MiniCPM-V 4.7 so với WeVisOne-VL-4B: Một đoạn văn hay một đa giác

Cách nhanh nhất để chọn giữa MiniCPM-V 4.7 và WeVisOne-VL-4B là xem thứ mà chúng trả về. WeVisOne-VL-4B trả về tọa độ: các hộp được chuẩn hóa về lưới 1000 điểm, các điểm, mặt nạ thực thể và alpha matte độ phân giải đầy đủ do một bộ giải mã 9,6 triệu tham số gắn vào xương sống Qwen3-VL tạo ra. MiniCPM-V 4.7 trả về câu, từng trang câu, trong ngữ cảnh 262.144 token có thể chứa một video. Một trong hai là thành phần nhận thức mà bạn nối vào một pipeline. Cái còn lại là một trình đọc để bạn đặt câu hỏi. Cả hai đều là Apache-2.0, đều đến từ các phòng thí nghiệm Trung Quốc, đều được phát hành vào tháng 10 năm 2026 với gần như không có tin bài nào trên báo chí chuyên ngành tiếng Anh, và chúng gần như không nằm cùng một nhóm sản phẩm.

Hai bên đã xuất hiện theo những cách rất khác nhau. Nhóm WeChat Vision của Tencent đã đưa WeVisOne-VL-4B lên Hugging Face và GitHub vào ngày 22 tháng 10 năm 2026, cùng với một bài báo trên arXiv và một mô hình anh em 2B, không có bài đăng blog và không có thông cáo báo chí. OpenBMB đã tải MiniCPM-V 4.7 lên vào ngày 6 và 7 tháng 10, ghi ngày phát hành là 12 tháng 10 trong kho lưu trữ của mình, và công bố nó trong một bản phát hành tiếng Anh trên PR Newswire vào ngày 15 tháng 10, bản này tạo ra rất ít đưa tin trên các ấn phẩm chuyên ngành tiếng Anh. Một bên xuất hiện dưới dạng một kho lưu trữ; bên kia dưới dạng một kho lưu trữ cộng thêm một bản phát hành qua hãng tin. Hầu hết các so sánh về chúng đều xác định sai phạm trù trước khi xác định sai các con số.

Hai câu trả lời cho cùng một câu hỏi

WeVisOne-VL-4B là một bản tinh chỉnh của Qwen3-VL, phát ra hình học dưới dạng token. Hộp và điểm được mã hóa thành token thập phân từ 0 đến 1000, chuẩn hóa theo ảnh, và sau mỗi hộp được dự đoán, mô hình phát ra một token đặc biệt có trạng thái ẩn đưa vào một bộ giải mã mặt nạ riêng: một bộ thích ứng đặc trưng thị giác, sáu khối cross-attention biến dạng, và một đầu cascade tinh chỉnh ở stride bốn, hai và một. Kết quả là một mặt nạ thực thể và, đối với các tác vụ matting, một kênh alpha độ phân giải đầy đủ. Không có mô hình thứ hai trong vòng lặp và không có lệnh gọi SAM; toàn bộ đường xử lý điểm ảnh nằm dưới mười triệu tham số gắn với mô hình ngôn ngữ. Mô hình có 4,83 tỷ tham số ở bfloat16, mà thẻ mô hình làm tròn thành 5B, và mỗi lượt chỉ nhận một ảnh — lưới video bị bộ giải mã điểm ảnh từ chối thẳng.

MiniCPM-V 4.7 là một mô hình tổng quát ở hai kích cỡ. Bản 35B-A3B lưu trữ 35,2 tỷ tham số trên 256 chuyên gia, định tuyến tám chuyên gia mỗi token để có khoảng 3 tỷ tham số hoạt động, và có ngữ cảnh 262.144 token với đầu vào một ảnh, nhiều ảnh và video. Bản 1B là một mô hình dense 1,55 tỷ tham số với cùng độ dài ngữ cảnh và checkpoint BF16 3,1 GB. Cả hai dùng chung một tháp thị giác SigLIP2 27 lớp với cơ chế nén token thị giác hỗn hợp 4× và 16×, đây là cơ chế giúp ngữ cảnh một phần tư triệu token vẫn khả thi về chi phí. Cả hai đều không có thành phần nguyên thủy nào cho việc chỉ điểm, phát hiện hoặc phân đoạn. Bạn có thể hỏi bất kỳ mô hình nào trong hai mô hình con mèo ở đâu, và bạn sẽ nhận được mô tả về vị trí của con mèo.

Sự khác biệt đó không phải là bề ngoài. Nó quyết định xem mã nguồn phía sau của bạn sẽ phân tích JSON hay văn xuôi, liệu một câu trả lời tồi sẽ thất bại một cách ồn ào hay lặng lẽ, và liệu mô hình có thể được kết hợp với bất kỳ thứ gì khác mà không cần thêm một mô hình thứ hai để sửa đầu ra của nó hay không.

Những con số, và lỗi phạm trù đang chờ đợi trong chúng

Mọi số liệu dưới đây đều do nhà cung cấp tự báo cáo. Số liệu của Tencent đến từ bài báo và README, với bộ so sánh do chính các tác giả lựa chọn và không có bản tái tạo nào từ bên thứ ba. Số liệu của OpenBMB đến từ trang mô hình của nhà cung cấp, được công bố dưới dạng văn xuôi và hình ảnh biểu đồ thay vì bảng số liệu. Không phòng thí nghiệm nào có điểm số độc lập cho các mô hình này trên một khung đánh giá chung.

• Phát hiện, LVIS F1 — WeVisOne-VL-4B đạt 55,3 so với baseline tốt nhất mà các tác giả liệt kê là 50,7. MiniCPM-V 4.7 không công bố con số phát hiện nào.

• Phát hiện dày đặc, F1 trên Dense200 — 71,3 đối với WeVisOne so với 58,7 của baseline tốt nhất, và 15,2 đối với Qwen3-VL-4B chưa qua chỉnh sửa. Hàng cuối cùng đó là hàng thú vị nhất trong bài báo: chính quá trình tinh chỉnh là thứ biến một mô hình tổng quát thành một bộ định vị.

• Về tác vụ Referring, F1 trên tập test RefCOCOg — 81,8 với WeVisOne-VL-4B so với 77,6 của baseline mạnh nhất mà nhóm tác giả liệt kê. Tỷ lệ từ chối trên các truy vấn không có đối tượng mục tiêu là chỗ bạn nên xem trước tiên: 67,4% trên RefCOCOg-Rej, 96,4% trên WeRef-Bench nội bộ, và 52,6% trên PR-Bench. Cùng một mô hình, ba câu trả lời khác nhau, vì các phân phối khác nhau.

Đếm, PixMo-Count — 89,6 so với 82,8. Phân đoạn, ReasonSeg val gIoU — 71,2 so với 65,0.

• Matting, P3M-500-NP chênh lệch tuyệt đối trung bình — 7,3 so với 15,4, càng thấp càng tốt, tức là chỉ bằng khoảng một nửa sai số của baseline tách nền chuyên dụng tốt nhất mà các tác giả đã so sánh.

• Đọc, OCRBench — 91,2 cho MiniCPM-V 4.7 35B-A3B và 86,1 cho bản 1B, so với TotalText F1 là 52,0 của WeVisOne-VL-4B.

Gạch đầu dòng cuối cùng đó chính là cái bẫy. OCRBench đo khả năng nhận dạng văn bản; TotalText F1 đo khả năng định vị văn bản. Đặt 86,1 cạnh 52,0 và tuyên bố thắng 34 điểm là một lỗi phân loại, và đó là kiểu lỗi được sao chép từ bài so sánh này sang bài so sánh tiếp theo. Phát biểu trung thực là hai mô hình không được kiểm thử trên cùng một tác vụ, và điều duy nhất mà các con số chứng minh là MiniCPM được xây dựng để chép lại văn bản còn WeVisOne được xây dựng để định vị.

Ký ức mới là cái giá thật.

WeVisOne-VL-4B là một checkpoint bfloat16 9,66 GB trước phần mask decoder của nó, và Tencent không phát hành biến thể lượng tử hóa nào. Con số 19 GB trên thẻ so sánh chính là cùng checkpoint đó được chuyển sang F32, tức là gấp đôi dung lượng; dù theo cách nào thì bạn vẫn cần mã suy luận tùy chỉnh: mask_decoder.pt là thành phần bắt buộc, không phải phần bổ sung tùy chọn, và một lần tải bằng Transformers nguyên bản sẽ cho bạn box và văn bản nhưng không có mask. Các đường phục vụ được tài liệu hóa là gói suy luận của chính dự án, gói này bọc backend Transformers hoặc backend vLLM, cùng với một bản demo Gradio; giải mã tham lam và giới hạn 1.960 token thị giác mỗi ảnh là các thiết lập đánh giá. Đây là một dịch vụ GPU.

MiniCPM-V 4.7 {{1}}35B-A3B{{/1}} có khoảng 70 GB trọng số BF16 trải trên mười sáu mảnh, nghe thì tệ hơn trên lý thuyết nhưng lại tốt hơn trên thực tế vì chỉ khoảng 3 tỷ tham số hoạt động cho mỗi token. Toàn bộ lời chào hàng của OpenBMB là các chuyên gia không hoạt động có thể được truyền phát từ bộ nhớ lưu trữ thay vì giữ trong bộ nhớ, bằng cách dùng Lookahead Expert Scheduling để tải trước những chuyên gia mà lớp tiếp theo có khả năng cần, cùng với lượng tử hóa theo từng lớp và giải mã suy đoán DSpark. Nhà cung cấp tuyên bố đạt 13 token/giây trở lên trên iPhone 17 Pro Max khi dùng khoảng 3 GB bộ nhớ. Chưa có ai độc lập tái lập được kết quả đó, và tuyên bố này phụ thuộc vào việc cả ba kỹ thuật cùng phối hợp hoạt động chứ không phải chỉ một trong số chúng.

Mô hình 1B thay đổi hoàn toàn bài toán kinh tế: 3,1 GB ở BF16, khoảng 0,67 GB dưới dạng Q4_K_M GGUF, đó là lý do trình giám sát mèo esp32-eye có thể chạy nó trên một chiếc MacBook như một cổng chỉ kích hoạt tối đa mỗi 1,5 giây. Cùng bản dựng đó nhận thấy 1B không đáng tin cậy khi phân biệt bốn con mèo giống nhau, vì vậy nó là bộ phát hiện hiện diện chứ không phải bộ nhận dạng chi tiết — một ranh giới hữu ích cho bất kỳ ai dự định dùng nó như một bộ phân loại rẻ.

Nói thẳng: WeVisOne mua hình học với 9,66 GB và một GPU. MiniCPM mua khả năng đọc với 70 GB hoặc 3 GB tùy bạn chọn kích thước nào, và môi trường chạy cấp điện thoại nếu những tuyên bố về lập lịch của OpenBMB là đúng.

Điều gì sẽ hỏng trên môi trường production

Các chế độ lỗi của WeVisOne đã được ghi nhận và cụ thể. Chất lượng alpha suy giảm ở ranh giới mảnh, che khuất nặng và vật liệu trong suốt thực sự. Mô hình nhạy cảm với cách diễn đạt prompt, nên "tóc của người phụ nữ" và "tóc của cô ấy" không được đảm bảo trả về cùng một matte. Nó không thể nhận video, không có chain-of-thought, nên không có cách nào yêu cầu nó suy luận về một truy vấn mơ hồ trước khi chốt một hộp, và hành vi từ chối của nó có một điểm yếu mà con số nổi bật trong bài báo che giấu: 96.4 phần trăm trên WeRef-Bench nhưng khoảng 52.6 phần trăm trên PR-Bench. Một thành phần từ chối các mục tiêu vắng mặt hầu hết thời gian là hữu ích; một thành phần từ chối chúng một nửa thời gian trên một phân phối khác thì cần một lớp bảo vệ.

Các kiểu thất bại của MiniCPM-V 4.7 là kiểu của một mô hình đa dụng: nó sẽ mô tả một hình ảnh một cách trôi chảy bất kể mô tả đó có được neo đúng vào hình hay không, và hoàn toàn không có kênh từ chối nào. Không có gì trong thẻ cho bạn biết khi nào mô hình không biết. Với một người đọc thì điều đó có thể chấp nhận được — con người đọc đoạn văn. Với một pipeline cần một hộp bao, điều đó là không thể chấp nhận, vì bạn sẽ phải phân tích văn xuôi thành tọa độ rồi cầu may.

Nếu điều bạn cần trong tuần này là một mô hình thị giác tổng quát được lưu trữ thay vì một mô hình chuyên dụng tự lưu trữ, thì cả hai mô hình này đều không có trong danh mục của OrcaRouter, và đáng nói rõ điều đó trước khi chào hàng: lối đi thực tế là một mô hình tổng quát được lưu trữ, được gọi qua một khóa duy nhất cho hơn 200 mô hình với 0% phụ phí trên giá niêm yết của nhà cung cấp, với tính năng tự động chuyển đổi dự phòng nếu một điểm cuối thượng nguồn gặp trục trặc. Điều đó mang lại cho bạn một pipeline đang hoạt động; nó sẽ không cung cấp alpha matte cho bạn, và đây là một sản phẩm khác với cả hai mô hình mà trang này đề cập.

Lựa chọn giữa chúng

Hãy chọn WeVisOne-VL-4B nếu đầu ra của bạn là hình học: đếm vật thể trên kệ bán lẻ, tách một sản phẩm khỏi ảnh, đánh dấu một vùng cho người dùng hoặc từ chối khi thứ đó không có ở đó. Con số matting thực sự bất thường, kênh từ chối là một tính năng kỹ thuật thực thụ, và 9,66 GB là cái giá của một thành phần trả về thứ mà chương trình có thể sử dụng được.

Hãy chọn MiniCPM-V 4.7 35B-A3B nếu đầu ra của bạn là việc hiểu nội dung: một PDF dài, một bảng điều khiển, một video, một trang có văn bản và hình minh họa xen kẽ. Hãy chọn bản 1B nếu bạn cần một cổng chặn rẻ đặt trước một thứ đắt tiền hơn, và đừng yêu cầu nó phân biệt hai con mèo giống nhau.

Phép so sánh thực sự có thể giải quyết chuyện này vẫn chưa tồn tại: một bộ kiểm thử độc lập chạy cả hai mô hình trên cùng bộ dữ liệu phát hiện và OCR, với cùng hạn mức ảnh. Cho đến khi có ai đó công bố nó, lập trường bảo vệ được là lập trường nhàm chán — các mô hình này làm những việc khác nhau, bảng của nhà cung cấp không trùng nhau, và con số duy nhất nên ảnh hưởng đến quyết định của bạn là kích thước của thứ bạn phải triển khai.