, med ett genomarbetat exempel på funktionsanrop i avsnittet om servering. Den sista detaljen spelar roll för den här jämförelsen: MiniCPM-V 4.7 kan vara perceptions- och resonemangslagret i en agent som du bygger, även om den inte kommer att agera på egen hand.

Vad UI-Mate-27B är, i dagsläget

Leverantörens foundation-GUI-agent med 27 miljarder parametrar, publicerad den 14 augusti 2026 tillsammans med en 9B-syskonmodell och en demonstrationsstyrd variant, UI-Mate-democua-27B. Träningen bestod av övervakad finjustering följd av online-förstärkningsinlärning i körbara GUI-miljöer – modellen lärde sig genom att faktiskt styra skrivbordsmiljöer, inte från statiska skärmbilder. Dess åtgärdsutrymme omfattar mus, tangentbord, rullning, väntan, användarinteraktion och slutförandesignaler, och de utsända åtgärderna är pyautogui-kompatibla, så testramverket kan köra dem direkt.

Den särskiljande faktorn som leverantören lutar sig mot är demonstrationsstyrd exekvering: spela in ett arbetsflöde en gång och agenten anpassar det till den aktuella skärmen, där skärmbilden i realtid behandlas som auktoritativ i stället för att spela upp ett fast skript. Stödmaterialet är ovanligt komplett för ett tyst släpp – en projektsida med en demovideo och en macOS-app för Apple Silicon, ett GitHub-arkiv som innehåller den officiella prompten, svarstolken och interaktionsramverket, samt arXiv-förtrycket 2608.15930 som lämnades in två dagar efter att vikterna lades upp.

De mest framträdande siffrorna är en leverantörsrapporterad WindowsAgentArena-poäng på 66,2 och OSWorld-Verified på 77,0, vilket skulle placera dem högst upp bland det som har publicerats på det benchmarket i år, om de håller. De har inte reproducerats av någon utanför labbet. Och driftsättningsbilden är tunn på det sätt som tidiga agentutgåvor brukar vara: inget hostat API, en rekommenderad serveringsväg med vLLM bakom en OpenAI-kompatibel endpoint, och en avsiktlig instruktion att använda harnessen snarare än att anropa checkpointen direkt.

Åtta dimensioner, båda sidorna

• Utdata — text, från MiniCPM-V 4.7 35B-A3B; strukturerade pyautogui-kompatibla åtgärder, från UI-Mate-27B.

• Indata – text, bilder och video, mot skärmbilder i realtid plus en instruktion. Ingen av dem tar emot ljud.

• Basmodell — en gles MoE i Qwen3.5-familjen för MiniCPM-modellen, Qwen3.6-27B för UI-Mate.

• Storlek och form — 35,2B totalt med 3B aktiva över 256 experter; 27B tät. Den glesa är billigare per token, den täta är enklare att servera.

• Kontext — 262 144 tokens mot en standard på fem bevarade skärmbilder, vilket är den enskilt största arkitektoniska skillnaden mellan dem och anledningen till att den ena kan läsa en lång dokumentsamling och den andra inte.

• Licens — Apache-2.0 på båda, vilket för en gångs skull gör valet till ett tekniskt snarare än ett juridiskt.

• Påståendet i rubriken, båda enligt leverantören — 13+ tokens per sekund på en iPhone 17 Pro Max, mot WindowsAgentArena 66,2 och OSWorld-Verified 77,0. Olika benchmarks, ingen gemensam skala, ingen av dem har reproducerats.

• Tillgängliga i dag — sex kvantiseringsformat, fem körtidsmiljöer och mobilappar, mot noll nedladdningar vid första täckningen, inget hostat API och en testrigg som leverantören rekommenderar att du använder.

Där de faktiskt överlappar

Det finns ett jobb som båda kan försöka sig på: att förstå en UI-skärmbild tillräckligt bra för att kunna svara på en fråga om den. Fråga "vilket fält misslyckades valideringen" och båda modellerna kan rimligen svara. Fråga "fixa det" och endast UI-Mate-27B producerar en åtgärd, och bara om du har satt upp dragningen — skärmbildsloopen, parsern, exekveraren, koordinatomskalningen och återförsökspolicyn när klicket landar någonstans oväntat.

Det omvända överlappet är svagare men verkligt. MiniCPM-V 4.7:s stöd för verktygsanrop innebär att du kan bygga en agent runt den – perception och planering på visionsmodellen, med ett eget aktionslager påskruvat via funktionsanrop. Det är en legitim arkitektur och den ger dig total kontroll över aktionsrymden. Det är också, i grova drag, att återuppfinna det som UI-Mate redan har ägnat förstärkningsinlärning åt, och att göra det utan GUI-specifik träningsdata. Team gör klokast i att välja utifrån vilket lager de vill äga snarare än utifrån vilken modell som ytligt sett är bättre på skärmdumpar.

Serverar båda, och var en router passar in

Ingen av modellerna hostas någonstans, inte heller här — MiniCPM-V 4.7 35B-A3B och UI-Mate-27B förekommer båda ingenstans i OrcaRouters katalog, och inget i den här artikeln bör läsas som ett påstående att vi routar dem. Båda är checkpoints som du laddar ner och kör själv, och för UI-Mate innebär det två saker: ungefär 27B i vikter, och en OpenAI-kompatibel endpoint, eftersom leverantörens egen README rekommenderar att servera den med vLLM och testramverket förväntar sig en kompatibel bas-URL.

Den slutpunkten är den intressanta delen för kostnadsplanering, eftersom testharneset inte bryr sig om vilken modell som svarar så länge slutpunkten beter sig som den ska. OrcaRouter sätter över 200 hostade modeller bakom en enda nyckel till varje leverantörs listpris utan vårt påslag, med automatisk redundansväxling mellan leverantörsrutter, vilket gör det till en bas-URL som kan användas direkt för planeringssidan av en agent — och routnings-DSL:en låter dig sätta samman en billig modell för rutinsteg och en starkare för de beslut som spelar roll i ett anrop i stället för två integrationer. Den hostade formen som ligger närmast MiniCPM-modellens kostnadsprofil är Qwen3.6 35B A3B — 35B totalt, 3B aktiva, 262K kontext — till $0,25 per miljon indata-tokens och $1,48 per miljon utdata-tokens. Huruvida det slår att självhosta en 70 GB gles MoE är en fråga du kan besvara på en eftermiddag, vilket inte gäller för någon av modellerna i rubriken.

Vilken vill du ha?

Ta UI-Mate-27B om du behöver en modell som agerar – skrivbordsautomatisering, RPA-ersättning, långsiktiga applikationsarbetsflöden – och om du accepterar avvägningen som följer med: en leverantörsrapporterad benchmark, ingen oberoende reproduktion, ingen hostad väg och ett testharnesk som du måste anamma snarare än granska. Fördelen är att allt kring lanseringen är ovanligt väl dokumenterat, från artikeln till prompten till parsern, och 9B-syskonet ger dig en billigare modell att prototypa på.

Ta MiniCPM-V 4.7 35B-A3B om du behöver perception – långa dokument, skärmbildsflottor, video – och är beredd att äga aktionslagret själv. Du får den tillåtande licensen, sex kvantiseringsformat, fem körmiljöer, ett 262K-fönster och en driftsättningshistoria i telefonklass som inte har verifierats av någon utanför OpenBMB.

Vad skulle förändra detta: en reproducerad OSWorld- eller WindowsAgentArena-körning för UI-Mate, vilket skulle förvandla dess centrala påstående från marknadsföring till en mätning; och en utvärderingstabell för MiniCPM-V 4.7, som inte finns alls. Tills en av dem dyker upp ligger beslutet hos ditt arkitekturdiagram snarare än hos någon av resultattavlorna — en avkodare eller en hand, och du bör veta vilken av dem du saknar.