WeVisOne-VL-2B vs MiniCPM-V 4.7 1B: 0,45B skillnad, olika uppgifter

Namnen antyder ett två-mot-ett-förhållande. Checkpointarna gör det inte. MiniCPM-V 4.7 1B levereras med 1 554 476 272 parametrar i bfloat16, och WeVisOne-VL-2B levereras med omkring 2 miljarder – så det verkliga avståndet mellan dem är ungefär 0,45 miljarder parametrar, inte en miljard. Lägg dem på samma disk och de tar upp jämförbar plats. Sätt dem på samma uppgift och de faller isär fullständigt, eftersom MiniCPM-V 4.7 1B byggdes för att läsa ett dokument, titta på en video och föra en konversation om det, medan WeVisOne-VL-2B byggdes för att hitta ett objekt och lämna tillbaka en mask.

Båda är Apache 2.0. Båda är tillräckligt små för att intressera någon som bygger på en enda GPU. Båda är nya – MiniCPM-V 4.7 1B laddades upp den 6 oktober 2026 och daterades till den 12 oktober i OpenBMB:s versionsinformation, WeVisOne-VL-2B den 22 oktober. Det är kombinationen av likhet och skillnad som gör att paret förtjänar en sida: nästan varje framträdande specifikation ligger nära, och nästan varje faktisk användning gör det inte.

Först, namnen, korrigerade

OpenBMB:s namngivning är lös på ett sätt som redan har skapat förvirring i jämförelsetabeller. Modellen som kallas 1B har 1,55 miljarder parametrar enligt sin egen safetensors-metadata; leverantörsmaterial har angett 1.3B och 1.38B på olika ställen. Kontexten på 262 144 token är verklig och är inställd i modellkonfigurationen. Arkitekturen är en textryggrad med 24 lager och 1024 dolda dimensioner som härstammar från Qwen3.5 med ett 3:1-mönster mellan linjär och full attention, parad med ett 27-lagers SigLIP2-liknande visionstorn som arbetar med 980-pixelsrutor, plus ett valbart 4×- eller 16×-komprimeringsläge för visuella token som byter detalj mot kostnad per förfrågan.

Tencents namngivning är stramare. WeVisOne-VL-2B är en modell med 2 miljarder parametrar som bygger på Qwen3-VL, med en separat pixelavkodare på 9 511 460 parametrar som kortet kallar "en nödvändig kärnkomponent, inte ett valfritt tillägg." Avkodaren är inte en obetydlig detalj i driftsättningssammanhanget: utan den producerar modellen boxar och punkter, och inga mask- eller matte-utdata existerar.

Så det korrekta sättet att se det är inte små kontra stora. Det är 1,55B kontra 2B – en skillnad i vikter på 29 procent – med helt olika utdatakontrakt.

Två benchmarkordlistor som aldrig möts

Det här är delen som de flesta jämförelser får fel på, så det är värt att säga innan någon siffra dyker upp. OpenBMB utvärderar MiniCPM-V 4.7 1B på allmänna multimodala riktmärken: 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 och MotionBench 54,55. Det är siffror som tagits fram av leverantören, mestadels presenterade som diagram i stället för som en tabell med information om testupplägget, och ingen oberoende instans har reproducerat dem.

Tencent utvärderar WeVisOne-VL-2B på perceptionsbenchmarks och rapporterar inga allmänna multimodala poäng alls. Det finns ingen MMMU, ingen MMBench, ingen MathVista, ingen DocVQA och inget bildtextningsresultat någonstans i dess sju tabeller. Det som rapporteras i stället är uppgiftsspecifikt: detektions-F1, exact-match för räkning, pointing-F1, OCR-lokaliserings-F1, segmenterings-cIoU och mattingfel.

Krocken är skarpast inom OCR, eftersom båda modellerna hävdar att de klarar det. MiniCPM:s 86,1 är OCRBench – en transkriptionspoäng som frågar om modellen läste tecknen korrekt. WeVisOnes OCR-siffror är lokaliserings-F1 vid en IoU-tröskel på 0,5: 62,1 på SROIE, 42,6 på ICDAR2015, 42,5 på TotalText och 30,5 på HierText, vilket mäter om modellen ritade rätt ruta runt texten. En modell kan vara utmärkt på det ena och medioker på det andra. Att skriva ut ”86,1 mot 62,1” vore att jämföra ett stavningstest med ett pektest.

Det finns ingen benchmark där båda modellerna rapporterar ett tal som beräknats på samma sätt. Det är inte en retorisk floskel – det är det centrala fyndet i den här jämförelsen, och det innebär att varje rangordning du ser av dessa två är sammansatt av inkommensurabla delar.

Vad 262 144 tokens köper, och vad WeVisOne inte vill säga

MiniCPM-V 4.7 1B publicerar en kontext på 262 144 token och en videobana som som standard tar emot upp till 128 bildrutor, med en skiva per bildruta. Det är en dokument- och videomaskin: långa PDF:er, flersidiga skanningar, en minut film. Omkopplaren för 4× och 16× komprimering finns just för att det är dyrt att hålla så mycket visuell detalj, och OpenBMB låter dig välja hur mycket av den som ska behållas per förfrågan.

WeVisOne-VL-2B publicerar ingen kontextlängd. Modellkortet säger inget; artikelns träningsfaser kördes vid 4 096 och 8 192 token, och inferensen begränsar varje bild till 1 960 visuella token med girig avkodning. Inget av detta är ett driftsättningsfönster, och Tencent låtsas inte att något är det. Den avvisar också videorutnät helt och hållet – pixelavkodaren är endast för bilder, en enda tur, ingen tankekedja.

Den asymmetrin säger dig vad varje leverantör optimerade för. OpenBMB optimerade för hur mycket indata en modell kan svälja. Tencent optimerade för hur exakt en modell kan peka på det den svalt, och drog sedan en hård gräns kring indatatypen för att hålla avkodaren enkel.

Var var och en faktiskt körs

MiniCPM-V 4.7 1B har med god marginal en bredare distributionsyta: Transformers 5.18 och senare, vLLM, SGLang, llama.cpp och Ollama, med byggen för GGUF, AWQ, GPTQ, FP8, bitsandbytes och OpenVINO, plus stöd för iOS, Android och HarmonyOS samt chipstöd från dag ett från en lista med leverantörer som omfattar Rockchip, Arm och Apple. OpenBMB levererar också en separat DSpark-utkastmodell med 213 miljoner parametrar för spekulativ avkodning.

WeVisOne-VL-2B har sitt eget GitHub-paket, en Transformers-väg och vLLM och SGLang listade på modellkortet. Ingen GGUF. Ingen kvantiserad build. Ingen ONNX. Ingen mobilstrategi. Och den täta utdatan är en stride-1-alfamatt i full upplösning, vilket innebär att minnet skalar med bilden snarare än med parameterantalet – en 2B-modell som är billig att hålla men inte nödvändigtvis billig att köra i 4K.

Om målet är en telefon avslutar det här avsnittet jämförelsen. MiniCPM byggdes för den begränsningen och säger det i sin lista över format. WeVisOne byggdes inte för det och gör inte anspråk på att vara det.

Det enda stället där de är lika: licensen.

Apache 2.0 på båda. Ingen intäktsgräns, ingen begränsning av användningsområde, inget separat kommersiellt avtal. I en kategori där Liquid AI använder sin egen intäktsbegränsade licens och Moondream använder en källkodstillgänglig licens med ett tillstånd som förbjuder tjänster från tredje part, är två Apache 2.0-visionmodeller i den här storleken värt att uppmärksamma — det betyder att licensen inte är den avgörande variabeln här, vilket är tillräckligt ovanligt för att sägas högt.

Oavgjort undanröjer också det vanligaste skälet till att team väljer den mindre modellen. Om båda klarar juridisk granskning väljer du utifrån kapacitet och driftsättning, inte utifrån villkor.

Att välja mellan dem

Fråga vad utdata ska mata. Om det matar ett dokumentlager, ett chattfönster, ett videoindex eller en nedströms språkmodell är MiniCPM-V 4.7 1B den form du vill ha: den producerar långa texter, den klarar lång indata och den levereras i format som körs på konsumenthårdvara.

Om den matar en compositing-pipeline, en bildredigerare, ett katalogstädningsjobb eller en beskärning av ett intresseområde, är WeVisOne-VL-2B den form du vill ha: boxar, punkter, binära masker och kontinuerliga alfamattor, plus ett avvisningsbeteende som betyder mer än något benchmark. Tencent rapporterar en avvisningsfrekvens på 50,2 på RefCOCOg för frågor om frånvarande objekt, jämfört med 0,5 och 0,6 för två specialiserade grounding-modeller i samma tabell. Om de flesta av dina bilder inte innehåller det du letar efter, är det den siffran som sparar dig pengar.

Det finns ett tredje fall där de samverkar i stället för att konkurrera: en dokumentpipeline där MiniCPM läser sidan och WeVisOne hittar det område – signaturen, stämpeln, produktfotot – som lässteget behöver isolera. Det är inte så mycket ett routingproblem som ett problem med pipelinedesign, och det är där OrcaRouter-produkten verkligen är användbar i stället för påklistrad. Ingen av dessa modeller finns i vår katalog; båda är egenhostade, och vi tänker inte antyda något annat. Det vi erbjuder är den hostade halvan: fler än 200 modeller bakom en enda API-nyckel till leverantörens listpris utan påslag, automatisk failover när en leverantörs prestanda försämras, och modellfusion, som låter en panel av modeller besvara samma fråga tillsammans – användbart när en transkription är på väg att hamna i en databas och du vill ha en andra åsikt innan den gör det.

Numret att komma ihåg

Inte 1B och 2B – 1,55B och 2B. Namngivningen får dem att framstå som olika viktklasser och checkpoints får dem att framstå som nära grannar, och båda intrycken är missvisande. Det som skiljer MiniCPM-V 4.7 1B från WeVisOne-VL-2B är inte storlek, licens eller ens hur nya de är. Det är att den ena returnerar ord och den andra returnerar pixlar, och ingen benchmark som någon av leverantörerna har publicerat kan subtraheras från den andra för att tala om vilken som är bättre på att vara det du behöver.