一张生成的主视觉卡片,标题为“MiniCPM-V 4.7 vs LLaDA-UI”,副标题为“面向手机端的通用模型,对阵扩散式 GUI 智能体”,左侧卡片写着“LLaDA-UI:16.7B MoE、块级扩散、GUI 智能体、ScreenSpot-Pro 52.9”,右侧卡片写着“MiniCPM-V 4.7:35.2B 稀疏 MoE、自回归、Apache-2.0、无评分表”,胶囊标签写着“有实测指标的专业模型,对阵无实测指标的通用模型”。OrcaRouter 标志出现在右下角。
Guides & Insights

MiniCPM-V 4.7 对决 LLaDA-UI:面向手机的通用模型对阵扩散式 GUI 智能体

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

把 MiniCPM-V 4.7 和 LLaDA-UI 摆在一起,那个显而易见的框架——通才对专家——结果反而是解读这场对决最没用的方式。OpenBMB 于 2026 年 10 月 12 日为其发布文档并授予许可的 MiniCPM-V 4.7,是一个拥有 352 亿参数的稀疏专家混合视觉语言模型,它的全部主张就是效率:模型卡声称它在 iPhone 17 Pro Max 上每秒能生成 13 个以上 token,且在“性能—推理时间”上的位置优于 Qwen3.6 35B-A3B。inclusionAI 的 LLaDA-UI 则是一个约 167 亿参数的专家混合 GUI 智能体,与前者完全是另一个物种——它根本不从左到右地生成 token,而是一次性对一整块 token 做去噪。构建者真正要问的问题比“哪个更好”要窄得多:这两者当中,哪一个在你正打算让它做的那项工作上被实际测量过,凭的又是什么证据。

这两个证据基础不是同一类事物。

这两款模型都只有厂商提供的基准测试结果,且均未被独立复现。除此之外,二者的比较就出现了分歧。

• MiniCPM-V 4.7 — 其模型卡的评测部分由五张图组成:整体视觉语言性能、语言性能、1B 变体的图表、性能与推理时间的前沿曲线图,以及端侧速度对比。正文中提出了两项论断,二者均为相对比较,而非绝对结论。公开文档中没有逐基准的分数表。

• LLaDA-UI——技术报告、arXiv 论文和项目页面给出了具名基准与具名基线:ScreenSpot-Pro 52.9 对 Qwen3-VL-8B 的 52.7,AndroidWorld 53.5 对 47.9,MobileWorld 25.6 对 9.4,WebVoyager 56.9 对 45.2,其中 ScreenSpot-V2 被描述为接近,而 OSWorld-Verified 则被 inclusionAI 自己界定为尚存的差距。

• 这在实践中意味着什么——一个模型公布的是任务级数字,你可以就此展开争论;另一个公布的则是一个你无法拆解的复合指标。“以更少的推理时间获得更高的总体得分”只是一个关于图表的说法,而该复合指标背后的权重分配并未公布。ScreenSpot-Pro 得分 52.9 则是针对一项有明确定义协议的定义明确的测试所得出的结论。

• 两者均未经独立验证——LLaDA-UI 的数据来自其自己的项目页面和技术报告;MiniCPM-V 4.7 的数据则来自厂商自己绘制的图表。把其中任何一方当作定论都是错误的,但把它们视为具有同等参考价值,则是另一种错误。

每个模型实际上是什么

架构上的差距比参数数量所显示的更大,并且它决定了后续大多数实际差异。

• Base — MiniCPM-V 4.7 以 qwen3_5_moe_text 为主干,拥有 256 个专家、每个 token 激活 8 个专家、40 层,并采用三比一的线性注意力与全注意力模式;LLaDA-UI 则以 LLaDA2.0-mini-base 为基础,后者是一个掩码扩散语言模型。

• 生成 — MiniCPM-V 4.7 是自回归的,一次只处理一个 token;LLaDA-UI 则按块解码,并行地对整个输出位置块进行去噪,并在该块内部的双向条件下进行重建。

• 参数 — MiniCPM-V 4.7 总计 352 亿,每个 token 激活 256 个专家中的 8 个;LLaDA-UI 作为混合专家模型总计约 167 亿。

• 上下文 — MiniCPM-V 4.7 的最大位置为 262,144 个 token;LLaDA-UI 的模型卡文档指出,其推理脚本的 --max-length 默认值为 8192,对于较大的截图需要将其调高。

• 视觉 — MiniCPM-V 4.7 采用 27 层、宽度为 1,152 的视觉塔,patch 为 14、图像尺寸为 980,并使用 4x/16x 混合 token 压缩;LLaDA-UI 采用从 SigLIP 初始化的原生分辨率 ViT,带有二维旋转嵌入,并通过四比一的空间合并接入两层 MLP,明确旨在保留手机、桌面端和网页截图的宽高比。

• 输出 — MiniCPM-V 4.7 生成文本,以图像和视频理解作为输入端;LLaDA-UI 生成 0 到 999 范围内的归一化坐标,以及供执行的带标记推理加动作序列。

• 许可证 — MiniCPM-V 4.7 采用 Apache-2.0,于 10 月 12 日声明;LLaDA-UI 项目页面或模型卡上均未标明任何许可证。

如果你要发布产品,最后那条要点就不是脚注。这两者之中,有一个你今天无需任何沟通就能放进商业产品;另一个则不能。

解码才是真正分歧所在

分块扩散是 LLaDA-UI 作为一条独立工作线存在、而非作为又一个微调版本的原因。在自回归智能体循环中,每个动作 token 都依赖于它之前的每个 token,因此响应末尾的点击坐标要等待其之前的推理。在扩散式智能体中,块作为一个整体被细化,而 inclusionAI 所推销的实际结果就是延迟:在一项配对的 API 测试中,项目页面报告为 4.8 至 6.4 秒,而 Qwen3-VL-8B 为 17 至 53 秒,据描述在 Web、桌面和移动输入上的平均加速分别为 3.58 倍、6.83 倍和 8.95 倍,同时每次调用输出更多 token。在 MobileWorld 输入上,报告的平均值为 5.9 秒,对比 53.0 秒。

这些是供应商在自家实验室测试平台上测得的、成对的、非缓存的数据,也应当按此来理解。但即便有这个保留条件,这个方向仍值得认真对待,因为智能体循环会成倍放大延迟。一个要走十步的界面智能体,就要把每步成本支付十次,而每步十秒的差距,就是演示品与产品之间的差距。

MiniCPM-V 4.7 则从相反的方向攻克同一个问题。它保留自回归解码,并通过专家调度让每一步都成本低廉——一个跨层预测器会预加载下一层可能需要的专家,并优先处理真实路由器实际选中的那些,同时在模型卡中明确说明:预测只驱动预取,模型自身的路由仍然主导计算。再加上逐层量化和 DSpark 投机采样,其宣称是在手机上实现 350 亿参数 MoE 每秒 13 个以上 token。机制不同,目标相同:让这个循环足够快,快到设备可以运行它。

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.'

各自擅长什么,在证据允许的范围内尽可能狭义地说明

• 当任务涉及界面时,选择 LLaDA-UI——点击、输入、在移动应用、桌面窗口或网页中导航。它是两者中唯一发布了 grounding 与导航评分、有文档化的坐标约定,并为移动端、桌面端和网页打包了示例请求的那个。

• 当任务是理解时,选择 MiniCPM-V 4.7——描述一张照片、阅读文档、解析 PDF、回答关于视频的问题、在你拥有的硬件上运行。它是两者中唯一在其 cookbook 里明确关注 OCR、PDF 解析和视觉定位的那一个,在 SGLang、vLLM、llama.cpp 和 Ollama 中均获得开箱即用支持,并已发布可供下载的量化变体。

• 重叠部分比看起来要小——MiniCPM-V 4.7 的模型卡将视觉定位列为操作指南内容,却完全没有公布任何定位得分。LLaDA-UI 的模型卡则只围绕一项任务展开。如果你的工作负载是 GUI 自动化,那你就是在把一个经过实测的专才与一个未经实测的通才做比较;如果你的工作负载是文档与图像理解,那你就是在把一个有据可查的通才与一个从未为此而打造的模型做比较。

• 部署阻力恰恰相反 —— MiniCPM-V 4.7 提供 GGUF、AWQ、GPTQ、int4 和 FP8 检查点,还支持 OpenVINO 路径,并声称在 Rockchip、Houmo、Intel、AMD 和 Arm 芯片上实现首日支持。LLaDA-UI 的服务路径需要该实验室自有的 SGLang 多模态扩散补丁及其 serve_llada_ui.sh 脚本;模型卡明确表示,无法从原版 SGLang 安装启动该服务器。

没人公布的成本问题

这两个模型都没有公开的按 token 计价的价格,因为两者都不是你可以按百万 token 租用的托管端点。两者都由你自行托管,这意味着成本就是你的硬件和延迟。这重新框定了这个选择:一个在 BF16 精度下约 32 GB 的 167 亿参数检查点,相比一个 70 GB 的 350 亿参数模型,是显著更小的投入;而且如果智能体任务只需要较小的模型,那么较大的模型在该工作负载上不会给你带来任何好处。

混合方案才是路由层真正体现价值的地方。日常的界面工作交给本地运行的小而专用的模型,而真正棘手的帧——一张信息密集的截图、一份不寻常的文档、一个需要更大模型世界知识才能回答的问题——则交给托管端点。OrcaRouter把 200 多个托管模型放在同一个密钥之后,各服务商均按标价原价透传、零加价,并在某个服务商服务劣化时自动故障转移;它的路由 DSL 让单次调用就能把一个棘手案例分发给多个模型,用于答案必须正确而非便宜的场合。MiniCPM-V 4.7 和 LLaDA-UI 都不通过它提供服务——两者都是你自己运行的开放权重检查点,而路由器正位于这次交接的另一侧。

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.

在做出承诺之前值得回答的三个问题

LLaDA-UI 的速度优势在你的硬件上真的成立吗?3 到 9 倍的数字是实验室自有测试框架上、针对一个基线进行的成对、非缓存测量。分块扩散与自回归解码的内存特性不同,而在厂商 GPU 上测得的加速并不会自动迁移到你的硬件上。在以此为基础构建之前,这是最值得复现的一个数字。

MiniCPM-V 4.7 到底能不能用于界面任务?有可能——它是一个有文档化 grounding 工具的视觉语言模型——但其模型卡没有发布任何 GUI 智能体基准、没有坐标约定,也没有动作词汇表。如今在它之上构建 GUI 智能体,意味着你得自己定义输出格式,并指望模型遵守它。LLaDA-UI 刻意解决了这个问题,它带有标签的推理以及动作输出,还有按平台划分的词汇表。

六个月后哪一个还会继续获得支持?OpenBMB 在不到一周的时间里,围绕 MiniCPM-V 4.7 推出了完整的产品家族——两个基础变体、五种量化格式、两个 DSpark 草稿模型、一本实战指南以及一个边缘部署仓库——并采用 Apache-2.0 条款。LLaDA-UI 有一份技术报告、一篇 arXiv 论文、一个项目页面和一个代码仓库,但没有声明任何许可证。周边基础设施的丰富程度,可以合理反映一个实验室打算让某个项目存活多久。

裁决

这两者并非彼此的替代品,诚实的建议应由此得出,而不是取决于参数量。如果你要做界面自动化,尽管 LLaDA-UI 是更小的模型,它却是完成度更高的成品——在任务上经过实测,有文档化的输出格式和一条服务路径,同时也带着你在发布前必须解决的许可证风险。如果你要构建任何涉及看图、阅读文档或在手机上运行的东西,那么拥有生态、宽松许可证和部署方案的是 MiniCPM-V 4.7,而它的效率宣称,其力度恰恰等同于一张未经复现的图表所能赋予的。两者都需要的团队会把它们一起运行,而路由层是这种安排中最便宜的一环。

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.