WeVisOne-VL-2B กับ MiniCPM-V 4.7 1B: ห่างกัน 0.45B แต่ทำงานคนละบทบาท

ชื่อชวนให้คิดว่ามีช่องว่างแบบสองต่อหนึ่ง แต่เช็กพอยต์ไม่ได้เป็นเช่นนั้น MiniCPM-V 4.7 1B มีพารามิเตอร์ 1,554,476,272 ตัวใน bfloat16 และ WeVisOne-VL-2B มีประมาณ 2 พันล้านตัว — ดังนั้นระยะห่างจริงระหว่างทั้งสองคือพารามิเตอร์ราว 0.45 พันล้านตัว ไม่ใช่หนึ่งพันล้านตัว ถ้าวางไว้บนดิสก์เดียวกัน ทั้งสองจะกินพื้นที่ใกล้เคียงกัน แต่พอให้ทำงานเดียวกัน ทั้งสองกลับทำได้ต่างกันโดยสิ้นเชิง เพราะ MiniCPM-V 4.7 1B ถูกสร้างมาเพื่ออ่านเอกสาร ดูวิดีโอ และสนทนาเกี่ยวกับสิ่งนั้น ส่วน WeVisOne-VL-2B ถูกสร้างมาเพื่อค้นหาวัตถุและส่งคืนมาสก์

ทั้งสองเป็น Apache 2.0 ทั้งคู่มีขนาดเล็กพอที่จะน่าสนใจสำหรับคนที่กำลังสร้างงานบน GPU เดียว ทั้งคู่เป็นรุ่นใหม่ — MiniCPM-V 4.7 1B อัปโหลดเมื่อ 6 ตุลาคม 2026 และลงวันที่ 12 ตุลาคมในบันทึกการเผยแพร่ของ OpenBMB ส่วน WeVisOne-VL-2B เมื่อ 22 ตุลาคม การผสมผสานระหว่างความคล้ายและความแตกต่างนี้เองที่ทำให้การจับคู่นี้คุ้มค่าที่จะเขียนถึงหนึ่งหน้า: สเปกหลักเกือบทุกอย่างใกล้เคียงกัน แต่การใช้งานจริงเกือบทุกอย่างกลับไม่ใกล้เคียงกัน

ก่อนอื่น ชื่อที่แก้ไขแล้ว

การตั้งชื่อของ OpenBMB ค่อนข้างหลวมในลักษณะที่ทำให้เกิดความสับสนในตารางเปรียบเทียบแล้ว โมเดลที่เรียกว่า 1B มีพารามิเตอร์ 1.55 พันล้านตัวตามข้อมูลเมทาดาทาของ safetensors ของตัวเอง ขณะที่เอกสารของผู้ขายระบุ 1.3B และ 1.38B ในจุดต่าง ๆ กัน บริบท 262,144 โทเคนเป็นของจริงและถูกกำหนดไว้ในคอนฟิกของโมเดล สถาปัตยกรรมเป็นแบ็กโบนข้อความ 24 เลเยอร์ ขนาดไฮเดน 1,024 ซึ่งพัฒนาต่อยอดมาจาก Qwen3.5 โดยมีรูปแบบอัตราส่วน 3:1 ระหว่าง attention แบบ linear กับแบบ full จับคู่กับ vision tower สไตล์ SigLIP2 จำนวน 27 เลเยอร์ที่ทำงานบนไทล์ขนาด 980 พิกเซล พร้อมด้วยโหมดบีบอัด visual token แบบ 4× หรือ 16× ที่เลือกได้ ซึ่งแลกความละเอียดกับต้นทุนต่อคำขอ

การตั้งชื่อของ Tencent กระชับกว่า WeVisOne-VL-2B เป็นโมเดลขนาด 2 พันล้านพารามิเตอร์ที่สร้างบน Qwen3-VL โดยมีตัวถอดรหัสพิกเซลแยกต่างหากจำนวน 9,511,460 พารามิเตอร์ ซึ่งการ์ดระบุว่าเป็น "องค์ประกอบหลักที่จำเป็น ไม่ใช่ส่วนเสริมแบบเลือกได้" ตัวถอดรหัสไม่ใช่รายละเอียดเล็กน้อยในเรื่องการนำไปใช้งาน: หากไม่มีมัน โมเดลจะสร้างเพียงกล่องและจุด และไม่มีเอาต์พุตมาสก์หรือแมตต์ใดๆ เลย

ดังนั้นกรอบความคิดที่ถูกต้องจึงไม่ใช่แบบเล็กกับแบบใหญ่ แต่เป็น 1.55B กับ 2B — ความแตกต่างของน้ำหนัก 29 เปอร์เซ็นต์ — พร้อมสัญญาเอาต์พุตที่แตกต่างกันโดยสิ้นเชิง

คำศัพท์มาตรฐานสองชุดที่ไม่เคยบรรจบกัน

นี่คือส่วนที่การเปรียบเทียบส่วนใหญ่ทำผิด จึงควรกล่าวไว้ก่อนที่ตัวเลขใด ๆ จะปรากฏ OpenBMB ประเมิน MiniCPM-V 4.7 1B บนเบนช์มาร์กมัลติโหมดทั่วไป: 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 และ MotionBench 54.55 ตัวเลขเหล่านี้เป็นตัวเลขที่ผู้ขายเป็นผู้รันเอง โดยนำเสนอเป็นแผนภูมิเป็นส่วนใหญ่ แทนที่จะเป็นตารางที่มีรายละเอียดของฮาร์เนส และยังไม่มีองค์กรอิสระใดทำซ้ำตัวเลขเหล่านี้ได้

Tencent ประเมิน WeVisOne-VL-2B บน benchmark ด้าน perception และไม่รายงานคะแนน multimodal ทั่วไปเลย ไม่มี MMMU, MMBench, MathVista, DocVQA และไม่มีผล captioning ที่ไหนเลยในตารางทั้ง 7 ตารางของมัน สิ่งที่รายงานแทนคือค่าที่เฉพาะเจาะจงตามงาน ได้แก่ detection F1, counting exact-match, pointing F1, OCR localization F1, segmentation cIoU และ matting error

จุดที่ขัดกันชัดที่สุดคือ OCR เพราะทั้งสองโมเดลอ้างว่าทำ OCR ได้ ค่า 86.1 ของ MiniCPM คือ OCRBench — คะแนนการถอดข้อความ ซึ่งถามว่าโมเดลอ่านตัวอักษรได้ถูกต้องหรือไม่ ส่วนตัวเลข OCR ของ WeVisOne คือ F1 ด้านการระบุตำแหน่งที่เกณฑ์ IoU 0.5: 62.1 บน SROIE, 42.6 บน ICDAR2015, 42.5 บน TotalText และ 30.5 บน HierText ซึ่งวัดว่าโมเดลวาดกรอบรอบข้อความได้ถูกต้องหรือไม่ โมเดลหนึ่งอาจเก่งมากในด้านหนึ่งและธรรมดาในอีกด้านหนึ่ง การพิมพ์ "86.1 กับ 62.1" จะเป็นการเปรียบเทียบแบบทดสอบสะกดคำกับแบบทดสอบชี้ตำแหน่ง

ไม่มีเบนช์มาร์กใดที่โมเดลทั้งสองรายงานตัวเลขซึ่งคำนวณด้วยวิธีเดียวกัน นั่นไม่ใช่การเล่นสำนวน — มันคือข้อค้นพบสำคัญของการเปรียบเทียบนี้ และหมายความว่าอันดับใดก็ตามที่คุณเห็นของทั้งสองนี้ถูกประกอบขึ้นจากส่วนที่เทียบเคียงกันไม่ได้

262,144 โทเค็นซื้ออะไรได้ และ WeVisOne ไม่ยอมบอกอะไร

MiniCPM-V 4.7 1B เปิดตัวพร้อม{{1}}บริบทขนาด 262,144 โทเคน{{/1}} และ{{2}}เส้นทางวิดีโอที่รองรับสูงสุด 128 เฟรมโดยค่าเริ่มต้น{{/2}} โดยมีหนึ่งสไลซ์ต่อเฟรม นี่คือเครื่องสำหรับงานเอกสารและวิดีโอ: PDF ยาว ๆ การสแกนหลายหน้า ฟุตเทจหนึ่งนาที {{3}}สวิตช์บีบอัด 4× และ 16×{{/3}} มีไว้ก็เพราะการเก็บรายละเอียดภาพมากขนาดนั้นมีต้นทุนสูง และ {{4}}OpenBMB ให้คุณเลือกว่าจะเก็บรายละเอียดนั้นไว้มากน้อยเพียงใดต่อคำขอ{{/4}}

WeVisOne-VL-2B ไม่ได้เผยแพร่ความยาวบริบท การ์ดเงียบ ขั้นตอนการฝึกในเปเปอร์รันที่ 4,096 และ 8,192 โทเคน และการอนุมานจำกัดแต่ละภาพไว้ที่ 1,960 โทเคนภาพด้วยการถอดรหัสแบบ greedy ไม่มีสิ่งใดในนั้นเป็นหน้าต่างการดีพลอย และ Tencent ไม่ได้แสร้งทำเป็นว่ามี ส่วนมันยังปฏิเสธกริดวิดีโอโดยสิ้นเชิง — ตัวถอดรหัสพิกเซลรองรับเฉพาะภาพ เทิร์นเดียว ไม่มี chain-of-thought

ความไม่สมมาตรนั้นบอกคุณว่าแต่ละผู้ขายปรับแต่งมาเพื่อสิ่งใด OpenBMB ปรับแต่งมาเพื่อปริมาณอินพุตที่โมเดลหนึ่งตัวกลืนได้มากเพียงใด ส่วน Tencent ปรับแต่งมาเพื่อความแม่นยำที่โมเดลหนึ่งตัวชี้ไปยังสิ่งที่มันกลืนเข้าไปได้ แล้วจึงลากเส้นแบ่งที่เด็ดขาดรอบประเภทอินพุตเพื่อให้ตัวถอดรหัสคงความเรียบง่าย

แต่ละอันทำงานจริงที่ไหน

MiniCPM-V 4.7 1B มีขอบเขตการนำไปใช้งานที่กว้างกว่าอย่างมาก โดยรองรับ Transformers 5.18 ขึ้นไป, vLLM, SGLang, llama.cpp และ Ollama พร้อมบิลด์ GGUF, AWQ, GPTQ, FP8, bitsandbytes และ OpenVINO รวมถึงการรองรับ iOS, Android และ HarmonyOS และการรองรับชิปตั้งแต่แรกเปิดตัวจากผู้ผลิตที่รวมถึง Rockchip, Arm และ Apple OpenBMB ยังมีโมเดลร่าง DSpark แยกต่างหากขนาด 213 ล้านพารามิเตอร์สำหรับ speculative decoding

WeVisOne-VL-2B มีแพ็กเกจ GitHub ของตัวเอง มีเส้นทางผ่าน Transformers และมี vLLM กับ SGLang ระบุอยู่บนการ์ด ไม่มี GGUF ไม่มีบิลด์แบบควอนไทซ์ ไม่มี ONNX ไม่มีเรื่องของมือถือ และเอาต์พุตแบบ dense เป็น alpha matte ความละเอียดเต็มที่แบบ stride-1 ซึ่งหมายความว่าหน่วยความจำขยายตามภาพ ไม่ใช่ตามจำนวนพารามิเตอร์ — โมเดล 2B ที่ต้นทุนการถือไว้ต่ำ แต่ไม่ได้แปลว่าจะรันที่ 4K ได้ถูกเสมอไป

หากเป้าหมายของคุณคือโทรศัพท์ ส่วนนี้ก็เป็นการจบการเปรียบเทียบ MiniCPM ถูกสร้างขึ้นมาเพื่อข้อจำกัดนั้น และระบุไว้เช่นนั้นในรายการรูปแบบของมัน ส่วน WeVisOne ไม่ได้เป็นเช่นนั้น และไม่ได้อ้างว่าเป็น

จุดเดียวที่พวกเขาเสมอกัน: ใบอนุญาต

ทั้งสองใช้ Apache 2.0 ไม่มีเกณฑ์รายได้ ไม่มีข้อจำกัดขอบเขตการใช้งาน และไม่มีข้อตกลงเชิงพาณิชย์แยกต่างหาก ในหมวดหมู่ที่ Liquid AI ใช้สัญญาอนุญาตของตนเองซึ่งมีเพดานรายได้ และ Moondream ใช้สัญญาอนุญาตแบบ source-available ที่มีข้อกำหนดไม่ให้สิทธิ์ในการให้บริการโดยบุคคลที่สาม การมีโมเดลวิชัน Apache 2.0 สองตัวในขนาดนี้น่าสังเกต — นั่นหมายความว่าสัญญาอนุญาตไม่ใช่ตัวแปรชี้ขาดในที่นี้ ซึ่งผิดปกติพอที่จะพูดออกมาตรง ๆ

การที่ทั้งสองเสมอกันยังตัดเหตุผลที่พบบ่อยที่สุดที่ทีมต่างเลือกโมเดลที่เล็กกว่าออกไปด้วย หากทั้งสองผ่านการตรวจสอบทางกฎหมาย คุณกำลังเลือกจากความสามารถและการนำไปใช้งาน ไม่ใช่จากเงื่อนไข

การเลือกระหว่างพวกมัน

ถามว่าผลลัพธ์ถูกส่งไปป้อนให้อะไร หากมันป้อนให้คลังเอกสาร หน้าต่างแชต ดัชนีวิดีโอ หรือโมเดลภาษาปลายทาง MiniCPM-V 4.7 1B คือรูปแบบที่คุณต้องการ: มันสร้างข้อความได้ยาว รองรับอินพุตยาว และมาในรูปแบบที่รันบนฮาร์ดแวร์ระดับผู้บริโภคได้

หากมันป้อนเข้าสู่ไปป์ไลน์การคอมโพสิต ตัวแก้ไขภาพ งานทำความสะอาดแคตตาล็อก หรือการครอปบริเวณที่น่าสนใจ WeVisOne-VL-2B คือรูปแบบที่คุณต้องการ: บ็อกซ์ จุด มาสก์แบบไบนารี และอัลฟาแมตต์แบบต่อเนื่อง พร้อมพฤติกรรมการปฏิเสธที่สำคัญกว่าผลเบนช์มาร์กใด ๆ Tencent รายงานอัตราการปฏิเสธ 50.2% บน RefCOCOg สำหรับคำค้นหาวัตถุที่ไม่มีอยู่ เทียบกับ 0.5 และ 0.6 สำหรับโมเดลกราวด์ดิงเฉพาะทางสองตัวในตารางเดียวกัน หากภาพส่วนใหญ่ของคุณไม่มีสิ่งที่คุณกำลังมองหา ตัวเลขนั้นคือตัวเลขที่ช่วยคุณประหยัดเงิน

มีกรณีที่สามที่ทั้งสองทำงานร่วมกันมากกว่าแข่งขันกัน นั่นคือไปป์ไลน์เอกสารที่ MiniCPM อ่านหน้าเพจ และ WeVisOne ค้นหาภูมิภาค — ลายเซ็น ตราประทับ รูปสินค้า — ที่ขั้นตอนการอ่านจำเป็นต้องแยกออกมา นี่ไม่ใช่ปัญหาการกำหนดเส้นทางเท่าไรนัก หากแต่เป็นปัญหาการออกแบบไปป์ไลน์ และเป็นจุดที่ผลิตภัณฑ์ OrcaRouter มีประโยชน์อย่างแท้จริง而非แบบติดเพิ่มเข้าไป ทั้งสองโมเดลนี้ไม่ได้อยู่ในแคตตาล็อกของเรา ทั้งคู่โฮสต์เอง และเราจะไม่สื่อเป็นนัยเป็นอย่างอื่น สิ่งที่เรามอบให้คือครึ่งที่โฮสต์แล้ว: โมเดลมากกว่า 200 โมเดลภายใต้คีย์ API เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกกำไร การสลับสำรองอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง และการหลอมรวมโมเดล ซึ่งช่วยให้คณะโมเดลตอบคำถามเดียวกันร่วมกันได้ — มีประโยชน์เมื่อการถอดความกำลังจะเข้าสู่ฐานข้อมูลและคุณต้องการความเห็นที่สองก่อนที่ข้อมูลจะเข้าไป

ตัวเลขที่ต้องจำ

ไม่ใช่ 1B กับ 2B — แต่เป็น 1.55B กับ 2B การตั้งชื่อทำให้它們ดูเหมือนอยู่ในคลาสขนาดที่ต่างกัน และเช็กพอยต์ทำให้ดูเหมือนอยู่ใกล้กันมาก ทั้งสองความรู้สึกนั้นทำให้เข้าใจผิด สิ่งที่แยก MiniCPM-V 4.7 1B ออกจาก WeVisOne-VL-2B ไม่ใช่ขนาด สัญญาอนุญาต หรือแม้แต่ความใหม่ แต่คืออันหนึ่งคืนคำ tandis อีกอันคืนพิกเซล และไม่มีเบนช์มาร์กใดที่ผู้ขายทั้งสองรายเผยแพร่ที่จะนำมาลบกันแล้วบอกคุณได้ว่าตัวไหนทำสิ่งที่คุณต้องการได้ดีกว่า