Một thẻ hero được tạo với tiêu đề 'MiniCPM-V 4.7 vs LLaDA-UI' cùng phụ đề 'Một chuyên gia đa dụng sẵn sàng cho điện thoại đối đầu với một tác tử GUI khuếch tán', thẻ bên trái ghi 'LLaDA-UI: MoE 16,7B, khuếch tán theo khối, tác tử GUI, ScreenSpot-Pro 52,9', thẻ bên phải ghi 'MiniCPM-V 4.7: MoE thưa 35,2B, tự hồi quy, Apache-2.0, không có bảng điểm', và một viên nhãn ghi 'Một chuyên gia đã được đo lường đối đầu với một chuyên gia đa dụng chưa được đo lường'. Logo OrcaRouter xuất hiện ở góc dưới bên phải.
Guides & Insights

MiniCPM-V 4.7 vs LLaDA-UI: Một mô hình tổng quát sẵn sàng cho điện thoại đối đầu với một tác nhân GUI khuếch tán

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Đặt MiniCPM-V 4.7 bên cạnh LLaDA-UI và khuôn khổ hiển nhiên — mô hình tổng quát đối đầu mô hình chuyên biệt — hóa ra lại là cách ít hữu ích nhất để diễn giải cuộc đối đầu này. MiniCPM-V 4.7, được OpenBMB lập tài liệu và cấp phép vào ngày 12 tháng 10 năm 2026, là một mô hình thị giác-ngôn ngữ mixture-of-experts thưa 35,2 tỷ tham số với toàn bộ lập luận xoay quanh hiệu quả: thẻ mô hình tuyên bố đạt hơn 13 token mỗi giây trên iPhone 17 Pro Max và vị thế hiệu năng trên mỗi thời gian suy luận tốt hơn Qwen3.6 35B-A3B. LLaDA-UI, tác nhân GUI mixture-of-experts khoảng 16,7 tỷ tham số của inclusionAI, là một loài hoàn toàn khác — nó hoàn toàn không sinh token từ trái sang phải, mà khử nhiễu cả một khối token cùng lúc. Câu hỏi mà một người xây dựng thực sự có thì hẹp hơn "cái nào tốt hơn": đó là cái nào trong hai mô hình này đã được đo lường trên chính công việc mà bạn đang tuyển dụng cho, và dựa trên bằng chứng nào.

Hai cơ sở bằng chứng này không phải là cùng một loại thứ.

Cả hai mô hình đều được nhà cung cấp đánh giá chuẩn và không mô hình nào được tái lập độc lập. Ngoài điểm đó, sự so sánh bắt đầu rẽ nhánh.

• MiniCPM-V 4.7 — phần đánh giá trong model card của nó gồm năm hình ảnh: hiệu năng thị giác-ngôn ngữ tổng thể, hiệu năng ngôn ngữ, biểu đồ của biến thể 1B, đồ thị biên hiệu năng so với thời gian suy luận, và so sánh tốc độ trên thiết bị. Phần văn xuôi đưa ra hai tuyên bố, cả hai đều mang tính so sánh chứ không phải tuyệt đối. Không có bảng điểm theo từng benchmark trong tài liệu công khai.

• LLaDA-UI — báo cáo kỹ thuật, bài báo arXiv và trang dự án đưa ra các benchmark được nêu tên cùng các baseline được nêu tên: ScreenSpot-Pro 52.9 so với 52.7 của Qwen3-VL-8B, AndroidWorld 53.5 so với 47.9, MobileWorld 25.6 so với 9.4, WebVoyager 56.9 so với 45.2, trong đó ScreenSpot-V2 được mô tả là gần sát và OSWorld-Verified được chính inclusionAI định hình là khoảng cách còn lại.

• Điều đó có nghĩa gì trên thực tế — một mô hình công bố các con số ở cấp độ tác vụ mà bạn có thể tranh luận, còn mô hình kia công bố một điểm tổng hợp mà bạn không thể phân tách. "Điểm tổng thể cao hơn trong thời gian suy luận ít hơn" là một khẳng định về một biểu đồ, và trọng số đằng sau điểm tổng hợp đó không được công bố. Điểm ScreenSpot-Pro 52,9 là một khẳng định về một bài kiểm tra được định nghĩa với một giao thức được định nghĩa.

• Cả hai đều không được xác minh độc lập — các số liệu của LLaDA-UI đến từ trang dự án và báo cáo kỹ thuật của chính nó; các số liệu của MiniCPM-V 4.7 đến từ những biểu đồ do nhà cung cấp tự vẽ. Coi bất kỳ bên nào là đã ngã ngũ sẽ là một sai lầm, nhưng coi chúng có giá trị thông tin như nhau lại là một sai lầm khác.

Mỗi mô hình thực sự là gì

Khoảng cách về kiến trúc lớn hơn mức mà số lượng tham số gợi ý, và nó quyết định phần lớn những khác biệt thực tiễn về sau.

• Base — MiniCPM-V 4.7 dùng qwen3_5_moe_text làm xương sống với 256 chuyên gia, 8 chuyên gia hoạt động trên mỗi token, 40 lớp và kiểu attention tuyến tính-toàn phần theo tỷ lệ ba trên một; LLaDA-UI dùng LLaDA2.0-mini-base, một mô hình ngôn ngữ khuếch tán có mặt nạ.

• Sinh văn bản — MiniCPM-V 4.7 là mô hình tự hồi quy, sinh từng token một; LLaDA-UI giải mã theo khối, khử nhiễu song song cả một khối vị trí đầu ra và tái tạo dưới các điều kiện hai chiều bên trong khối đó.

• Tham số — tổng cộng 35,2 tỷ đối với MiniCPM-V 4.7 với 8 trong số 256 chuyên gia hoạt động trên mỗi token; khoảng 16,7 tỷ tổng cộng đối với LLaDA-UI dưới dạng hỗn hợp các chuyên gia.

• Ngữ cảnh — vị trí tối đa 262,144 token cho MiniCPM-V 4.7; thẻ của LLaDA-UI ghi mặc định --max-length là 8192 cho script suy luận của nó, và ảnh chụp màn hình lớn thì cần tăng giá trị này lên.

• Thị giác — MiniCPM-V 4.7 sử dụng một tower 27 lớp, rộng 1.152, ở patch 14 và kích thước ảnh 980 với nén token hỗn hợp 4x/16x; LLaDA-UI sử dụng một ViT ở độ phân giải gốc được khởi tạo từ SigLIP với embedding quay 2D và hợp nhất không gian theo tỉ lệ 4:1 vào một MLP hai lớp, một cách rõ ràng nhằm bảo toàn tỉ lệ khung hình của ảnh chụp màn hình điện thoại, máy tính để bàn và web.

• Đầu ra — MiniCPM-V 4.7 tạo ra văn bản, với khả năng hiểu hình ảnh và video ở phía đầu vào; LLaDA-UI tạo ra các tọa độ đã chuẩn hoá trong khoảng từ 0 đến 999 và các chuỗi suy luận kèm hành động có gắn thẻ, dự kiến sẽ được thực thi.

• Giấy phép — Apache-2.0 cho MiniCPM-V 4.7, được công bố vào ngày 12 tháng 10; không có giấy phép nào được nêu ở bất kỳ đâu trên trang dự án hay thẻ mô hình LLaDA-UI.

Điểm gạch đầu dòng cuối cùng đó không phải là chú thích nếu bạn đang phát hành sản phẩm. Một trong hai thứ này bạn có thể đưa vào một sản phẩm thương mại ngay hôm nay mà không cần trao đổi; thứ còn lại thì không thể.

Giải mã chính là nơi sự chia rẽ thực sự tồn tại

Khuếch tán theo khối là lý do LLaDA-UI tồn tại như một hướng công việc riêng thay vì chỉ là một bản tinh chỉnh khác. Trong vòng lặp tác nhân tự hồi quy, mỗi token hành động phụ thuộc vào mọi token trước nó, nên tọa độ nhấp ở cuối một phản hồi phải chờ phần suy luận đứng trước nó. Trong một tác nhân khuếch tán, cả khối được tinh chỉnh như một đơn vị, và hệ quả thực tiễn mà inclusionAI đang tiếp thị là độ trễ: trong một bài kiểm thử API ghép cặp, trang dự án báo cáo 4,8 đến 6,4 giây so với 17 đến 53 giây của Qwen3-VL-8B, được mô tả là mức tăng tốc trung bình 3,58 lần trên web, 6,83 lần trên desktop và 8,95 lần trên đầu vào di động, đồng thời tạo ra nhiều token hơn mỗi lần gọi. Trên các đầu vào MobileWorld, các giá trị trung bình được báo cáo là 5,9 giây so với 53,0.

Đó là những con số do nhà cung cấp đo, được ghép cặp, không dùng bộ nhớ đệm, trên chính giàn thử của phòng thí nghiệm, và chúng nên được đọc đúng như vậy. Nhưng hướng đi này vẫn đáng được xem trọng ngay cả khi có lưu ý đó, bởi vì các vòng lặp agent nhân độ trễ lên. Một agent giao diện thực hiện mười bước sẽ trả chi phí mỗi bước mười lần, và chênh lệch mười giây mỗi bước chính là khác biệt giữa một bản demo và một sản phẩm.

MiniCPM-V 4.7 tấn công cùng một vấn đề từ phía ngược lại. Nó giữ nguyên việc giải mã tự hồi quy và làm cho mỗi bước trở nên rẻ thông qua lập lịch chuyên gia — một bộ dự đoán xuyên lớp tải trước các chuyên gia mà lớp tiếp theo có khả năng cần đến, ưu tiên những chuyên gia mà bộ định tuyến thực sự đã chọn, với thẻ nêu rõ rằng dự đoán chỉ điều khiển việc tải trước và việc định tuyến của chính mô hình vẫn chi phối tính toán. Thêm lượng tử hóa theo lớp và lấy mẫu suy đoán DSpark, và tuyên bố là hơn 13 token mỗi giây cho một MoE 35 tỷ tham số trên một thiết bị cầm tay. Cơ chế khác nhau, mục tiêu giống nhau: làm cho vòng lặp đủ nhanh để một thiết bị có thể chạy nó.

A generated two-column comparison table headed with 'MiniCPM-V 4.7' and 'LLaDA-UI' over six shared rows. The MiniCPM-V 4.7 column reads '35.2B total, 8 of 256 active', 'autoregressive', 'vendor charts, no table', 'documented, unscored', 'Apache-2.0' and 'GGUF, AWQ, GPTQ, FP8'; the LLaDA-UI column reads 'approx 16.7B MoE', 'block-wise diffusion', 'named benchmarks in report', 'ScreenSpot-Pro 52.9', 'not stated' and 'lab SGLang patches required'. A footer reads 'LLaDA-UI figures vendor-reported from its technical report; MiniCPM-V 4.7 figures from its model card and config.json.'

Mỗi thứ giỏi ở việc gì, được nói ra càng hẹp càng tốt trong giới hạn mà bằng chứng cho phép.

• Chọn LLaDA-UI khi tác vụ là một giao diện — nhấp, gõ, điều hướng trong ứng dụng di động, cửa sổ máy tính để bàn hoặc trang web. Đây là một trong hai cái có điểm grounding và điều hướng được công bố, quy ước tọa độ được ghi tài liệu và các yêu cầu ví dụ được đóng gói sẵn cho di động, máy tính để bàn và web.

• Chọn MiniCPM-V 4.7 khi nhiệm vụ là thấu hiểu — mô tả một bức ảnh, đọc tài liệu, phân tích PDF, trả lời câu hỏi về một video, chạy trên phần cứng bạn sở hữu. Đây là một trong hai mô hình có ghi chú rõ ràng về OCR, phân tích PDF và visual grounding trong cookbook, với hỗ trợ sẵn có trên SGLang, vLLM, llama.cpp và Ollama, cùng các biến thể lượng tử hóa được phát hành để tải xuống.

• Phần trùng lặp nhỏ hơn vẻ ngoài của nó — Thẻ của MiniCPM-V 4.7 liệt kê visual grounding như một hướng dẫn dạng cookbook nhưng không công bố điểm grounding nào cả. Thẻ của LLaDA-UI chỉ nói về một nhiệm vụ. Nếu khối lượng công việc của bạn là tự động hóa GUI, bạn đang so sánh một chuyên gia đã được đo lường với một mô hình tổng quát chưa được đo lường; nếu khối lượng công việc của bạn là hiểu tài liệu và hình ảnh, bạn đang so sánh một mô hình tổng quát đã có tài liệu với một mô hình chưa từng được xây dựng để làm việc đó.

• Ma sát khi triển khai lại diễn ra theo chiều ngược lại — MiniCPM-V 4.7 cung cấp các checkpoint GGUF, AWQ, GPTQ, int4 và FP8 cùng một lộ trình OpenVINO và được cho là hỗ trợ ngay từ ngày đầu (day-0) cho các chip Rockchip, Houmo, Intel, AMD và Arm. Lộ trình phục vụ của LLaDA-UI đòi hỏi các bản vá SGLang multimodal diffusion của chính phòng thí nghiệm cũng như scriptserve_llada_ui.sh của nó; thẻ mô hình (model card) nói rõ rằng không thể khởi động máy chủ từ một bản cài đặt SGLang nguyên bản.

Câu hỏi về chi phí mà không ai công bố

Cả hai mô hình đều không có mức giá công khai trên mỗi token, vì không mô hình nào là endpoint được host mà bạn thuê theo hàng triệu token. Bạn tự host cả hai, nghĩa là chi phí nằm ở phần cứng và độ trễ của bạn. Điều đó định hình lại lựa chọn: một checkpoint 16,7 tỷ tham số ở khoảng 32 GB trong BF16 là một cam kết nhỏ hơn đáng kể so với một checkpoint 70 GB với 35 tỷ tham số, và nếu tác vụ agent chỉ cần mô hình nhỏ hơn, thì mô hình lớn hơn không mang lại cho bạn gì cho khối lượng công việc đó.

Trường hợp kết hợp (hybrid) chính là nơi một lớp định tuyến chứng minh được giá trị của mình. Hãy chạy mô hình nhỏ, chuyên dụng ngay tại máy cho các công việc giao diện thường ngày, và chuyển những khung hình thực sự khó — một ảnh chụp màn hình dày đặc, một tài liệu lạ thường, một câu hỏi cần đến kiến thức thế giới của mô hình lớn hơn — cho một endpoint được lưu trữ sẵn. OrcaRouter đưa hơn 200 mô hình được lưu trữ về sau một khóa duy nhất với giá niêm yết của từng nhà cung cấp được chuyển nguyên với mức chênh lệch 0% và tự động chuyển đổi dự phòng khi một nhà cung cấp suy giảm, cùng DSL định tuyến của nó cho phép một lệnh gọi duy nhất tán một ca khó ra cho nhiều hơn một mô hình khi câu trả lời cần phải đúng thay vì rẻ. Cả MiniCPM-V 4.7 lẫn LLaDA-UI đều không được phục vụ qua nó — cả hai đều là các checkpoint trọng số mở mà bạn tự chạy, và bộ định tuyến chính là thứ nằm ở phía bên kia của sự chuyển giao đó.

A screenshot of the Hugging Face model page for inclusionAI/LLaDA-UI, showing the title 'LLaDA-UI — Bringing Block-wise Diffusion to Vision-Language GUI Agents', the arXiv, Project Page, HF Collection and GitHub badges, the opening description of MoE block-wise diffusion, the Figure 1 architecture diagram and the Model Details block.

Ba câu hỏi đáng để trả lời trước khi bạn cam kết

Lợi thế tốc độ của LLaDA-UI có thực sự đúng trên phần cứng của bạn không? Các con số 3 đến 9 lần là các phép đo theo cặp, không dùng bộ nhớ đệm, trên chính harness của phòng thí nghiệm so với một đường cơ sở. Khuếch tán theo khối có đặc điểm bộ nhớ khác với giải mã tự hồi quy, và mức tăng tốc đo được trên GPU của nhà cung cấp không tự động chuyển sang GPU của bạn. Đây là con số duy nhất đáng để tái tạo nhất trước khi bạn xây dựng dựa trên nó.

Liệu MiniCPM-V 4.7 có thể được hướng vào một tác vụ giao diện hay không? Có khả năng là vậy — nó là một mô hình ngôn ngữ-thị giác với các công cụ grounding đã được tài liệu hóa — nhưng thẻ mô hình không công bố benchmark tác nhân GUI nào, không có quy ước tọa độ và không có từ vựng hành động. Việc xây dựng một tác nhân GUI trên nó ngày hôm nay đồng nghĩa với việc tự định nghĩa định dạng đầu ra và hy vọng mô hình tôn trọng định dạng đó. LLaDA-UI đã giải quyết vấn đề đó một cách có chủ đích, bằng suy luận gắn thẻ cùng các đầu ra hành động và từ vựng theo từng nền tảng.

Cái nào sẽ vẫn được hỗ trợ trong sáu tháng nữa? OpenBMB đã phát hành một họ đầy đủ xung quanh MiniCPM-V 4.7 — hai biến thể cơ sở, năm định dạng lượng tử hóa, hai mô hình nháp DSpark, một sách công thức và một kho triển khai biên — trong vòng chưa đầy một tuần, với các điều khoản Apache-2.0. LLaDA-UI có một báo cáo kỹ thuật, một bài báo arXiv, một trang dự án và một kho mã, và không có giấy phép được nêu rõ. Độ rộng của cơ sở hạ tầng xung quanh là một đại diện hợp lý cho mức độ mà một phòng thí nghiệm có ý định giữ cho một thứ gì đó tồn tại.

Phán quyết

Hai cái này không phải là phương án thay thế cho nhau, và khuyến nghị trung thực xuất phát từ điều đó chứ không phải từ số lượng tham số. Nếu bạn đang xây dựng tự động hóa giao diện, LLaDA-UI là sản phẩm hoàn thiện hơn dù là mô hình nhỏ hơn — được đo trên tác vụ, có định dạng đầu ra được tài liệu hóa và một đường phục vụ, đồng thời mang rủi ro giấy phép mà bạn cần giải quyết trước khi phát hành. Nếu bạn đang xây dựng bất cứ thứ gì liên quan đến việc xem hình ảnh, đọc tài liệu hoặc chạy trên điện thoại, MiniCPM-V 4.7 là lựa chọn có hệ sinh thái, giấy phép dễ dãi và câu chuyện triển khai, và những tuyên bố về hiệu quả của nó mạnh đúng bằng mức mà một biểu đồ chưa được tái lập có thể tạo ra. Các đội cần cả hai sẽ chạy chúng cùng nhau, và lớp định tuyến là phần rẻ nhất trong cách bố trí đó.

A generated three-card graphic headed 'Which one for which job'. The 'Interface automation' card reads 'LLaDA-UI', 'Measured on GUI benchmarks', 'Documented action format', 'No stated licence'. The 'Images and documents' card reads 'MiniCPM-V 4.7', 'OCR, PDF and video guides', 'Apache-2.0', 'No benchmark table'. The 'Both at once' card reads 'Run the small local model', 'Route hard cases to a hosted model', 'One key, provider list price'. A footer reads 'Benchmark figures vendor-reported; architecture figures read from each model's config.' The OrcaRouter logo sits bottom-right.