MiniCPM-V 4.7 vs WeVisOne-VL-4B: Ett stycke eller en polygon

Det snabbaste sättet att välja mellan MiniCPM-V 4.7 och WeVisOne-VL-4B är att titta på vad de producerar. WeVisOne-VL-4B returnerar koordinater: boxar normaliserade till ett rutnät med tusen punkter, punkter, instansmasker och alfa-mattor i full upplösning som produceras av en avkodare med 9,6 miljoner parametrar monterad på en Qwen3-VL-ryggrad. MiniCPM-V 4.7 returnerar meningar, sidor av dem, i en kontext på 262 144 token som kan rymma en video. Den ena är en perceptionskomponent som du kopplar in i en pipeline. Den andra är en läsare som du ställer frågor till. Båda är Apache-2.0, båda kommer från kinesiska labb, båda släpptes i oktober 2026 med nästan ingen bevakning i engelsk branschpress, och de är knappt i samma produktkategori.

De två anlände på mycket olika sätt. Tencent's WeChat Vision-team lade ut WeVisOne-VL-4B på Hugging Face och GitHub den 22 oktober 2026, tillsammans med en arXiv-artikel och ett 2B-syskon, utan blogginlägg och utan pressmeddelande. OpenBMB laddade upp MiniCPM-V 4.7 den 6 och 7 oktober, daterade utgivningen till 12 oktober i sitt repo och tillkännagav den i ett engelskt PR Newswire-pressmeddelande den 15 oktober som gav anmärkningsvärt lite engelsk fackpressbevakning. Den ena anlände som ett repo; den andra som ett repo plus ett wireutskick. De flesta jämförelser av dem får kategorin fel innan de får siffrorna fel.

Två svar på samma fråga

WeVisOne-VL-4B är en finjustering av Qwen3-VL som avger geometri som tokens. Rutor och punkter kodas som decimala tokens från 0 till 1000, normaliserade mot bilden, och efter varje förutsagd ruta avger modellen en speciell token vars dolda tillstånd matar en separat maskavkodare: en adapter för visuella särdrag, sex deformerbara korsattentionsblock och ett kaskadhuvud som förfinar i stride 4, 2 och 1. Resultatet är en instansmask och, för matting-uppgifter, en alfakanal i full upplösning. Det finns ingen andra modell i loopen och inget SAM-anrop; hela pixelvägen har under tio miljoner parametrar kopplade till språkmodellen. Den har 4,83 miljarder parametrar i bfloat16, vilket modellkortet avrundar till 5B, och den tar en bild per tur — videogriddar avvisas direkt av pixelavkodaren.

MiniCPM-V 4.7 är en generalist i två storlekar. 35B-A3B lagrar 35,2 miljarder parametrar över 256 experter, dirigerar åtta per token för ungefär 3 miljarder aktiva och har en kontext på 262 144 token med inmatning av enkel bild, flera bilder och video. 1B är en tät modell med 1,55 miljarder parametrar med samma kontextlängd och en BF16-checkpoint på 3,1 GB. Båda delar ett 27-lagers SigLIP2-visionstorn med blandad 4× och 16× visuell token-komprimering, vilket är mekanismen som gör att en kontext på en kvarts miljon token förblir överkomlig. Ingen av dem har en primitiv för pekning, detektion eller segmentering. Du kan fråga vilken som helst var katten är, och du får en beskrivning av var katten är.

Den skillnaden är inte kosmetisk. Den avgör om din nedströmskod tolkar JSON eller prosa, om ett dåligt svar misslyckas högljutt eller tyst, och om modellen kan kombineras med något annat utan en andra modell för att rätta dess utdata.

Siffrorna, och kategorifelet som väntar i dem

Alla siffror nedan är leverantörsrapporterade. Tencent:s kommer från artikeln och README, med en jämförelseuppsättning som författarna valt och utan tredjepartsreproduktion. OpenBMB:s kommer från leverantörens modellsida och publiceras som löptext och diagrambilder snarare än som en numerisk tabell. Inget av labben har en oberoende poäng för dessa modeller i ett gemensamt utvärderingsramverk.

• Detektion, LVIS F1 — WeVisOne-VL-4B 55.3 mot den bästa baslinje som författarna anger till 50.7. MiniCPM-V 4.7 redovisar ingen detektionssiffra.

• Tät detektion, Dense200 F1 — 71,3 för WeVisOne mot 58,7 för den bästa baslinjen, och 15,2 för omodifierad Qwen3-VL-4B. Den sista raden är den mest intressanta i artikeln: det är finjusteringen som förvandlar en generalist till en lokaliserare.

• Refererande, RefCOCOg-test F1 — 81,8 för WeVisOne-VL-4B mot 77,6 för den starkaste baslinjen som författarna listar. Dess avvisningsfrekvens för frågor utan mål är där du bör titta först: 67,4 procent på RefCOCOg-Rej, 96,4 procent på den interna WeRef-Bench och 52,6 procent på PR-Bench. Samma modell, tre olika svar, eftersom distributionerna skiljer sig.

• Räkning, PixMo-Count — 89,6 mot 82,8. Segmentering, ReasonSeg val gIoU — 71,2 mot 65,0.

• Matting, P3M-500-NP genomsnittlig absolut differens — 7,3 mot 15,4, där lägre är bättre, vilket är ungefär hälften av felet för den bästa specialbyggda matting-baslinjen som författarna jämförde med.

• Läsning, OCRBench — 91,2 för MiniCPM-V 4.7 35B-A3B och 86,1 för 1B, jämfört med TotalText F1 på 52,0 för WeVisOne-VL-4B.

Den sista punkten är fällan. OCRBench mäter textigenkänning; TotalText F1 mäter textlokalisering. Att ställa 86,1 bredvid 52,0 och utropa en 34-poängsvinst är ett kategorimisstag, och det är den typen av misstag som kopieras från ett jämförelseinlägg till nästa. Det ärliga påståendet är att de två modellerna inte testades på samma uppgift, och det enda siffrorna fastställer är att MiniCPM är byggd för att transkribera och WeVisOne är byggd för att lokalisera.

Minne är det verkliga priset

WeVisOne-VL-4B är en bfloat16-checkpoint på 9,66 GB före sin maskavkodare, och Tencent levererar ingen kvantiserad variant. Siffran 19 GB på jämförelsekortet är samma checkpoint konverterad till F32, vilket fördubblar den; oavsett vilket behöver du fortfarande den anpassade inferenskoden: mask_decoder.pt är en obligatorisk komponent, inte ett valfritt tillägg, och en vanlig Transformers-laddning ger dig boxar och text men inga masker. De dokumenterade serveringsvägarna är projektets eget inferenspaket, som omsluter antingen en Transformers-backend eller en vLLM-backend, plus en Gradio-demo; girig avkodning och ett tak på 1 960 visuella tokens per bild är utvärderingsinställningarna. Detta är en GPU-tjänst.

MiniCPM-V 4.7 35B-A3B är ungefär 70 GB BF16-vikter fördelade på sexton shards, vilket är sämre på papperet och bättre i praktiken eftersom endast cirka 3 miljarder parametrar är aktiva per token. OpenBMB:s hela budskap är att de inaktiva experterna kan strömmas från lagring i stället för att hållas i minnet, med hjälp av Lookahead Expert Scheduling för att förhämta de experter som nästa lager sannolikt behöver, plus lagervis kvantisering och DSpark spekulativ avkodning. Tillverkarens påstående är 13 eller fler tokens per sekund på en iPhone 17 Pro Max med cirka 3 GB minne. Ingen oberoende part har reproducerat det, och påståendet beror på att alla tre teknikerna fungerar tillsammans snarare än någon enskild av dem.

1B-modellen förändrar ekonomiskt sett allt: 3,1 GB i BF16, cirka 0,67 GB som en Q4_K_M-GGUF, vilket är anledningen till att esp32-eye-kattmonitorn kan köra den på en MacBook som en grind som utlöses högst var 1,5 sekund. Samma bygge visade att 1B var opålitlig när det gällde att skilja fyra liknande katter åt, så den är en närvarodetektor snarare än en finkornig igenkännare – en användbar gräns för den som planerar att använda den som en billig klassificerare.

Enkelt uttryckt: WeVisOne köper geometri med 9,66 GB och en GPU. MiniCPM köper läsning med 70 GB eller 3 GB beroende på vilken storlek man väljer, och en runtime i telefonklass om OpenBMB:s påståenden om schemaläggning stämmer.

Vad går sönder i produktion?

WeVisOnes felmoder är dokumenterade och specifika. Alphas kvalitet försämras vid fina gränser, kraftig ocklusion och genuint transparenta material. Modellen är känslig för promptformuleringar, så "kvinnans hår" och "hennes hår" garanteras inte ge samma matte. Den kan inte ta video, den har inget kedjetänkande, så det finns inget sätt att be den resonera kring en tvetydig fråga innan den låser sig vid en box, och dess avvisningsbeteende har en svag punkt som artikelns rubriknummer döljer: 96,4 procent på WeRef-Bench men omkring 52,6 procent på PR-Bench. En komponent som avvisar frånvarande mål för det mesta är användbar; en som avvisar dem hälften av tiden i en annan distribution behöver en skyddsmekanism.

MiniCPM-V 4.7:s felmoder är generalistens: den beskriver en bild flytande vare sig beskrivningen är förankrad eller inte, och det finns ingen avvisningskanal överhuvudtaget. Inget i kortet talar om för dig när modellen inte vet. För en läsare är det tolerabelt — en människa läser stycket. För en pipeline som behöver en box är det diskvalificerande, eftersom du skulle tolka prosa till koordinater och hoppas på det bästa.

Om det du behöver är en hostad allmän visionsmodell den här veckan snarare än en självhostad specialist, finns ingen av dessa i OrcaRouters katalog, och det är värt att säga det före pitchen: den praktiska vägen är en allmän modell som är hostad och anropas med en nyckel för fler än 200 modeller med 0 % påslag på leverantörernas listpriser, med automatisk failover om en uppströms slutpunkt strular. Det ger dig en fungerande pipeline; det ger dig inte alpha-mattor, och det är en annan produkt än någon av de två modellerna som den här sidan handlar om.

Att välja mellan dem

Välj WeVisOne-VL-4B om din utdata är geometri: räkna objekt på en butikshylla, klippa ut en produkt ur ett foto, markera en region för en användare, eller vägra när saken inte finns där. Matting-siffran är verkligen ovanlig, avvisningskanalen är en riktig teknisk funktion, och 9,66 GB är priset för en komponent som returnerar något som ett program kan använda.

Välj MiniCPM-V 4.7 35B-A3B om ditt mål är förståelse: en lång PDF, en dashboard, en video, en sida med blandad text och figurer. Välj 1B om du behöver en billig grind framför något dyrare, och be den inte att skilja två liknande katter åt.

Jämförelsen som faktiskt skulle avgöra saken finns ännu inte: ett oberoende testramverk som kör båda modellerna på samma detektions- och OCR-datauppsättning, med samma bildbudget. Tills någon publicerar det är den försvarbara hållningen den tråkiga – de här modellerna gör olika jobb, leverantörstabellerna överlappar inte, och det enda tal som bör påverka ditt beslut är storleken på det du måste driftsätta.