WeVisOne-VL-4B กับ MiniCPM-V 4.7 1B: การเดิมพันสองทิศทางที่ตรงข้ามกันเกี่ยวกับจุดประสงค์ของโทเค็นภาพ

MiniCPM-V 4.7 1B ทำคะแนน 86.1 บน OCRBench ส่วน WeVisOne-VL-4B ทำคะแนน 52.0 บน TotalText เอาตัวเลขสองตัวนี้มาเทียบกันแล้ว โมเดล 1B ดูเหมือนจะเอาชนะโมเดล 4B ได้ถึงสามสิบสี่คะแนนในการอ่านข้อความ ซึ่งจะเป็นผลลัพธ์ที่น่าทึ่ง และยังเป็นการเปรียบเทียบผิดประเภทอีกด้วย OCRBench วัดว่าโมเดลสามารถถอดอักขระในภาพได้หรือไม่ ส่วน TotalText ตามที่ Tencent รายงาน วัด F1 ในการระบุตำแหน่งของแต่ละอินสแตนซ์ข้อความข้ามเกณฑ์ IoU ตั้งแต่ 0.5 ถึง 0.95 อย่างหนึ่งคือการรู้จำ อีกอย่างคือเรขาคณิต MiniCPM-V 4.7 1B และ WeVisOne-VL-4B เปิดตัวห่างกันเก้าวันในเดือนตุลาคม 2026 ทั้งคู่มาจากห้องแล็บจีน ทั้งคู่ใช้ Apache 2.0 และทั้งสองเห็นต่างกันโดยพื้นฐานว่าโทเค็นภาพมีไว้เพื่ออะไร: ตัวหนึ่งบีบอัดมันทิ้งไป อีกตัวใช้มันไปกับความแม่นยำ

ความไม่ลงรอยกันนั้นคือการเปรียบเทียบทั้งหมด ส่วนอื่น ๆ ทั้งหมด — จำนวนพารามิเตอร์ หน่วยความจำ แถวผลเบนช์มาร์ก — ล้วนตามมาจากสิ่งนั้น

การบีบอัดเมื่อเทียบกับความแม่นยำ

MiniCPM-V 4.7 1B สืบทอดกลไกการบีบอัดภาพระยะแรกภายใน ViT จาก LLaVA-UHD v4 และเปิดให้ใช้งานเป็นสวิตช์ขณะรันระหว่างการบีบอัดโทเคนภาพแบบ 4× และ 16× จุดสำคัญคือการบรรจุภาพและวิดีโอให้ได้มากขึ้นภายในงบประมาณคงที่: การ์ดโมเดลระบุว่ามีบริบท 262,144 โทเคน ค่าเริ่มต้นที่ 128 เฟรมวิดีโอ และรูปแบบการแบ่งไทล์ 448×448 พร้อมจำนวนสไลซ์ที่กำหนดค่าได้ บีบอัดตั้งแต่เนิ่นๆ รักษาลำดับให้สั้น แล้วโมเดล 1B ก็สามารถดูวิดีโอยาวๆ บนโทรศัพท์ได้

WeVisOne-VL-4B เลือกแลกเปลี่ยนในทางตรงกันข้าม การประเมินของโมเดลทำงานที่สูงสุด 1,960 visual tokens ต่อภาพ และ pixel decoder ของมันทำงานบนคุณลักษณะ ViT ก่อนการรวม โดยจงใจคงรายละเอียดความละเอียดสูงที่การบีบอัดช่วงต้นทิ้งไป นั่นคือเหตุผลที่มันสามารถสร้าง alpha matte ความละเอียดเต็มที่ stride 1 และเป็นเหตุผลที่มันไม่สามารถประมวลผลวิดีโอแบบกริดได้เลย: decoder ปฏิเสธสิ่งนั้น ความแม่นยำมีต้นทุนเป็นโทเคน และโทเคนมีต้นทุนเป็นความหน่วง

การเดิมพันทั้งสองไม่ผิด ทั้งสองเป็นคำตอบสำหรับคำถามที่ต่างกัน MiniCPM ถามว่า “บนมือถือฉันมองเห็นได้มากแค่ไหนในครั้งเดียว?” WeVisOne ถามว่า “ฉันจะอธิบายได้แม่นยำแค่ไหนว่าสิ่งหนึ่งอยู่ที่ไหน?”

เรื่องราวเกี่ยวกับขนาดนั้นแปลกยิ่งกว่าการเปรียบเทียบ 1B กับ 4B

• พารามิเตอร์ — WeVisOne-VL-4B ขนาด 4.83B แบบ dense เทียบกับ MiniCPM-V 4.7 1B ที่ถูกตั้งชื่อว่า 1B แม้ว่า metadata ของ repository จะระบุว่าเป็น 2B ใน BF16

• รูปแบบน้ำหนัก — F32 safetensors ที่ประมาณ 19 GB เทียบกับ BF16 ที่ประมาณ 3.1 GB หรือ 0.67 GB ที่ Q4_K_M บวกกับ vision projector ขนาด 0.90–1.11 GB

• บริบท — ไม่ได้เผยแพร่สำหรับ WeVisOne-VL-4B เทียบกับ 262,144 โทเค็นตามเอกสารสำหรับ MiniCPM-V 4.7 1B

วิดีโอ — ถูกปฏิเสธโดยตัวถอดรหัสพิกเซล เทียบกับ 128 เฟรมตามค่าเริ่มต้น

• อินพุตแบบหลายรูปแบบ — รูปภาพเดียวต่อเทิร์น เทียบกับรูปภาพและวิดีโอ

• การควอนไทซ์ — ไม่มีเวอร์ชันที่ผู้จำหน่ายจัดส่งมา เมื่อเทียบกับตัวแปร int4, AWQ, GPTQ, GGUF และ FP8

• รันไทม์บนอุปกรณ์ — ไม่มีเลย เมื่อเทียบกับ iOS, Android, HarmonyOS พร้อมทั้ง llama.cpp และ Ollama

• สัญญาอนุญาต — Apache 2.0 สำหรับโค้ดที่เขียนโดย Tencent เทียบกับ Apache 2.0

แถวหน่วยความจำคือแถวที่เปลี่ยนกรอบการเปรียบเทียบใหม่ โมเดล 1B ที่สี่บิตใช้หน่วยความจำต่ำกว่าหนึ่งกิกะไบต์ก่อนถึง vision projector ส่วนโมเดล 4.83B ใน F32 ต้องใช้ประมาณสิบเก้ากิกะไบต์ สิ่งเหล่านี้ไม่ใช่คู่แข่งในสล็อตเดียวกัน อันหนึ่งเป็นคอมโพเนนต์ที่คุณจัดส่งภายในแอปพลิเคชัน ส่วนอีกอันเป็นบริการที่คุณรันบน GPU

อ่านแถวของ benchmark โดยไม่หลอกตัวเอง

ผู้ขายทั้งสองรายเผยแพร่ตาราง และทั้งสองตารางเป็นการเลือกข้อมูลมาเอง MiniCPM-V 4.7 1B รายงาน OCRBench 86.1, MathVista 74.3, CharXiv Reasoning 48.8, LongVideoBench 53.4 และ MotionBench 54.55 WeVisOne-VL-4B รายงาน LVIS F1 mean 55.3, RefCOCOg test 81.8, PixMo-Count test 89.6, TotalText F1 mean 52.0, ReasonSeg val gIoU 71.2 และ P3M-500-NP MAD 7.3 ไม่มีเกณฑ์วัดใดปรากฏในทั้งสองรายการเลย ไม่มีวิธีใดที่สมเหตุสมผลในการคำนวณหาผู้ชนะจากเอกสารเหล่านี้ และบทความใดที่ทำเช่นนั้นก็กำลังแต่งผลลัพธ์ขึ้นมา

การตีความอย่างเป็นธรรมนั้นแคบลงและยังมีประโยชน์ MiniCPM-V 4.7 1B แข็งแกร่งอย่างผิดปกติในการให้เหตุผลเกี่ยวกับภาพเมื่อเทียบกับขนาดของมัน — คะแนน 74.3 บน MathVista จากโมเดลที่ใส่ในโทรศัพท์ได้คือตัวเลขที่ผู้เขียนภาคภูมิใจที่สุด และเป็นตัวเลขที่ผู้ขายรายงานและยังไม่มีการทำซ้ำผล WeVisOne-VL-4B แข็งแกร่งอย่างผิดปกติในการสร้างเรขาคณิต — มาสก์ แมตต์ บ็อกซ์ และอัตราการปฏิเสธที่วัดได้ 96.4% บน WeRef-Bench เมื่อไม่มีวัตถุนั้นอยู่ การ์ดของ MiniCPM ไม่ได้เผยแพร่ตัวชี้วัดการปฏิเสธ และของ WeVisOne ไม่ได้เผยแพร่ benchmark การให้เหตุผล แต่ละโมเดลเงียบตรงจุดที่อีกโมเดลหนึ่งดัง

สิ่งที่แต่ละอันทำไม่ได้

WeVisOne-VL-4B ไม่สามารถดูวิดีโอ ไม่สามารถสนทนาหลายรอบเกี่ยวกับภาพ และไม่สามารถทำงานบนโทรศัพท์ได้ โดยไม่มีตัวเลขโทเคนต่อวินาทีที่เผยแพร่และไม่มีบิลด์แบบควอนไทซ์ ซึ่งหมายความว่าผู้ที่นำไปใช้งานจะต้องใช้ GPU และต้องทดสอบปริมาณงานด้วยตนเอง โค้ด fine-tuning ยังคงเป็นรายการที่ยังไม่ได้ทำเครื่องหมายในรายการ TODO ของโปรเจกต์

MiniCPM-V 4.7 1B ไม่สามารถส่งคืน mask หรือ alpha matte ได้ มันจะบอกคุณว่ามีคนอยู่ในภาพและอยู่บริเวณใดโดยประมาณ แต่มันจะไม่มอบภาพตัดขอบแบบขอบนุ่มให้คุณ ทั้งยังมีความเสี่ยงตามปกติของตระกูลโมเดลที่ใหม่เอี่ยมอีกด้วย: model_type ใหม่ใน Transformers ข้อกำหนดเวอร์ชันขั้นต่ำที่ 5.18.0 และรายงานเบื้องต้นเกี่ยวกับการถอดรหัสวิดีโอที่เสียหายในบางชุดค่าผสมของ CUDA และ torchcodec บริบท 262K ของมันเป็นเพียงตัวเลขบนกระดาษ — ยังไม่มีหลักฐานว่าการ post-training จะใช้ประโยชน์จากมันได้เต็มที่

ค่าใช้จ่ายของการโทรครั้งที่สอง

ในทางปฏิบัติ โมเดลสองตัวนี้ไม่ได้ใช้แทนกันได้ และสถาปัตยกรรมที่น่าสนใจก็ใช้ทั้งสองตัวร่วมกัน คือโมเดลขนาดเล็กที่ราคาถูกสำหรับอธิบายและให้เหตุผลเกี่ยวกับภาพ และโมเดลการรับรู้สำหรับส่งคืนค่าเรขาคณิต ซึ่งทำให้การเรียกอนุมานครั้งเดียวกลายเป็นสองครั้ง และนั่นคือจุดที่ต้นทุนไม่ใช่แค่เรื่องเล็ก ๆ ที่มองข้ามได้อีกต่อไป

สิ่งที่ OrcaRouter มีส่วนช่วยต่อรูปแบบนั้นคือเรื่องที่น่าเบื่อแต่สำคัญ — คีย์เดียวที่ใช้ได้กับมากกว่า 200 โมเดล โดยส่งต่อราคาตามรายการของผู้ให้บริการด้วยมาร์กอัป 0% และการสลับไปยังระบบสำรองอัตโนมัติเมื่อปลายทางต้นทางมีประสิทธิภาพลดลง การลดราคาของผู้ขายในฝั่งโมเดลอเนกประสงค์จะส่งมาถึงฝั่งเราในวันเดียวกัน เพราะไม่มีชั้นมาร์กอัปให้ต้องอัปเดต ปัจจุบันไม่มีทั้ง WeVisOne-VL-4B และ MiniCPM-V 4.7 1B อยู่ในแคตตาล็อกนั้น ดังนั้นครึ่งด้านการรับรู้ของไปป์ไลน์ยังคงเป็นสิ่งที่คุณต้องโฮสต์เอง สิ่งที่คุณหลีกเลี่ยงคือสัญญาฉบับที่สองและชุดข้อมูลรับรองชุดที่สองสำหรับครึ่งที่อยู่ในแคตตาล็อก

คุณจะรันตัวใดตัวหนึ่งอย่างไร

WeVisOne-VL-4B เป็นการติดตั้งที่ต้องการทรัพยากรมากกว่า การ์ดโมเดลระบุถึง Transformers, vLLM, SGLang และ Docker Model Runner แต่ mask_decoder.pt เป็นองค์ประกอบที่จำเป็น: หากโหลดเช็กพอยต์โดยไม่มีแพ็กเกจ inference ของโปรเจกต์ คุณจะได้เฉพาะกรอบและข้อความ แต่ไม่ได้มาสก์ การถอดรหัสเป็นแบบ greedy ที่สูงสุด 1,960 โทเคนภาพต่อภาพ และไม่มีตัวเลข throughput ที่เผยแพร่ ดังนั้นสิ่งแรกที่คุณจะทำบนฮาร์ดแวร์ของคุณเองคือวัดค่านั้น

MiniCPM-V 4.7 1B เป็นตัวที่ง่ายกว่า ต้องใช้ Transformers 5.18.0 หรือใหม่กว่า และระบบนิเวศก็มาพร้อมกับมัน ทั้งบิลด์ของ llama.cpp, Ollama, SGLang และ vLLM รวมถึงการควอนไทซ์แบบ int4, AWQ, GPTQ และ FP8 พร้อมโมเดล draft DSpark ขนาด 213M พารามิเตอร์แยกต่างหากสำหรับการถอดรหัสแบบ speculative หากเป้าหมายของคุณคือโทรศัพท์ เครื่อง Intel หรือบอร์ด Rockchip นี่คือเส้นทางที่มีถนนปูไว้แล้ว

ควรเลือกเดิมพันไหน

หากข้อจำกัดคือตัวเครื่อง ให้เลือก MiniCPM-V 4.7 1B ไม่มีส่วนใดของ WeVisOne-VL-4B ที่ถูกออกแบบมาสำหรับโทรศัพท์ และการควอนไทเซชัน การรองรับรันไทม์ และการจัดการวิดีโอฝั่ง MiniCPM ล้วนเป็นผลงานจากห้องแล็บที่ส่งออกโมเดลสำหรับใช้งานบนอุปกรณ์มาหลายรุ่นแล้ว

ถ้าข้อจำกัดคือผลลัพธ์ — คุณต้องการมาสก์, แมตต์, กรอบวัตถุขนาดเล็กแบบหนาแน่น หรือคำตอบ "ไม่มีอยู่" ที่เชื่อถือได้ — ให้เลือก WeVisOne-VL-4B และกันงบไว้สำหรับ GPU เข้าใจไว้ว่าคุณกำลังทำงานกับเปเปอร์ที่เพิ่งมีอายุได้สองวันโดยไม่มีการประเมินจากอิสระ และตัวเลขแมตติงเป็นของ Tencent เอง

หากคุณต้องการทั้งสองอย่าง คุณต้องใช้สองโมเดล นั่นคือข้อสรุปที่ตรงไปตรงมา และเป็นข้อสรุปที่ตาราง benchmark ของทั้งสองผู้ขายสนับสนุน: พวกเขาปรับแต่งมาเพื่อสิ่งที่แตกต่างกัน และไม่มีฝ่ายใดพยายามเอาชนะอีกฝ่าย