MiniCPM-V 4.7 35B-A3B กับ UI-Mate-27B: ตัวหนึ่งอ่านหน้าจอ อีกตัวกดปุ่ม

ประโยคแรกที่ตรงไปตรงมาเกี่ยวกับ MiniCPM-V 4.7 35B-A3B เมื่อเทียบกับ UI-Mate-27B คือพวกมันไม่ใช่คู่แข่งกัน ทั้งคู่ถูกอัปโหลดขึ้น Hugging Face โดยไม่มีการประกาศ ทั้งคู่มีสัญญาอนุญาตแบบเปิดกว้าง ทั้งคู่ถูกฝึกบนโครงข่ายหลักตระกูล Qwen และทั้งคู่ถูกอธิบายไว้ในเอกสารของตัวเองว่ามีความสามารถสูงในการเข้าใจสิ่งที่อยู่บนหน้าจอ — ซึ่งเป็นเหตุผลที่ทำให้พวกมันถูกจัดไว้ด้วยกัน แต่ตัวหนึ่งเป็นโมเดลภาพ-ภาษาทั่วไปที่อ่านภาพแล้วตอบเป็นข้อความ ส่วนอีกตัวเป็นเอเจนต์ GUI ที่อ่านภาพหน้าจอแล้วส่งการกระทำของเมาส์และคีย์บอร์ดที่เข้ากันได้กับ pyautogui MiniCPM-V 4.7 35B-A3B บอกคุณได้ว่ากล่องโต้ตอบบอกว่าอะไร UI-Mate-27B ปิดมันได้ ทุกอย่างอื่นในการเปรียบเทียบนี้เป็นผลสืบเนื่องมาจากความแตกต่างเพียงหนึ่งเดียวนั้น และคำถามที่มีประโยชน์ไม่ใช่ว่าโมเดลไหนชนะ — แต่คือครึ่งไหนของงานที่คุณกำลังขาด

ทั้งสองก็ยังอยู่ในช่วงเริ่มต้นเช่นกัน UI-Mate-27B เปิดตัวเมื่อวันที่ 14 สิงหาคม 2026 พร้อมเปเปอร์ที่ตามมาอีกสองวัน และไม่มีโพสต์เปิดตัวจากทางแล็บ ตอนที่เรานำเสนอครั้งแรก มันมียอดดาวน์โหลดเป็นศูนย์บน Hugging Face และยังไม่มี hosted API ที่ไหนเลย MiniCPM-V 4.7 มาถึงเมื่อวันที่ 6 ตุลาคม โดยไม่มี model card เลย และ OpenBMB ไม่ได้เผยแพร่ model card แท็กสัญญาอนุญาต หรือส่วนข้ออ้างใด ๆ จนกระทั่งวันที่ 12 ตุลาคม ทั้งคู่ยังไม่ได้รับการประเมินอย่างอิสระ ตัวเลขประสิทธิภาพทุกตัวในบทความนี้มีป้ายกำกับว่าใครเป็นผู้รายงาน และในทั้งสองกรณีนั้นคือแล็บของโมเดลเอง

ร่างกายเดียวกัน งานสองอย่างที่ต่างกัน

เริ่มจากสิ่งที่ทำให้การจับคู่นี้รู้สึกเป็นธรรมชาติ ทั้งคู่เป็นโมเดลมัลติโมดัลแบบโอเพนเวตขนาดกลางถึงใหญ่ที่มีสัญญาอนุญาต Apache-2.0 ทั้งคู่อยู่บนสายพันธุ์ต้นทางเดียวกัน — UI-Mate-27B ถูกไฟน์จูนมาจาก Qwen3.6-27B และสแตกภาษาของ MiniCPM-V 4.7 35B-A3B เป็น sparse MoE ในตระกูล Qwen3.5 ทั้งคู่มุ่งเป้าไปที่พื้นที่การใช้งานกว้างๆ เดียวกัน ทั้งหน้าจอ เอกสาร และสถานะแอปพลิเคชัน และทั้งคู่ก็เปิดตัวสู่ความเงียบ

จากนั้นดูว่าสิ่งที่แต่ละตัวส่งออกคืออะไร MiniCPM-V 4.7 ส่งคืนโทเค็นข้อความ UI-Mate-27B ส่งคืนการกระทำที่มีโครงสร้าง — การคลิก การกดแป้น การเลื่อน การรอ สัญญาณว่างานเสร็จสมบูรณ์ — ในพื้นที่พิกัด 1000×1000 ที่นอร์มัลไลซ์ไว้ ซึ่งเอเจนต์อ้างอิงจะปรับสเกลกลับเป็นความละเอียดภาพหน้าจอจริง เพื่อให้คำคาดการณ์ยังคงใช้ได้แม้มีความแตกต่างด้านการปรับสเกลการแสดงผลระหว่างเครื่อง การ์ดโมเดลระบุชัดเจนว่า UI-Mate เป็น "เช็กพอยต์ของเอเจนต์มากกว่าเป็นโมเดลแชตแบบเห็นภาพที่ใช้เดี่ยว ๆ" และควรใช้ฮาร์เนสที่แนบมาด้วยกับงานจริงใด ๆ

ความแตกต่างนี้เป็นตัวตัดสินการใช้งานจริงส่วนใหญ่ ถ้า pipeline ของคุณคือ "อ่านภาพหน้าจอนี้แล้วบอกฉันว่ามันผิดตรงไหน" VLM ทั่วไปคือเครื่องมือที่ใช่ และเอเจนต์ก็เกินความจำเป็นพร้อมโหมดความล้มเหลวที่แย่กว่า ถ้า pipeline ของคุณคือ "ทำให้แอปพลิเคชันทำสิ่งนั้น" การใช้ VLM เพียงอย่างเดียวจะทิ้งให้คุณต้องเขียนชั้นการกระทำทั้งหมดด้วยตัวเอง — การแมปพิกัด การแยกวิเคราะห์การกระทำ การกู้คืนจากข้อผิดพลาด ตรรกะการลองใหม่ — ซึ่งเป็นส่วนที่ UI-Mate ทุ่มงบประมาณการเรียนรู้แบบเสริมกำลังไป

MiniCPM-V 4.7 35B-A3B คืออะไร ณ ตอนนี้

MoE ตัวแรกของ OpenBMB ในซีรีส์ MiniCPM-V: ผู้เชี่ยวชาญ 256 ราย โดยเปิดใช้งาน 8 รายต่อโทเค็นใน 40 เลเยอร์ หน้าต่างบริบท 262,144 โทเค็น และคลังคำศัพท์ 248,144 โทเค็น หรือพารามิเตอร์ที่ใช้งานจริงราว 3B จากทั้งหมด 35.2B การประมวลผลภาพทำงานผ่านโมดูล SigLIP2 ด้วยการบีบอัดช่วงต้นภายใน ViT ของ LLaVA-UHD v4 และโหมดบีบอัดโทเค็นภาพแบบผสม 4x/16x ที่เลือกได้ — ค่าเริ่มต้นคือ 16x เพื่อประสิทธิภาพในการประมวลผล และ 4x เมื่อต้องการรายละเอียดปลีกย่อย มันเข้าใจภาพเดี่ยว ชุดภาพหลายภาพ และวิดีโอ แล้วส่งคืนข้อความ

ข้อกล่าวอ้างหลักของการ์ดคือ นี่คือโมเดล MoE โอเพนซอร์สตัวแรกที่มีการอนุมานบนอุปกรณ์ที่ไร้การสูญเสียและราบรื่น — Lookahead Expert Scheduling, การควอนไทซ์แบบละเอียดระดับเลเยอร์ และการสุ่มตัวอย่างเชิงคาดการณ์ผ่านดราฟต์ DSpark แยกต่างหาก — โดยรายงานว่ามีอัตรา 13+ โทเค็นต่อวินาทีบน iPhone 17 Pro Max ตัวเลขนั้นเป็นข้อมูลที่ผู้ขายรายงาน ไม่ได้ทำซ้ำ และไม่ได้รับการรับรอง ข้อกล่าวอ้างที่สอง ที่ว่าโมเดลนี้เอาชนะคะแนนโหมด Instruct โดยรวมของ Qwen3.6 35B-A3B ได้ในเวลาการอนุมานที่น้อยกว่า ถูกแสดงอยู่ในรูปภาพแผนภูมิแทนที่จะเป็นตาราง จึงไม่สามารถอ้างเป็นตัวเลขได้

สิ่งที่เป็นรูปธรรมคือการกระจาย มีเวต Base, FP8, int4, AWQ, GPTQ และ GGUF อยู่ทั้งหมด รองรับ SGLang, vLLM, llama.cpp, Ollama และ OpenVINO มีแอปสำหรับ iOS, Android และ HarmonyOS มีรายชื่อ Rockchip, Houmo, Intel, AMD และ Arm สำหรับการรองรับซิลิคอนตั้งแต่วันแรก และการ์ดได้จัดทำเอกสารเกี่ยวกับการเรียกใช้เครื่องมือ พร้อมตัวอย่างการเรียกใช้ฟังก์ชันที่ทำไว้ในส่วนการให้บริการ รายละเอียดสุดท้ายนี้สำคัญสำหรับการเปรียบเทียบนี้: MiniCPM-V 4.7 สามารถเป็นชั้นการรับรู้และการให้เหตุผลภายในเอเจนต์ที่คุณสร้างขึ้นได้ แม้ว่ามันจะไม่ลงมือทำด้วยตัวเอง

UI-Mate-27B คืออะไร ณ ตอนนี้

เอเจนต์ GUI พื้นฐานขนาด 27 พันล้านพารามิเตอร์ของผู้จำหน่าย เปิดตัวเมื่อวันที่ 14 สิงหาคม 2026 พร้อมกับคู่หูขนาด 9B และตัวแปรที่แนะแนวด้วยการสาธิตชื่อ UI-Mate-democua-27B การฝึกประกอบด้วยการปรับละเอียดแบบมีผู้สอน ตามด้วยการเรียนรู้แบบเสริมกำลังออนไลน์ในสภาพแวดล้อม GUI ที่รันได้ — โมเดลเรียนรู้จากการควบคุมเดสก์ท็อปจริง ไม่ใช่จากภาพหน้าจอแบบนิ่ง พื้นที่การกระทำของมันครอบคลุมเมาส์ คีย์บอร์ด การเลื่อน การรอ การโต้ตอบของผู้ใช้ และสัญญาณการเสร็จสิ้น และการกระทำที่ส่งออกนั้นเข้ากันได้กับ pyautogui ดังนั้นฮาร์เนสจึงสามารถรันการกระทำเหล่านั้นได้โดยตรง

ความแตกต่างที่ผู้ขายใช้เป็นจุดขายคือการทำงานที่นำทางด้วยการสาธิต: บันทึกเวิร์กโฟลว์เพียงครั้งเดียว แล้วเอเจนต์จะปรับให้เข้ากับหน้าจอปัจจุบัน โดยถือว่าภาพหน้าจอสดเป็นข้อมูลอ้างอิงที่เชื่อถือได้ มากกว่าการเล่นสคริปต์ตายตัวซ้ำ เอกสารประกอบนั้นครบถ้วนอย่างผิดปกติสำหรับการเปิดตัวแบบเงียบ — หน้าโปรเจกต์ที่มีวิดีโอเดโมและแอป macOS Apple Silicon, ที่เก็บ GitHub ที่มีพรอมต์อย่างเป็นทางการ ตัวแยกวิเคราะห์การตอบสนอง และชุดเครื่องมือสำหรับการโต้ตอบ และ arXiv preprint 2608.15930 ที่ส่งสองวันหลังจากน้ำหนักโมเดลเปิดให้ใช้งาน

ตัวเลขพาดหัวคือคะแนน WindowsAgentArena ที่ผู้ขายรายงานไว้ 66.2 และ OSWorld-Verified 77.0 ซึ่งหากยังคงเป็นเช่นนี้ ก็จะอยู่บนสุดของสิ่งที่เคยเผยแพร่บนเบนช์มาร์กนั้นในปีนี้ พวกมันยังไม่ถูกทำซ้ำโดยใครก็ตามนอกแล็บ และภาพการดีพลอยยังบางเฉียบในแบบที่การเปิดตัวเอเจนต์ระยะแรกมักเป็น: ไม่มี API แบบโฮสต์ เส้นทางการให้บริการที่แนะนำคือ vLLM หลังเอนด์พอยต์ที่เข้ากันได้กับ OpenAI และคำแนะนำอย่างตั้งใจให้ใช้ฮาร์เนสแทนการเรียกเช็กพอยต์แบบดิบ

แปดมิติ ทั้งสองด้าน

• เอาต์พุต — ข้อความ จาก MiniCPM-V 4.7 35B-A3B; การกระทำที่มีโครงสร้างและเข้ากันได้กับ pyautogui จาก UI-Mate-27B

• อินพุต — ข้อความ รูปภาพ และวิดีโอ เทียบกับสกรีนช็อตสดพร้อมคำสั่ง ทั้งสองแบบไม่รับเสียง

• โมเดลฐาน — sparse MoE ตระกูล Qwen3.5 สำหรับโมเดล MiniCPM, Qwen3.6-27B สำหรับ UI-Mate

• ขนาดและรูปร่าง — รวม 35.2B โดยมี 3B ที่ทำงานอยู่ทั่วผู้เชี่ยวชาญ 256 ตัว; 27B แบบ dense ตัว sparse ถูกกว่าต่อโทเคน ส่วนตัว dense ให้บริการได้ง่ายกว่า

• บริบท — 262,144 โทเค็น เทียบกับค่าเริ่มต้นที่เก็บภาพหน้าจอไว้ห้าภาพ ซึ่งเป็นความแตกต่างเชิงสถาปัตยกรรมที่ใหญ่ที่สุดเพียงข้อเดียวระหว่างทั้งสอง และเป็นเหตุผลที่ตัวหนึ่งสามารถอ่านชุดเอกสารยาว ๆ ได้ แต่อีกตัวหนึ่งทำไม่ได้

• สัญญาอนุญาต — ทั้งคู่ใช้ Apache-2.0 ซึ่งทำให้การเลือกครั้งนี้เป็นเรื่องทางเทคนิคมากกว่าเรื่องทางกฎหมาย ซึ่งถือว่าต่างจากปกติ

• ข้อกล่าวอ้างในพาดหัวข่าว ทั้งคู่เป็นข้อมูลที่ผู้ขายรายงานเอง — 13+ โทเคนต่อวินาทีบน iPhone 17 Pro Max เทียบกับ WindowsAgentArena 66.2 และ OSWorld-Verified 77.0 เป็นเบนช์มาร์กที่แตกต่างกัน ไม่มีสเกลร่วมกัน และยังไม่มีการทำซ้ำผลลัพธ์ทั้งสอง

• พร้อมใช้งานแล้ววันนี้ — รูปแบบควอนไทเซชันหกแบบ รันไทม์ห้าตัว และแอปมือถือ เทียบกับยอดดาวน์โหลดเป็นศูนย์ในการรายงานครั้งแรก ไม่มี API แบบโฮสต์ และมีฮาร์เนสที่ผู้ขายแนะนำให้คุณใช้

ในจุดที่มันทับซ้อนกันจริงๆ

มีงานหนึ่งอย่างที่ทั้งสองสามารถลองทำได้: การเข้าใจภาพหน้าจอ UI ได้ดีพอที่จะตอบคำถามเกี่ยวกับมัน ถามว่า "ฟิลด์ใดล้มเหลวในการตรวจสอบความถูกต้อง" และทั้งสองโมเดลก็สามารถตอบได้อย่างสมเหตุสมผล ถามว่า "แก้ไขมัน" และมีเพียง UI-Mate-27B เท่านั้นที่สร้างการดำเนินการ และเฉพาะเมื่อคุณได้ตั้งค่ากลไกไว้แล้ว — ลูปสกรีนช็อต ตัวแยกวิเคราะห์ ตัวดำเนินการ การปรับขนาดพิกัด และนโยบายการลองใหม่เมื่อการคลิกไปโดนที่ที่ไม่คาดคิด

การทับซ้อนแบบย้อนกลับนั้นอ่อนกว่าแต่ก็มีอยู่จริง การรองรับการเรียกใช้เครื่องมือของ MiniCPM-V 4.7 หมายความว่าคุณสามารถสร้างเอเจนต์โดยมีมันเป็นแกนกลางได้ — โดยให้การรับรู้และการวางแผนอยู่บนโมเดลวิชัน พร้อมกับเลเยอร์การกระทำของคุณเองที่ต่อเติมเข้ามาผ่านการเรียกฟังก์ชัน นั่นเป็นสถาปัตยกรรมที่สมเหตุสมผล และมอบการควบคุมเต็มรูปแบบเหนือพื้นที่การกระทำให้คุณ และพูดโดยประมาณแล้ว มันก็คือการประดิษฐ์สิ่งที่ UI-Mate ได้ลงทุนไปแล้วกับการเรียนรู้แบบเสริมกำลังขึ้นมาใหม่ โดยทำโดยไม่มีข้อมูลการฝึกเฉพาะ GUI ทีมต่างๆ จะได้ผลลัพธ์ที่ดีกว่าหากเลือกว่าจะเป็นเจ้าของเลเยอร์ใด มากกว่าจะเลือกจากว่าโมเดลใดดูเผินๆ แล้วเก่งกว่าในเรื่องภาพหน้าจอ

ให้บริการทั้งสอง และตำแหน่งที่เราเตอร์เหมาะสม

ไม่มีโมเดลใดถูกโฮสต์อยู่ที่ไหน รวมถึงที่นี่ด้วย — ทั้ง MiniCPM-V 4.7 35B-A3B และ UI-Mate-27B ต่างก็ไม่ปรากฏอยู่ในแคตตาล็อกของ OrcaRouter และไม่มีข้อความใดในบทความนี้ที่ควรตีความว่าเราเป็นผู้กำหนดเส้นทางให้โมเดลเหล่านี้ ทั้งสองเป็นเช็กพอยต์ที่คุณดาวน์โหลดและรันเอง และสำหรับ UI-Mate นั่นหมายถึงสองสิ่ง: น้ำหนักประมาณ 27B และเอนด์พอยต์ที่เข้ากันได้กับ OpenAI เพราะ README ของผู้จำหน่ายเองแนะนำให้เสิร์ฟด้วย vLLM และฮาร์เนสคาดหวัง base URL ที่เข้ากันได้

เอนด์พอยต์นั่นคือส่วนที่น่าสนใจสำหรับการวางแผนต้นทุน เพราะฮาร์เนสไม่สนว่าโมเดลใดจะเป็นตัวตอบ ขอเพียงให้เอนด์พอยต์ทำงานได้ตามที่ควร และ OrcaRouter รวมโมเดลที่โฮสต์ไว้กว่า 200 รุ่นไว้หลังคีย์เดียว ในราคาตามที่ผู้ให้บริการแต่ละรายประกาศ โดยเราไม่บวกกำไรเพิ่มเอง พร้อมการสลับไปยังเส้นทางของผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดข้อขัดข้อง ซึ่งทำให้มันเป็น base URL ที่เสียบใช้ได้ทันทีสำหรับฝั่งการวางแผนของเอเจนต์ และ DSL สำหรับกำหนดเส้นทางยังให้คุณประกอบโมเดลราคาถูกสำหรับขั้นตอนงานประจำเข้ากับโมเดลที่แข็งแกร่งกว่าสำหรับการตัดสินใจที่สำคัญไว้ในคำสั่งเดียว แทนที่จะต้องผสานถึงสองครั้ง รูปแบบโฮสต์ที่ใกล้เคียงกับโครงต้นทุนของโมเดล MiniCPM มากที่สุดคือ Qwen3.6 35B A3B — รวม 35B เปิดใช้งาน 3B คอนเท็กซ์ 262K — ในราคา 0.25 ดอลลาร์ต่ออินพุตหนึ่งล้านโทเคน และ 1.48 ดอลลาร์ต่อเอาต์พุตหนึ่งล้านโทเคน ส่วนสิ่งนั้นจะดีกว่าการโฮสต์ sparse MoE ขนาด 70 GB ด้วยตัวเองหรือไม่ เป็นคำถามที่คุณหาคำตอบได้ในบ่ายเดียว ซึ่งไม่จริงสำหรับโมเดลทั้งสองที่อยู่ในพาดหัวข่าว

คุณอยากได้อันไหน

เลือก UI-Mate-27B ถ้าคุณต้องการโมเดลที่ลงมือทำได้ — การทำงานอัตโนมัติบนเดสก์ท็อป, การแทนที่ RPA, เวิร์กโฟลว์แอปพลิเคชันระยะยาว — และถ้าคุณยอมรับข้อแลกเปลี่ยนที่มาพร้อมกัน: ผล benchmark ที่ผู้ขายรายงานเอง, ไม่มีการทำซ้ำอย่างอิสระ, ไม่มีช่องทางโฮสต์, และฮาร์เนสที่คุณต้องนำมาใช้มากกว่าจะตั้งคำถามกับมัน ข้อดีคือทุกอย่างเกี่ยวกับการเปิดตัวนี้มีเอกสารประกอบครบถ้วนอย่างผิดปกติ ตั้งแต่เปเปอร์ไปจนถึงพรอมป์ต์ไปจนถึงพาร์เซอร์ และรุ่นพี่น้อง 9B ให้โมเดลที่ถูกกว่าเพื่อใช้สร้างต้นแบบ

เลือก MiniCPM-V 4.7 35B-A3B ถ้าคุณต้องการความสามารถด้านการรับรู้ — เอกสารยาว ภาพหน้าจอจำนวนมาก วิดีโอ — และคุณพร้อมที่จะดูแลเลเยอร์การกระทำด้วยตัวเอง คุณจะได้สัญญาอนุญาตแบบเปิดกว้าง รูปแบบการควอนไทซ์หกแบบ รันไทม์ห้าตัว หน้าต่างบริบท 262K และแนวทางการนำไปใช้ระดับมือถือที่ยังไม่มีใครภายนอก OpenBMB ยืนยันได้

อะไรจะเปลี่ยนสิ่งนี้: การรัน OSWorld หรือ WindowsAgentArena ที่ทำซ้ำได้สำหรับ UI-Mate ซึ่งจะเปลี่ยนข้ออ้างหลักของมันจากการตลาดให้กลายเป็นการวัด; และตารางการประเมินสำหรับ MiniCPM-V 4.7 ซึ่งไม่มีอยู่เลย จนกว่าหนึ่งในนั้นจะมาถึง การตัดสินใจเป็นของแผนภาพสถาปัตยกรรมของคุณ มากกว่าที่จะเป็นของสกอร์บอร์ดใด — ตัวถอดรหัสหรือมือ และคุณควรรู้ว่าคุณขาดอันไหน