WeVisOne-VL-4B vs MiniCPM-V 4.7 1B: Två motsatta satsningar på vad en visuell token är till för

MiniCPM-V 4.7 1B får 86,1 på OCRBench. WeVisOne-VL-4B får 52,0 på TotalText. Sätter man de två siffrorna bredvid varandra verkar 1B-modellen slå 4B-modellen med trettiofyra poäng på att läsa text – vilket skulle vara ett anmärkningsvärt resultat, och är också ett kategorifel. OCRBench mäter huruvida en modell kan transkribera tecknen i en bild. TotalText, såsom Tencent rapporterar det, mäter F1 för att lokalisera varje textinstans över IoU-trösklar från 0,5 till 0,95. Det ena är igenkänning, det andra är geometri. MiniCPM-V 4.7 1B och WeVisOne-VL-4B släpptes nio dagar ifrån varandra i oktober 2026, båda från kinesiska labb, båda Apache 2.0, och de har fundamentalt olika uppfattning om vad visuella tokens är till för: den ena komprimerar bort dem, den andra lägger dem på precision.

Den meningsskiljaktigheten är hela jämförelsen. Allt annat – parameterantal, minne, benchmark-rader – följer av den.

Kompression kontra precision

MiniCPM-V 4.7 1B ärver ett tidigt komprimeringsschema inom ViT från LLaVA-UHD v4 och exponerar det som en runtime-växel mellan 4× och 16× visuell tokenkomprimering. Poängen är att få plats med mer bild, och mer video, inom en fast budget: modellkortet uppger en kontext på 262 144 token, standard på 128 videoramar och ett 448×448-rutnätsschema med ett konfigurerbart antal skivor. Komprimera tidigt, håll sekvensen kort, och en 1B-modell kan titta på en lång video i en telefon.

WeVisOne-VL-4B gör den motsatta avvägningen. Dess utvärdering körs med upp till 1 960 visuella tokens per bild, och dess pixelavkodare arbetar på ViT-funktioner före sammanslagning och behåller därmed medvetet den högupplösta detalj som tidig komprimering kastar bort. Det är därför den kan producera en alfamatt i full upplösning med stride 1 och därför den inte alls kan bearbeta ett videorutnät: avkodaren avvisar det. Precision kostar tokens, och tokens kostar latens.

Ingen av satsningarna är fel. De är svar på olika frågor. MiniCPM frågar "hur mycket kan jag se på en gång på en telefon?" WeVisOne frågar "hur exakt kan jag beskriva var en sak finns?"

Storlekshistorien är märkligare än 1B mot 4B

• Parametrar – WeVisOne-VL-4B 4,83B tät mot MiniCPM-V 4.7 1B namngiven som 1B, trots att dess repository-metadata anger 2B i BF16

• Viktformat — F32 safetensors på ungefär 19 GB jämfört med BF16 på cirka 3,1 GB, eller 0,67 GB vid Q4_K_M plus en visionsprojektor på 0,90–1,11 GB

• Kontext – inte publicerat för WeVisOne-VL-4B vs 262 144 tokens på papperet för MiniCPM-V 4.7 1B

• Video – avvisas av pixelavkodaren jämfört med 128 bildrutor som standard

• Multimodal inmatning – en enskild bild per tur kontra bild och video

• Kvantisering – inga som levereras av leverantören jämfört med int4-, AWQ-, GPTQ-, GGUF- och FP8-varianter

• Körmiljöer på enheten – inga kontra iOS, Android, HarmonyOS, samt llama.cpp och Ollama

• Licens — Apache 2.0 för kod skriven av Tencent vs. Apache 2.0

Minnesraden är den som ger jämförelsen en ny inramning. En 1B-modell i fyra bitar får plats på under en gigabyte före visionsprojektorn; en 4,83B-modell i F32 behöver ungefär nitton. Dessa är inte konkurrenter om samma plats. Den ena är en komponent som du levererar inuti en applikation; den andra är en tjänst som du kör på en GPU.

Läsa benchmarkraderna utan att lura dig själv

Båda leverantörerna publicerade tabeller, och båda tabellerna är självselekterade. MiniCPM-V 4.7 1B rapporterar OCRBench 86.1, MathVista 74.3, CharXiv Reasoning 48.8, LongVideoBench 53.4 och MotionBench 54.55. WeVisOne-VL-4B rapporterar LVIS F1 medelvärde 55.3, RefCOCOg test 81.8, PixMo-Count test 89.6, TotalText F1 medelvärde 52.0, ReasonSeg val gIoU 71.2 och P3M-500-NP MAD 7.3. Inte en enda benchmark förekommer i båda listorna. Det finns inget försvarbart sätt att utse en vinnare utifrån dessa dokument, och varje artikel som gör det hittar på ett resultat.

Den rimliga tolkningen är snävare men fortfarande användbar. MiniCPM-V 4.7 1B är ovanligt stark på att resonera kring bilder för sin storlek – en 74,3 på MathVista från en modell som får plats i en telefon är det tal som författarna är stoltast över, och det är leverantörsrapporterat och inte reproducerat. WeVisOne-VL-4B är ovanligt stark på att producera geometri – masker, mattes, boxar och en uppmätt avböjningsfrekvens på 96,4 % på WeRef-Bench när objektet inte finns. MiniCPMs modellkort publicerar inget avböjningsmått, och WeVisOnes publicerar inget benchmark för resonemang. Varje modell är tyst precis där den andra är högljudd.

Vad var och en inte kan göra

WeVisOne-VL-4B kan inte titta på en video, kan inte föra en konversation i flera turer om en bild och kan inte köras på en telefon. Det finns ingen publicerad siffra för tokens per sekund och inga kvantiserade byggen, vilket innebär att den som driftsätter den förbinder sig till en GPU och till att själv benchmarka genomströmningen. Finjusteringskoden är fortfarande en okryssad ruta på projektets TODO-lista.

MiniCPM-V 4.7 1B kan inte returnera en mask eller en alpha-matte. Den kan tala om att en person finns i bilden och ungefär var; den ger dig inte en mjukt kantad utklippning. Den bär också de vanliga riskerna med en helt ny modellfamilj: en ny model_type i Transformers, ett minimikrav på version 5.18.0 och tidiga rapporter om att videodekodning bryts i vissa kombinationer av CUDA och torchcodec. Dess 262K-kontext är en siffra på papperet – efterträning har inte visats utnyttja den fullt ut.

Kostnaden för ett andra samtal

I praktiken är dessa två modeller inte utbytbara, och den intressanta arkitekturen använder båda: en liten, billig modell för att beskriva och resonera kring bilden, och en perceptionsmodell för att returnera geometrin. Det gör ett inferensanrop till två, vilket är där kostnaden slutar vara en fotnot.

OrcaRouters bidrag till den formen är det tråkiga som spelar roll – en enda nyckel över fler än 200 modeller, med leverantörens listpris vidarebefordrat med 0 % påslag och automatisk redundansväxling när en uppströms slutpunkt försämras. En leverantörsprissänkning på generalistsidan slår igenom på vår sida samma dag, eftersom det inte finns något påslagslager att uppdatera. Varken WeVisOne-VL-4B eller MiniCPM-V 4.7 1B finns i den katalogen i dag, så perceptionshalvan av pipelinen är fortfarande något du själv driftar. Det du undviker är ett andra avtal och en andra uppsättning autentiseringsuppgifter för den halva som är det.

Hur du skulle köra någon av dem

WeVisOne-VL-4B är den mer krävande installationen. Modellkortet dokumenterar Transformers, vLLM, SGLang och Docker Model Runner, men mask_decoder.pt är en nödvändig komponent: laddar du kontrollpunkten utan projektets inferenspaket får du boxar och text, inga masker. Avkodningen är girig vid upp till 1 960 visuella token per bild, och det finns ingen publicerad genomströmningssiffra, så det första du gör på din egen hårdvara är att mäta den.

MiniCPM-V 4.7 1B är den enklare. Den kräver Transformers 5.18.0 eller nyare, och ekosystemet kom med den – byggen för llama.cpp, Ollama, SGLang och vLLM, plus int4-, AWQ-, GPTQ- och FP8-kvantiseringar, samt en separat DSpark-utkastmodell med 213 miljoner parametrar för spekulativ avkodning. Om målet är en telefon, en Intel-box eller ett Rockchip-kort är det här vägen som är asfalterad.

Vilket vad man ska ta

Om begränsningen är enheten, välj MiniCPM-V 4.7 1B. Inget i WeVisOne-VL-4B är utformat för en telefon, och kvantiseringen, runtime-stödet och videohanteringen på MiniCPM-sidan är resultatet av ett labb som har levererat flera generationer av modeller för enheter.

Om begränsningen är utdata — du behöver masker, mattar, täta boxar för små objekt eller ett tillförlitligt svar på ”inte närvarande” — välj WeVisOne-VL-4B och budgetera för GPU:n. Förstå att du utgår från en två dagar gammal artikel utan oberoende utvärdering, och att matting-siffrorna är Tencents egna.

Om du behöver båda behöver du två modeller. Det är den ärliga slutsatsen, och det är den som båda leverantörernas egna benchmarktabeller stöder: de optimerade för olika saker och ingen av dem försökte slå den andra.