WeVisOne-VL-4B vs MiniCPM-V 4.7 1B: Hai canh bạc trái ngược về mục đích của một token thị giác

MiniCPM-V 4.7 1B đạt 86,1 trên OCRBench. WeVisOne-VL-4B đạt 52,0 trên TotalText. Đặt hai con số đó cạnh nhau, mô hình 1B dường như vượt mô hình 4B tới ba mươi tư điểm về đọc văn bản — một kết quả đáng chú ý, đồng thời cũng là một lỗi phạm trù. OCRBench đo liệu một mô hình có thể chép lại các ký tự trong ảnh hay không. TotalText, theo cách Tencent báo cáo, đo F1 khi định vị từng thực thể văn bản qua các ngưỡng IoU từ 0,5 đến 0,95. Một bên là nhận dạng, bên kia là hình học. MiniCPM-V 4.7 1B và WeVisOne-VL-4B được phát hành cách nhau chín ngày vào tháng 10 năm 2026, cùng đến từ các phòng thí nghiệm Trung Quốc, cùng theo Apache 2.0, và chúng bất đồng căn bản về mục đích của token thị giác: một bên nén chúng đi, bên kia dùng chúng cho độ chính xác.

Sự bất đồng đó chính là toàn bộ phép so sánh. Mọi thứ còn lại — số lượng tham số, bộ nhớ, các hàng benchmark — đều bắt nguồn từ đó.

Nén so với độ chính xác

MiniCPM-V 4.7 1B kế thừa cơ chế nén sớm bên trong ViT từ LLaVA-UHD v4 và cung cấp nó dưới dạng công tắc runtime giữa nén token thị giác 4× và 16×. Mục đích là đưa được nhiều hình ảnh hơn, và nhiều video hơn, vào một hạn mức cố định: model card tuyên bố ngữ cảnh 262.144 token, mặc định 128 khung hình video, và sơ đồ chia ô 448×448 với số lát cắt có thể cấu hình. Nén sớm, giữ chuỗi ngắn, và một mô hình 1B có thể xem một video dài trên điện thoại.

WeVisOne-VL-4B thực hiện đánh đổi ngược lại. Quá trình đánh giá của nó chạy với tối đa 1.960 token thị giác mỗi ảnh và bộ giải mã điểm ảnh của nó hoạt động trên các đặc trưng ViT trước khi hợp nhất, cố ý giữ lại chi tiết độ phân giải cao mà quá trình nén sớm loại bỏ. Đó là lý do nó có thể tạo ra alpha matte độ phân giải đầy đủ ở stride 1 và cũng là lý do nó hoàn toàn không thể xử lý lưới video: bộ giải mã từ chối nó. Độ chính xác tốn token, và token tốn độ trễ.

Cả hai lựa chọn đều không sai. Chúng là câu trả lời cho những câu hỏi khác nhau. MiniCPM hỏi “Tôi có thể nhìn thấy bao nhiêu cùng một lúc trên điện thoại?” WeVisOne hỏi “Tôi có thể mô tả chính xác vị trí của một vật như thế nào?”

Câu chuyện về kích thước còn kỳ lạ hơn cả 1B so với 4B

• Tham số — WeVisOne-VL-4B 4,83B dense so với MiniCPM-V 4.7 1B được đặt tên là 1B, mặc dù siêu dữ liệu kho lưu trữ của nó ghi 2B ở BF16

• Định dạng trọng số — F32 safetensors khoảng 19 GB so với BF16 khoảng 3,1 GB, hoặc 0,67 GB ở Q4_K_M cộng với bộ chiếu thị giác 0,90–1,11 GB

• Bối cảnh — không được công bố đối với WeVisOne-VL-4B, so với 262,144 token trên lý thuyết của MiniCPM-V 4.7 1B

• Video — bị bộ giải mã pixel từ chối so với 128 khung hình theo mặc định

• Đầu vào đa phương thức — một hình ảnh mỗi lượt so với hình ảnh và video

• Lượng tử hóa — không có bản nào được nhà cung cấp phát hành so với các biến thể int4, AWQ, GPTQ, GGUF và FP8

• Runtime trên thiết bị — không có so với iOS, Android, HarmonyOS, cùng với llama.cpp và Ollama

• Giấy phép — Apache 2.0 cho mã do Tencent viết so với Apache 2.0

Hàng bộ nhớ là thứ định hình lại phép so sánh. Một mô hình 1B ở bốn bit vừa trong dưới một gigabyte trước bộ chiếu thị giác; một mô hình 4,83B ở F32 cần khoảng mười chín gigabyte. Đây không phải những đối thủ cho cùng một chỗ. Một cái là thành phần bạn đóng gói bên trong ứng dụng; cái kia là dịch vụ bạn chạy trên GPU.

Đọc các hàng benchmark mà không tự lừa dối bản thân

Cả hai nhà cung cấp đều công bố bảng, và cả hai bảng đều do họ tự chọn. MiniCPM-V 4.7 1B báo cáo OCRBench 86.1, MathVista 74.3, CharXiv Reasoning 48.8, LongVideoBench 53.4 và MotionBench 54.55. WeVisOne-VL-4B báo cáo LVIS F1 mean 55.3, RefCOCOg test 81.8, PixMo-Count test 89.6, TotalText F1 mean 52.0, ReasonSeg val gIoU 71.2 và P3M-500-NP MAD 7.3. Không có một benchmark nào xuất hiện trong cả hai danh sách. Không có cách nào đứng vững để xác định người thắng từ những tài liệu này, và bất kỳ bài viết nào làm vậy đều đang bịa ra một kết quả.

Cách đọc công bằng thì hẹp hơn nhưng vẫn hữu ích. MiniCPM-V 4.7 1B đặc biệt mạnh về suy luận trên hình ảnh so với kích thước của nó — mức 74,3 trên MathVista từ một mô hình vừa trong điện thoại là con số mà các tác giả tự hào nhất, và đó là số do nhà cung cấp báo cáo, chưa được tái lập. WeVisOne-VL-4B đặc biệt mạnh ở việc tạo ra hình học — mặt nạ, matte, hộp bao, và tỷ lệ từ chối đo được là 96,4% trên WeRef-Bench khi đối tượng không hiện diện. Thẻ mô hình của MiniCPM không công bố chỉ số từ chối nào, còn của WeVisOne không công bố chuẩn đánh giá suy luận nào. Mỗi mô hình im lặng đúng ở nơi mô hình kia nói to.

Mỗi cái không thể làm gì

WeVisOne-VL-4B không thể xem video, không thể duy trì cuộc trò chuyện nhiều lượt về một hình ảnh và không thể chạy trên điện thoại. Nó không có con số token/giây nào được công bố và không có bản build lượng tử hóa, nghĩa là bất kỳ ai triển khai nó đều phải dùng GPU và tự đo thông lượng. Mã tinh chỉnh vẫn là một ô chưa được tích trong danh sách TODO của dự án.

MiniCPM-V 4.7 1B không thể trả về mặt nạ hoặc alpha matte. Nó sẽ cho bạn biết có một người trong ảnh và đại khái ở đâu; nó sẽ không đưa cho bạn một hình cắt có viền mềm. Nó cũng mang những rủi ro thông thường của một dòng mô hình hoàn toàn mới: một model_type mới trong Transformers, yêu cầu phiên bản tối thiểu là 5.18.0 và các báo cáo ban đầu về sự cố hỏng giải mã video trong một số kết hợp CUDA và torchcodec. Ngữ cảnh 262K của nó là con số trên giấy — quá trình hậu huấn luyện chưa được chứng minh là khai thác được đầy đủ.

Chi phí của cuộc gọi thứ hai

Trên thực tế, hai mô hình này không thay thế cho nhau, và kiến trúc thú vị sử dụng cả hai: một mô hình nhỏ, rẻ để mô tả và lập luận về hình ảnh, và một mô hình tri giác để trả về hình học. Điều đó biến một lượt suy luận thành hai, và đây là lúc chi phí không còn là chuyện phụ.

Đóng góp của OrcaRouter cho hình thái đó chính là phần nhàm chán nhưng lại quan trọng — một khóa duy nhất xuyên suốt hơn 200 mô hình, với giá niêm yết của nhà cung cấp được chuyển nguyên qua ở mức markup 0% và tự động chuyển đổi dự phòng khi một điểm cuối thượng nguồn bị suy giảm. Việc nhà cung cấp giảm giá ở phía mô hình tổng quát sẽ đến phía chúng ta ngay trong cùng ngày, vì không có lớp markup nào cần cập nhật. Cả WeVisOne-VL-4B lẫn MiniCPM-V 4.7 1B đều chưa có trong danh mục đó hôm nay, nên nửa phần nhận thức của pipeline vẫn là thứ bạn phải tự vận hành. Điều bạn tránh được là hợp đồng thứ hai và bộ thông tin xác thực thứ hai cho nửa phần đã có trong danh mục.

Cách bạn sẽ chạy một trong hai cái đó

WeVisOne-VL-4B là bản cài đặt đòi hỏi nhiều hơn. Thẻ mô hình có ghi tài liệu về Transformers, vLLM, SGLang và Docker Model Runner, nhưng mask_decoder.pt là một thành phần bắt buộc: nạp checkpoint mà không có gói suy luận của dự án thì bạn chỉ nhận được khung và văn bản, không có mặt nạ. Giải mã theo kiểu tham lam với tối đa 1.960 token thị giác mỗi ảnh, và không có số liệu thông lượng nào được công bố, nên việc đầu tiên bạn sẽ làm trên phần cứng của riêng mình là đo nó.

MiniCPM-V 4.7 1B là lựa chọn dễ hơn. Nó cần Transformers 5.18.0 trở lên, và hệ sinh thái đã đi kèm với nó — các bản dựng llama.cpp, Ollama, SGLang và vLLM, cùng các lượng tử hóa int4, AWQ, GPTQ và FP8, và một mô hình nháp DSpark riêng 213M tham số cho giải mã suy đoán. Nếu mục tiêu của bạn là điện thoại, máy Intel hay bo mạch Rockchip, đây là con đường đã được trải nhựa.

Nên đặt cược nào

Nếu ràng buộc là thiết bị, hãy chọn MiniCPM-V 4.7 1B. Không có gì ở WeVisOne-VL-4B được thiết kế cho điện thoại, và lượng tử hóa, hỗ trợ runtime cùng khả năng xử lý video ở phía MiniCPM là sản phẩm của một phòng thí nghiệm đã tung ra nhiều thế hệ mô hình trên thiết bị.

Nếu ràng buộc là đầu ra — bạn cần mặt nạ, matte, hộp bao dày đặc cho vật thể nhỏ, hoặc một câu trả lời "không hiện diện" đáng tin cậy — hãy chọn WeVisOne-VL-4B và tính ngân sách cho GPU. Hãy hiểu rằng bạn đang làm việc với một bài báo mới ra hai ngày, chưa có đánh giá độc lập, và rằng các số liệu matting là của chính Tencent.

Nếu bạn cần cả hai, bạn cần hai mô hình. Đó là kết luận trung thực, và cũng là kết luận mà chính các bảng benchmark của cả hai nhà cung cấp đều ủng hộ: họ tối ưu cho những thứ khác nhau và không bên nào cố vượt qua bên kia.