MiniCPM-V 4.7 เทียบกับ WeVisOne-VL-4B: ย่อหน้าหรือรูปหลายเหลี่ยม

วิธีที่เร็วที่สุดในการเลือกระหว่าง MiniCPM-V 4.7 กับ WeVisOne-VL-4B คือดูว่าทั้งสองให้ผลลัพธ์ออกมาอย่างไร WeVisOne-VL-4B คืนค่าพิกัด ได้แก่ กรอบที่ปรับให้เป็นมาตรฐานบนตารางพันจุด จุด มาสก์อินสแตนซ์ และอัลฟาแมตต์ความละเอียดเต็มที่ผลิตโดยตัวถอดรหัส 9.6 ล้านพารามิเตอร์ที่ต่อพ่วงกับแบ็กโบน Qwen3-VL ส่วน MiniCPM-V 4.7 คืนค่าเป็นประโยค หลายหน้ากระดาษ ในคอนเท็กซ์ 262,144 โทเคนที่จุวิดีโอได้ ตัวหนึ่งเป็นองค์ประกอบการรับรู้ที่คุณต่อเข้ากับไปป์ไลน์ อีกตัวเป็นเครื่องอ่านที่คุณถามคำถาม ทั้งคู่ใช้ Apache-2.0 ทั้งคู่มาจากห้องแล็บจีน ทั้งคู่เปิดตัวในเดือนตุลาคม 2026 โดยแทบไม่มีการรายงานข่าวจากสื่ออุตสาหกรรมภาษาอังกฤษเลย และทั้งสองแทบไม่อยู่ในหมวดหมู่ผลิตภัณฑ์เดียวกัน

ทั้งสองมาถึงด้วยวิธีที่แตกต่างกันมาก ทีม WeChat Vision ของ Tencent เปิดตัว WeVisOne-VL-4B บน Hugging Face และ GitHub เมื่อวันที่ 22 ตุลาคม 2026 พร้อมกับบทความ arXiv และรุ่นพี่น้องขนาด 2B โดยไม่มีโพสต์บล็อกและไม่มีข่าวประชาสัมพันธ์ OpenBMB อัปโหลด MiniCPM-V 4.7 เมื่อวันที่ 6 และ 7 ตุลาคม ระบุวันที่เผยแพร่เป็น 12 ตุลาคมในรีโพซิทอรีของตน และประกาศผ่านข่าวประชาสัมพันธ์ภาษาอังกฤษทาง PR Newswire เมื่อวันที่ 15 ตุลาคม ซึ่งได้รับการรายงานข่าวจากสื่อเฉพาะทางภาษาอังกฤษน้อยมากอย่างน่าประหลาดใจ ตัวหนึ่งมาถึงในฐานะรีโพซิทอรี ส่วนอีกตัวในฐานะรีโพซิทอรีบวกกับข่าวประชาสัมพันธ์ทางสายข่าว การเปรียบเทียบส่วนใหญ่ระหว่างทั้งสองเข้าใจหมวดหมู่ผิดก่อนที่จะเข้าใจตัวเลขผิด

สองคำตอบสำหรับคำถามเดียวกัน

WeVisOne-VL-4B เป็นโมเดลที่ผ่านการไฟน์ทูนจาก Qwen3-VL ซึ่งสร้างเรขาคณิตออกมาเป็นโทเคน กล่องและจุดถูกเข้ารหัสเป็นโทเคนทศนิยมตั้งแต่ 0 ถึง 1000 โดยปรับให้เป็นมาตรฐานเทียบกับภาพ และหลังจากแต่ละกล่องที่ทำนาย โมเดลจะสร้างโทเคนพิเศษหนึ่งตัวซึ่งสถานะซ่อน (hidden state) ของโทเคนนั้นถูกส่งไปยังตัวถอดรหัสมาสก์แยกต่างหาก ประกอบด้วยอะแดปเตอร์คุณลักษณะภาพ บล็อกครอสแอตเทนชันแบบดีฟอร์มเมเบิลหกบล็อก และเฮดแบบคาสเคดที่ปรับละเอียดที่สไตรด์สี่ สอง และหนึ่ง ผลลัพธ์คือมาสก์ระดับอินสแตนซ์ และสำหรับงานแมตติ้ง จะได้ช่องอัลฟาความละเอียดเต็ม ไม่มีโมเดลที่สองในลูปและไม่มีการเรียก SAM เส้นทางพิกเซลทั้งหมดมีพารามิเตอร์ไม่ถึงสิบล้านตัวที่แนบอยู่กับโมเดลภาษา มีขนาด 4.83 พันล้านพารามิเตอร์ใน bfloat16 ซึ่งการ์ดโมเดลปัดเป็น 5B และรับได้หนึ่งภาพต่อหนึ่งเทิร์น — กริดวิดีโอจะถูกตัวถอดรหัสพิกเซลปฏิเสธโดยตรง

MiniCPM-V 4.7 เป็นโมเดลอเนกประสงค์ที่มีสองขนาด ขนาด 35B-A3B เก็บพารามิเตอร์ 35.2 พันล้านตัวไว้ในผู้เชี่ยวชาญ 256 ตัว เลือกเส้นทางแปดตัวต่อโทเคนเพื่อให้มีพารามิเตอร์ที่ใช้งานจริงราว 3 พันล้านตัว และรองรับบริบท 262,144 โทเคนพร้อมอินพุตรูปภาพเดี่ยว รูปภาพหลายรูป และวิดีโอ ส่วนขนาด 1B เป็นโมเดลแบบ dense ที่มีพารามิเตอร์ 1.55 พันล้านตัว มีความยาวบริบทเท่ากัน และมีเช็กพอยต์ BF16 ขนาด 3.1 GB ทั้งสองใช้หอภาพ SigLIP2 จำนวน 27 ชั้นร่วมกัน พร้อมการบีบอัดโทเคนภาพแบบผสม 4× และ 16× ซึ่งเป็นกลไกที่ทำให้บริบทขนาดสองแสนห้าหมื่นโทเคนยังคงมีต้นทุนที่รับได้ ทั้งสองไม่มี primitive สำหรับการชี้ตำแหน่ง การตรวจจับ หรือการแบ่งส่วนภาพ คุณถามได้ทั้งสองรุ่นว่าวางแมวอยู่ที่ไหน และคุณจะได้คำอธิบายว่าวางแมวอยู่ที่ไหน

ความแตกต่างนั้นไม่ใช่แค่เรื่องผิวเผิน มันกำหนดว่าโค้ดปลายทางของคุณจะแยกวิเคราะห์ JSON หรือข้อความธรรมดา ว่าคำตอบที่ผิดพลาดจะล้มเหลวอย่าง loud หรือเงียบ ๆ และว่าโมเดลนั้นจะนำไปประกอบกับสิ่งอื่นได้หรือไม่โดยไม่ต้องมีโมเดลที่สองมาคอยแก้ไขผลลัพธ์ของมัน

ตัวเลข และข้อผิดพลาดเชิงหมวดหมู่ที่รออยู่ในนั้น

ตัวเลขทุกตัวด้านล่างนี้เป็นข้อมูลที่ผู้จำหน่ายรายงานเอง ข้อมูลของ Tencent มาจาก paper และ README โดยชุดการเปรียบเทียบถูกเลือกโดยผู้เขียน และไม่มีการทำซ้ำโดยบุคคลที่สาม ข้อมูลของ OpenBMB มาจากหน้ารุ่นโมเดลของผู้จำหน่าย ซึ่งเผยแพร่เป็นข้อความและภาพแผนภูมิแทนตารางตัวเลข ทั้งสองแล็บไม่มีคะแนนที่เป็นอิสระสำหรับโมเดลเหล่านี้บนฮาร์เนสร่วมกัน

• การตรวจจับ, LVIS F1 — WeVisOne-VL-4B 55.3 เทียบกับ baseline ที่ดีที่สุดที่ผู้เขียนระบุไว้ที่ 50.7 MiniCPM-V 4.7 ไม่ได้เผยแพร่ตัวเลขการตรวจจับ

• การตรวจจับแบบ Dense, F1 บน Dense200 — 71.3 สำหรับ WeVisOne เทียบกับ 58.7 ของ baseline ที่ดีที่สุด และ 15.2 สำหรับ Qwen3-VL-4B ที่ยังไม่ได้ปรับแต่ง แถวสุดท้ายนั้นเป็นสิ่งที่น่าสนใจที่สุดในบทความ: การ fine-tune คือสิ่งที่เปลี่ยนโมเดลทั่วไปให้กลายเป็นตัวระบุตำแหน่ง

• Referring, RefCOCOg test F1 — 81.8 สำหรับ WeVisOne-VL-4B เทียบกับ 77.6 สำหรับ baseline ที่แข็งแกร่งที่สุดที่ผู้เขียนระบุไว้ อัตราการปฏิเสธเมื่อคิวรีไม่มีเป้าหมายคือจุดที่คุณควรดูเป็นอันดับแรก: 67.4 เปอร์เซ็นต์บน RefCOCOg-Rej, 96.4 เปอร์เซ็นต์บน WeRef-Bench ภายในองค์กร และ 52.6 เปอร์เซ็นต์บน PR-Bench โมเดลเดียวกัน สามคำตอบที่แตกต่างกัน เพราะการกระจายตัวแตกต่างกัน

• การนับ, PixMo-Count — 89.6 เทียบกับ 82.8 การแบ่งส่วนภาพ, ReasonSeg val gIoU — 71.2 เทียบกับ 65.0

• การแมตติ้ง ค่าเฉลี่ยความแตกต่างสัมบูรณ์ของ P3M-500-NP — 7.3 เทียบกับ 15.4 โดยยิ่งต่ำยิ่งดี ซึ่งเป็นข้อผิดพลาดประมาณครึ่งหนึ่งของ baseline การแมตติ้งที่สร้างขึ้นโดยเฉพาะที่ดีที่สุดที่ผู้เขียนเปรียบเทียบด้วย

• การอ่าน, OCRBench — 91.2 สำหรับ MiniCPM-V 4.7 35B-A3B และ 86.1 สำหรับรุ่น 1B เทียบกับ TotalText F1 ที่ 52.0 สำหรับ WeVisOne-VL-4B

ประโยคสุดท้ายนั้นคือกับดัก OCRBench วัดการรู้จำข้อความ ส่วน TotalText F1 วัดการระบุตำแหน่งข้อความ การนำ 86.1 ไปวางข้าง 52.0 แล้วประกาศว่าชนะ 34 คะแนนถือเป็นความผิดพลาดเชิงประเภท และเป็นข้อผิดพลาดแบบที่ถูกคัดลอกต่อจากโพสต์เปรียบเทียบหนึ่งไปยังอีกโพสต์หนึ่ง ข้อความที่ซื่อตรงคือโมเดลทั้งสองไม่ได้ถูกทดสอบบนงานเดียวกัน และสิ่งเดียวที่ตัวเลขเหล่านี้ยืนยันได้คือ MiniCPM ถูกสร้างมาเพื่อถอดความ ส่วน WeVisOne ถูกสร้างมาเพื่อระบุตำแหน่ง

หน่วยความจำคือราคาที่แท้จริง

WeVisOne-VL-4B เป็น checkpoint แบบ bfloat16 ขนาด 9.66 GB ก่อนถึง mask decoder และ Tencent ไม่ได้จัดส่งตัวแปรแบบควอนไทซ์มาให้ ตัวเลข 19 GB บนการ์ดเปรียบเทียบคือ checkpoint เดียวกันที่แปลงเป็น F32 ซึ่งทำให้ขนาดเพิ่มเป็นสองเท่า ไม่ว่าจะทางใดก็ยังต้องใช้โค้ด inference แบบกำหนดเอง: mask_decoder.pt เป็นองค์ประกอบที่จำเป็น ไม่ใช่ส่วนเสริมแบบเลือกได้ และการโหลดด้วย Transformers มาตรฐานจะให้ bounding box และข้อความ แต่ไม่ได้ mask เส้นทางการให้บริการที่มีเอกสารระบุไว้คือแพ็กเกจ inference ของโปรเจกต์เอง ซึ่งห่อ backend แบบ Transformers หรือ backend แบบ vLLM ไว้ พร้อมเดโม Gradio; การถอดรหัสแบบ greedy และการจำกัด visual token 1,960 โทเคนต่อภาพคือการตั้งค่าสำหรับการประเมิน นี่คือบริการที่ใช้ GPU

MiniCPM-V 4.7 35B-A3B มีน้ำหนัก BF16 ประมาณ 70 GB กระจายอยู่บนสิบหกชาร์ด ซึ่งดูแย่กว่าในทางทฤษฎีแต่ดีกว่าในทางปฏิบัติ เพราะมีเพียงประมาณ 3 พันล้านพารามิเตอร์ที่ทำงานอยู่ต่อโทเคน ข้อเสนอหลักทั้งหมดของ OpenBMB คือผู้เชี่ยวชาญที่ไม่ได้ใช้งานสามารถสตรีมจากที่จัดเก็บแทนที่จะเก็บไว้ในหน่วยความจำ โดยใช้ Lookahead Expert Scheduling เพื่อดึงผู้เชี่ยวชาญที่เลเยอร์ถัดไปมีแนวโน้มจะต้องใช้ล่วงหน้า พร้อมกับการควอนไทซ์แบบแยกตามเลเยอร์และการถอดรหัสแบบคาดการณ์ของ DSpark ผู้ขายอ้างว่าทำได้ 13 โทเคนต่อวินาทีหรือมากกว่าบน iPhone 17 Pro Max โดยใช้หน่วยความจำประมาณ 3 GB ยังไม่มีใครที่เป็นอิสระสามารถทำซ้ำได้ และข้ออ้างนี้ขึ้นอยู่กับเทคนิคทั้งสามอย่างทำงานร่วมกัน ไม่ใช่เพียงอย่างใดอย่างหนึ่ง

โมเดล 1B เปลี่ยนเศรษฐศาสตร์ไปโดยสิ้นเชิง: 3.1 GB ที่ BF16 และประมาณ 0.67 GB ในรูปแบบ Q4_K_M GGUF ซึ่งเป็นเหตุผลที่ตัวตรวจแมว esp32-eye สามารถรันมันบน MacBook เป็นเกตที่ทำงานได้สูงสุดทุก 1.5 วินาที บิลด์เดียวกันพบว่า 1B ไม่น่าเชื่อถือในการแยกแมวที่คล้ายกันสี่ตัวออกจากกัน ดังนั้นมันจึงเป็นตัวตรวจจับการมีอยู่มากกว่าตัวจำแนกแบบละเอียด ซึ่งเป็นขอบเขตที่มีประโยชน์สำหรับใครก็ตามที่วางแผนจะใช้มันเป็นตัวจำแนกแบบราคาถูก

พูดตรงๆ ก็คือ WeVisOne ได้ความสามารถด้านเรขาคณิตมาแลกกับหน่วยความจำ 9.66 GB และ GPU หนึ่งตัว ส่วน MiniCPM ได้ความสามารถด้านการอ่านมาแลกกับ 70 GB หรือ 3 GB ขึ้นอยู่กับขนาดที่คุณเลือก และรันไทม์ระดับสมาร์ทโฟน หากคำกล่าวอ้างเรื่องการจัดตารางเวลาของ OpenBMB เป็นจริง

อะไรที่พังในโปรดักชัน

โหมดความล้มเหลวของ WeVisOne ได้รับการบันทึกไว้อย่างชัดเจนและเฉพาะเจาะจง คุณภาพของ Alpha ลดลงเมื่อเจอขอบเขตละเอียด การบดบังหนัก และวัสดุที่โปร่งใสจริง ๆ โมเดลไวต่อถ้อยคำในพรอมป์ต์ ดังนั้น "ผมของผู้หญิง" กับ "ผมของเธอ" ไม่รับประกันว่าจะให้แมตต์เดียวกัน มันไม่สามารถรับวิดีโอได้ และไม่มีการคิดเป็นลำดับขั้น จึงไม่มีทางขอให้มันใช้เหตุผลกับคำถามที่กำกวมก่อนตัดสินใจเลือกกรอบ และพฤติกรรมการปฏิเสธของมันมีจุดอ่อนที่ตัวเลขพาดหัวของเปเปอร์ปิดบังไว้: 96.4 เปอร์เซ็นต์บน WeRef-Bench แต่ราว 52.6 เปอร์เซ็นต์บน PR-Bench คอมโพเนนต์ที่ปฏิเสธเป้าหมายที่ไม่มีอยู่จริงได้เกือบตลอดเวลานั้นมีประโยชน์ แต่ตัวที่ปฏิเสธได้เพียงครึ่งหนึ่งบนการกระจายข้อมูลที่ต่างออกไปย่อมต้องมีตัวป้องกัน

โหมดความล้มเหลวของ MiniCPM-V 4.7 เป็นแบบเดียวกับโมเดลอเนกประสงค์ทั่วไป: มันจะบรรยายภาพได้อย่างคล่องแคล่วไม่ว่าคำบรรยายนั้นจะมีหลักฐานรองรับหรือไม่ และไม่มีช่องทางสำหรับการปฏิเสธเลย ไม่มีอะไรในการ์ดโมเดลที่บอกคุณได้ว่าเมื่อใดที่โมเดลไม่รู้ สำหรับผู้อ่านทั่วไปนั่นพอทนได้ — มนุษย์อ่านย่อหน้านั้นได้ สำหรับไปป์ไลน์ที่ต้องการกรอบ bounding box นั่นถือเป็นข้อตัดสิทธิ์ เพราะคุณจะต้องแปลงข้อความร้อยแก้วเป็นพิกัดและได้แต่หวัง

ถ้าสิ่งที่คุณต้องการในสัปดาห์นี้คือโมเดลวิชันทั่วไปแบบโฮสต์ ไม่ใช่โมเดลเฉพาะทางที่โฮสต์เอง ทั้งสองตัวนี้ไม่มีอยู่ในแคตตาล็อกของ OrcaRouter และควรบอกเรื่องนี้ไว้ก่อนนำเสนอ: เส้นทางที่ใช้ได้จริงคือโมเดลอเนกประสงค์แบบโฮสต์ ซึ่งเรียกใช้ผ่าน คีย์เดียวครอบคลุมกว่า 200 โมเดลที่มาร์กอัป 0% จากราคาตามรายการของผู้ให้บริการ พร้อมการสลับไปยังระบบสำรองอัตโนมัติหากปลายทางต้นทางเกิดสะดุด นั่นทำให้คุณได้ไปป์ไลน์ที่ใช้งานได้ แต่จะไม่ได้อัลฟาแมตต์ และเป็นผลิตภัณฑ์ที่แตกต่างจากโมเดลทั้งสองตัวที่หน้านี้กล่าวถึง

การเลือกระหว่างพวกมัน

เลือก WeVisOne-VL-4B หากผลลัพธ์ของคุณเป็นเรขาคณิต: การนับวัตถุบนชั้นวางสินค้าในร้านค้า การตัดสินค้าออกจากภาพ การไฮไลต์พื้นที่ให้ผู้ใช้ หรือการปฏิเสธเมื่อไม่มีสิ่งนั้นอยู่จริง ตัวเลข matting นั้นแปลกอย่างแท้จริง ช่องทางปฏิเสธเป็นคุณสมบัติทางวิศวกรรมจริง และ 9.66 GB คือราคาของคอมโพเนนต์ที่คืนค่าบางอย่างซึ่งโปรแกรมนำไปใช้ได้

เลือก MiniCPM-V 4.7 35B-A3B หากสิ่งที่คุณต้องการคือการทำความเข้าใจ เช่น PDF ยาว ๆ แดชบอร์ด วิดีโอ หรือหน้าที่มีทั้งข้อความและภาพผสมกัน เลือกเวอร์ชัน 1B หากคุณต้องการตัวกรองราคาถูกวางไว้หน้าสิ่งที่แพงกว่า และอย่าขอให้มันแยกแมวสองตัวที่หน้าตาคล้ายกันออกจากกัน

การเปรียบเทียบที่จะชี้ขาดเรื่องนี้ได้จริงยังไม่มีอยู่: ฮาร์เนสอิสระที่รันทั้งสองโมเดลบนชุดตรวจจับและ OCR ชุดเดียวกัน ด้วยงบภาพเท่ากัน จนกว่าจะมีใครเผยแพร่มัน จุดยืนที่ปกป้องได้คือจุดยืนที่น่าเบื่อ — โมเดลเหล่านี้ทำงานต่างกัน ตารางของผู้ขายไม่ทับซ้อนกัน และตัวเลขเดียวที่ควรมีผลต่อการตัดสินใจของคุณคือขนาดของสิ่งที่คุณต้องนำไปใช้งาน