WeVisOne-VL-2B vs MiniCPM-V 4.7 1B: Chênh nhau 0.45B, đảm nhận nhiệm vụ khác nhau

Tên gọi gợi ý một khoảng cách 2:1. Các checkpoint thì không. MiniCPM-V 4.7 1B có 1.554.476.272 tham số ở bfloat16, còn WeVisOne-VL-2B có khoảng 2 tỷ — vậy khoảng cách thực sự giữa chúng là khoảng 0,45 tỷ tham số, không phải một tỷ. Đặt chúng trên cùng một ổ đĩa thì chúng sẽ chiếm dung lượng tương đương. Đặt chúng vào cùng một tác vụ thì chúng hoàn toàn sụp đổ, bởi vì MiniCPM-V 4.7 1B được xây dựng để đọc một tài liệu, xem một video và trò chuyện về nó, trong khi WeVisOne-VL-2B được xây dựng để tìm một đối tượng và trả lại một mặt nạ.

Cả hai đều dùng Apache 2.0. Cả hai đều đủ nhỏ để thu hút người đang xây dựng trên một GPU duy nhất. Cả hai đều mới — MiniCPM-V 4.7 1B được tải lên ngày 6 tháng 10 năm 2026 và ghi ngày 12 tháng 10 trong ghi chú phát hành của OpenBMB, còn WeVisOne-VL-2B vào ngày 22 tháng 10. Chính sự kết hợp giữa nét tương đồng và khác biệt đó khiến cặp đôi này đáng để dành một trang: gần như mọi thông số nổi bật đều sát nhau, còn gần như mọi cách dùng thực tế thì không.

Đầu tiên, các tên đã được sửa.

Cách đặt tên của OpenBMB khá lỏng lẻo đến mức đã gây nhầm lẫn trong các bảng so sánh. Mô hình được gọi là 1B có 1,55 tỷ tham số theo chính siêu dữ liệu safetensors của nó; tài liệu của nhà cung cấp đã ghi 1.3B và 1.38B ở những chỗ khác nhau. Ngữ cảnh 262,144 token là thật và được đặt trong cấu hình mô hình. Kiến trúc là một xương sống văn bản 24 lớp, 1024 ẩn, bắt nguồn từ Qwen3.5 với tỉ lệ 3:1 giữa attention tuyến tính và attention toàn phần, kết hợp với tháp thị giác kiểu SigLIP2 27 lớp hoạt động trên các ô 980 pixel, cùng chế độ nén token thị giác 4× hoặc 16× có thể chọn, đánh đổi chi tiết để lấy chi phí mỗi yêu cầu.

Cách đặt tên của Tencent chặt chẽ hơn. WeVisOne-VL-2B là một mô hình 2 tỷ tham số được xây dựng trên Qwen3-VL, với một bộ giải mã pixel riêng biệt gồm 9,511,460 tham số mà thẻ mô hình gọi là “một thành phần cốt lõi bắt buộc, không phải tiện ích bổ sung tùy chọn.” Bộ giải mã không phải là một chi tiết nhỏ đáng bỏ qua trong câu chuyện triển khai: không có nó, mô hình tạo ra các khung và điểm, còn không có đầu ra mặt nạ hay matte nào tồn tại.

Vậy cách diễn đạt đúng không phải là nhỏ so với lớn. Mà là 1.55B so với 2B — chênh lệch 29 phần trăm về trọng số — với những hợp đồng đầu ra hoàn toàn khác nhau.

Hai bộ từ vựng chuẩn không bao giờ gặp nhau

Đây là phần mà hầu hết các so sánh đều làm sai, nên đáng nói rõ trước khi bất kỳ con số nào xuất hiện. OpenBMB đánh giá MiniCPM-V 4.7 1B trên các benchmark đa phương thức tổng quát: 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 và MotionBench 54.55. Đó là các số liệu do nhà cung cấp tự chạy, chủ yếu được trình bày dưới dạng biểu đồ chứ không phải bảng kèm chi tiết về harness, và chưa có tổ chức độc lập nào tái lập được chúng.

Tencent đánh giá WeVisOne-VL-2B trên các benchmark nhận thức và hoàn toàn không báo cáo điểm số đa phương thức tổng quát nào. Không có MMMU, không có MMBench, không có MathVista, không có DocVQA và không có kết quả captioning ở bất kỳ đâu trong bảy bảng của nó. Thay vào đó, những gì nó báo cáo là theo từng tác vụ: F1 phát hiện, exact-match đếm, F1 pointing, F1 định vị OCR, cIoU phân đoạn và lỗi matting.

Mâu thuẫn rõ nhất ở OCR, vì cả hai mô hình đều tuyên bố có thể làm được việc đó. Con số 86.1 của MiniCPM là OCRBench — một điểm số phiên chép, đánh giá liệu mô hình có đọc đúng các ký tự hay không. Các con số OCR của WeVisOne là F1 định vị ở ngưỡng IoU 0.5: 62.1 trên SROIE, 42.6 trên ICDAR2015, 42.5 trên TotalText và 30.5 trên HierText, đo xem mô hình có vẽ đúng khung bao quanh văn bản hay không. Một mô hình có thể xuất sắc ở mặt này và tầm thường ở mặt kia. In "86.1 so với 62.1" sẽ là so sánh một bài kiểm tra chính tả với một bài kiểm tra chỉ điểm.

Không có benchmark nào mà cả hai mô hình đều báo cáo một con số được tính theo cùng một cách. Đó không phải là một lối nói hoa mỹ — đó là phát hiện trung tâm của so sánh này, và điều đó có nghĩa là bất kỳ bảng xếp hạng nào bạn thấy về hai mô hình này đều được ghép từ những phần không thể so sánh với nhau.

262,144 token mua được những gì, và những gì WeVisOne sẽ không nói

MiniCPM-V 4.7 1B công bố ngữ cảnh 262.144 token và một tuyến video chấp nhận tối đa 128 khung hình theo mặc định, với một lát cắt cho mỗi khung hình. Đó là một cỗ máy xử lý tài liệu và video: PDF dài, bản quét nhiều trang, một phút video. Công tắc nén 4× và 16× tồn tại chính xác vì việc giữ chừng ấy chi tiết hình ảnh là tốn kém, và OpenBMB cho phép bạn chọn giữ bao nhiêu trong số đó cho mỗi yêu cầu.

WeVisOne-VL-2B không công bố độ dài ngữ cảnh. Thẻ mô hình im lặng; các giai đoạn huấn luyện trong bài báo chạy ở 4.096 và 8.192 token, và suy luận giới hạn mỗi ảnh ở 1.960 token thị giác với giải mã tham lam. Không cái nào trong số đó là cửa sổ triển khai, và Tencent không giả vờ rằng có. Nó cũng từ chối thẳng lưới video — bộ giải mã điểm ảnh chỉ dành cho ảnh, một lượt, không có chuỗi suy luận.

Sự bất đối xứng đó cho bạn biết mỗi nhà cung cấp đã tối ưu hóa cho điều gì. OpenBMB tối ưu hóa cho việc một mô hình có thể tiếp nhận bao nhiêu đầu vào. Tencent tối ưu hóa cho độ chính xác mà một mô hình có thể chỉ ra thứ nó đã tiếp nhận, rồi vạch ra một ranh giới cứng quanh loại đầu vào để giữ bộ giải mã đơn giản.

Mỗi thứ thực sự chạy ở đâu

MiniCPM-V 4.7 1B có diện triển khai rộng hơn hẳn: Transformers 5.18 trở lên, vLLM, SGLang, llama.cpp và Ollama, với các bản dựng GGUF, AWQ, GPTQ, FP8, bitsandbytes và OpenVINO, cùng hỗ trợ iOS, Android và HarmonyOS và khả năng kích hoạt chip ngay ngày đầu từ danh sách nhà cung cấp gồm Rockchip, Arm và Apple. OpenBMB cũng phát hành một mô hình nháp DSpark 213 triệu tham số riêng cho giải mã suy đoán.

WeVisOne-VL-2B có gói GitHub riêng, một đường dẫn Transformers, và vLLM cùng SGLang được liệt kê trên card. Không có GGUF. Không có bản lượng tử hóa. Không có ONNX. Không có câu chuyện di động. Và đầu ra dày đặc là alpha matte độ phân giải đầy đủ với stride-1, nghĩa là bộ nhớ tỉ lệ với hình ảnh chứ không phải với số lượng tham số — một mô hình 2B rẻ để lưu giữ và không nhất thiết rẻ để chạy ở 4K.

Nếu mục tiêu của bạn là điện thoại, phần này khép lại cuộc so sánh. MiniCPM được xây dựng cho ràng buộc đó và nói rõ điều này trong danh sách định dạng của mình. WeVisOne thì không, và cũng không tự nhận là như vậy.

Điểm duy nhất họ ngang nhau: giấy phép

Apache 2.0 trên cả hai. Không ngưỡng doanh thu, không hạn chế lĩnh vực sử dụng, không thỏa thuận thương mại riêng. Trong một hạng mục mà Liquid AI dùng giấy phép giới hạn doanh thu của riêng mình và Moondream dùng giấy phép source-available với điều khoản không cho phép dịch vụ bên thứ ba, hai mô hình thị giác Apache 2.0 ở quy mô này là điều đáng chú ý — điều đó có nghĩa giấy phép không phải là biến số quyết định ở đây, và điều này đủ bất thường để nói thẳng ra.

Việc hòa nhau cũng loại bỏ lý do phổ biến nhất khiến các nhóm chọn mô hình nhỏ hơn. Nếu cả hai đều vượt qua đánh giá pháp lý, bạn đang lựa chọn dựa trên năng lực và triển khai, chứ không phải dựa trên các điều khoản.

Lựa chọn giữa chúng

Hãy hỏi xem đầu ra sẽ đi vào đâu. Nếu nó đi vào kho tài liệu, cửa sổ trò chuyện, chỉ mục video hay một mô hình ngôn ngữ hạ nguồn, thì MiniCPM-V 4.7 1B chính là dạng bạn cần: nó tạo văn bản dài, giữ được đầu vào dài và có sẵn ở các định dạng chạy trên phần cứng tiêu dùng.

Nếu nó cung cấp đầu vào cho một pipeline compositing, trình chỉnh sửa ảnh, một tác vụ làm sạch danh mục hay một thao tác cắt vùng quan tâm, WeVisOne-VL-2B chính là kiểu bạn cần: hộp, điểm, mặt nạ nhị phân và alpha matte liên tục, cùng với hành vi từ chối có ý nghĩa hơn bất kỳ benchmark nào. Tencent báo cáo tỷ lệ từ chối 50,2 trên RefCOCOg cho các truy vấn đối tượng vắng mặt, so với 0,5 và 0,6 của hai mô hình grounding chuyên dụng trên cùng bảng. Nếu hầu hết ảnh của bạn không chứa thứ bạn đang tìm, thì con số đó chính là con số giúp bạn tiết kiệm tiền.

Có một trường hợp thứ ba mà ở đó chúng kết hợp thay vì cạnh tranh: một pipeline xử lý tài liệu trong đó MiniCPM đọc trang còn WeVisOne tìm vùng — chữ ký, con dấu, ảnh sản phẩm — mà bước đọc cần tách riêng. Đó không hẳn là vấn đề định tuyến mà là vấn đề thiết kế pipeline, và đây là chỗ sản phẩm OrcaRouter thực sự hữu ích chứ không phải được gắn thêm. Cả hai mô hình này đều không có trong danh mục của chúng tôi; cả hai đều tự triển khai, và chúng tôi sẽ không ngụ ý điều ngược lại. Điều chúng tôi cung cấp là phần được lưu trữ: hơn 200 mô hình qua một khóa API duy nhất với giá niêm yết của nhà cung cấp, không cộng thêm phí, tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm, và hợp nhất mô hình, cho phép một nhóm mô hình cùng trả lời một câu hỏi — hữu ích khi một bản phiên âm sắp được đưa vào cơ sở dữ liệu và bạn muốn có ý kiến thứ hai trước khi nó được đưa vào.

Con số cần ghi nhớ

Không phải 1B và 2B — mà là 1.55B và 2B. Cách đặt tên khiến chúng trông như thuộc các hạng cân khác nhau, còn các checkpoint khiến chúng trông như láng giềng sát nhau, và cả hai ấn tượng đều gây hiểu lầm. Điều tách biệt MiniCPM-V 4.7 1B với WeVisOne-VL-2B không phải kích thước, giấy phép hay thậm chí độ mới. Mà là một bên trả về từ ngữ, bên kia trả về điểm ảnh, và không có benchmark nào do bất kỳ bên nào trong hai nhà cung cấp công bố có thể đem trừ lẫn nhau để cho bạn biết bên nào làm tốt hơn trong việc trở thành đúng thứ bạn cần.