MiniCPM-V 4.7 35B-A3B 对比 UI-Mate-27B：一个读取屏幕，另一个按下按钮

关于 MiniCPM-V 4.7 35B-A3B 与 UI-Mate-27B 的对比，诚实的第一句话是：它们并不是竞争对手。两者都在没有公告的情况下被上传到 Hugging Face，都采用宽松许可证，都基于 Qwen 系列骨干网络训练，并且各自的文档都称自己擅长理解屏幕上的内容——这也是它们常被归为一类的原因。但一个是通用视觉语言模型，读取图像并以文本作答；另一个是 GUI 智能体，读取截图并输出兼容 pyautogui 的鼠标和键盘操作。MiniCPM-V 4.7 35B-A3B 能告诉你对话框上写了什么，UI-Mate-27B 则能把它关掉。这一对比中的其他一切，都源于这一处差异；而有用的问题不是哪个模型胜出，而是你缺失的是这项工作的哪一半。

两者也都还很新。UI-Mate-27B 于 2026 年 8 月 14 日发布，两天后才挂出论文，实验室也未发布任何发布帖；我们首次报道它时，它在 Hugging Face 上的下载量为零，而且至今任何地方都没有托管 API。MiniCPM-V 4.7 于 10 月 6 日推出时完全没有模型卡，OpenBMB 直到 10 月 12 日才发布模型卡、许可标签或声明部分。两者均未经过独立评估。本文中的每一项性能数据都标注了报告方，而双方的报告方都是模型自己的实验室。

同一个机身，两种不同的任务

先从让这对组合显得自然的地方说起。两者都是采用 Apache-2.0 许可的中大型开放权重多模态模型。两者同出一脉——UI-Mate-27B 是从 Qwen3.6-27B 微调而来，而 MiniCPM-V 4.7 35B-A3B 的语言栈是 Qwen3.5 系列的稀疏 MoE。两者都瞄准同一片广阔的应用领域，屏幕、文档与应用状态，而且两者都是在悄无声息中发布的。

然后看看它们各自输出了什么。MiniCPM-V 4.7 返回的是文本 token。UI-Mate-27B 返回的是结构化动作——点击、按键、滚动、等待、任务完成信号——位于归一化的 1000×1000 坐标空间中，参考智能体会将其重新缩放至真实截图分辨率，因此预测结果能够经受住不同机器之间的显示缩放差异。模型卡明确指出，UI-Mate 是“一个智能体检查点，而非独立的视觉对话模型”，并且任何实际用途都应使用配套的框架。

这一区分决定了大多数实际部署。如果你的流水线是“读取这张截图并告诉我它有什么问题”，那么通用 VLM 就是正确的工具，而智能体则属于杀鸡用牛刀，还会带来更糟糕的失败模式。如果你的流水线是“让应用完成这件事”，那么仅靠 VLM 就意味着你得自己编写整个动作层——坐标映射、动作解析、错误恢复、重试逻辑——而这正是 UI-Mate 投入其强化学习预算的部分。

截至目前，MiniCPM-V 4.7 35B-A3B 是什么

OpenBMB 在 MiniCPM-V 系列中的首个 MoE 模型：40 层中共有 256 个专家，每个 token 激活其中 8 个，上下文窗口为 262,144 个 token，词表规模为 248,144 个 token，总参数量 35.2B，其中活跃参数约 3B。视觉部分经由 SigLIP2 模块处理，采用 LLaVA-UHD v4 的 ViT 内部早期压缩，并提供可选的 4x/16x 混合视觉 token 压缩模式——默认采用 16x 以提升吞吐量，当需要精细细节时则采用 4x。它能理解单张图像、多图集合和视频，并返回文本。

该卡片的主打宣称是：这是首个开源 MoE 模型，能在设备端实现无损、流畅的推理——采用 Lookahead Expert Scheduling、细粒度逐层量化，以及通过独立 DSpark 草稿进行的投机采样——据称在 iPhone 17 Pro Max 上达到每秒 13+ 个 token。该数字为厂商自报，未经复现且未加限定。第二项宣称——该模型在更少的推理时间内超越了 Qwen3.6 35B-A3B 的 Instruct 模式总体得分——是以图表图像而非表格形式呈现的，因此无法作为数字引用。

真正具体的是分发情况。Base、FP8、int4、AWQ、GPTQ 和 GGUF 权重均已提供；支持 SGLang、vLLM、llama.cpp、Ollama 和 OpenVINO；已有 iOS、Android 和 HarmonyOS 应用；Rockchip、Houmo、Intel、AMD 和 Arm 被列入 day-zero 芯片支持名单；而且模型卡记录了工具调用，并在服务部分给出了一个完整的函数调用示例。最后这一点对本次比较很重要：MiniCPM-V 4.7 可以成为你所构建的智能体中的感知与推理层，即便它本身不会自主行动。

截至目前，UI-Mate-27B 是什么

该厂商的 270 亿参数基础 GUI 智能体，于 2026 年 8 月 14 日发布，同时推出的还有一个 90 亿参数的同类模型以及一个演示引导变体 UI-Mate-democua-27B。训练采用监督微调，随后在可执行 GUI 环境中进行在线强化学习——模型通过实际操控桌面来学习，而非依赖静态截图。其动作空间涵盖鼠标、键盘、滚动、等待、用户交互和完成信号，输出的动作兼容 pyautogui，因此执行框架可以直接执行这些动作。

厂商所倚重的差异化优势是演示引导执行：录制一次工作流，智能体便会将其适配到当前屏幕，实时截图被视为权威依据，而不是重放固定脚本。对于一次静默发布而言，配套材料完整得异乎寻常——一个包含演示视频和 macOS Apple Silicon 应用的项目页面，一个包含官方提示词、响应解析器和交互测试框架的 GitHub 仓库，以及在权重上线两天后提交的 arXiv 预印本 2608.15930。

最受关注的数字是厂商报告的 WindowsAgentArena 得分 66.2 和 OSWorld-Verified 得分 77.0；如果这些成绩站得住脚，它们将位居今年该基准上已公布结果之首。实验室之外的任何人都尚未复现这些结果。而且部署情况也像早期智能体发布通常那样单薄：没有托管 API，推荐的 serving 路径是在 OpenAI 兼容端点后面使用 vLLM，并且明确指示要使用 harness，而不是直接调用原始 checkpoint。

八个维度，双方

• 输出 — 文本，来自 MiniCPM-V 4.7 35B-A3B；结构化、兼容 pyautogui 的操作，来自 UI-Mate-27B。

• 输入——文本、图像和视频，与实时截图加一条指令进行比对。两者均不接受音频。

• 基础模型——MiniCPM 模型采用 Qwen3.5 系列的稀疏 MoE，UI-Mate 采用 Qwen3.6-27B。

• 规模与形态 —— 总计 35.2B，256 个专家中激活 3B；27B 为稠密模型。稀疏的那个每 token 成本更低，稠密的那个更易于部署。

• 上下文 — 262,144 个 token，而默认只保留五张截图，这是二者之间最大的架构差异，也是一个能读取长篇文档集、另一个却做不到的原因。

• 许可证——两者均采用Apache-2.0，这意味着变更时选择是基于技术考量而非法律考量。

• 头条宣称，两项均为厂商自报——在 iPhone 17 Pro Max 上每秒 13 个以上 token，对比 WindowsAgentArena 的 66.2 与 OSWorld-Verified 的 77.0。基准测试各不相同，没有共同的量纲，两者均未经复现。

• 今日已可用——六种量化格式、五种运行时和移动应用，而首次报道时下载量为零、无托管 API，以及一个厂商建议你使用的测试框架。

它们真正重叠的地方

有一项任务两者都能尝试：充分理解一张 UI 截图，以便回答一个关于它的问题。问“哪个字段验证失败了”，两个模型都有可能给出合理回答。问“把它修好”，只有 UI-Mate-27B 会产出一个动作，而且前提是你已经搭好了整套流程——截图循环、解析器、执行器、坐标重缩放，以及当点击落在意外位置时的重试策略。

反向重叠较弱，但确实存在。MiniCPM-V 4.7 的工具调用支持意味着你可以围绕它构建一个智能体——在视觉模型上进行感知和规划，并通过函数调用外挂自己的动作层。这是一种合理的架构，能让你完全掌控动作空间。但大致来说，这也是在重新发明 UI-Mate 已经投入强化学习去做的事情，而且还没有 GUI 专用的训练数据。团队更应该根据自己想拥有哪一层来做选择，而不是根据哪个模型在截图上表面上更擅长。

同时服务两者，以及路由器适合的位置

两个模型都没有托管在任何地方，包括这里——MiniCPM-V 4.7 35B-A3B 和 UI-Mate-27B 在 OrcaRouter 的目录中都找不到，本文中的任何内容都不应被解读为我们路由了它们。两者都是你自己下载并运行的检查点，而对 UI-Mate 来说，这意味着两件事：约 27B 的权重，以及一个 OpenAI 兼容端点，因为厂商自己的 README 建议用 vLLM 来服务它，而测试框架期望一个兼容的 base URL。

对于成本规划来说，这个端点才是有意思的部分，因为只要端点表现正常，测试框架并不关心是哪个模型在回答。OrcaRouter 将200 多个托管模型置于同一个密钥之后 按各提供商的标价计费，我们不加价，并在各提供商路由之间自动故障转移，这使它成为智能体规划侧可直接替换的基础 URL——而路由 DSL 让你能在一次调用中组合出用于常规步骤的廉价模型和用于关键决策的更强模型，而不是搞两套集成。与 MiniCPM 模型成本结构最接近的托管形态是 Qwen3.6 35B A3B——总参数 35B，激活参数 3B，262K 上下文——每百万输入 token 0.25 美元，每百万输出 token 1.48 美元。它是否胜过自托管一个 70 GB 的稀疏 MoE，是一个你一下午就能回答的问题，而标题里那两个模型都做不到这一点。

你想要哪一个？

如果你需要一个能“行动”的模型——桌面自动化、替代 RPA、长周期应用工作流——并且愿意接受随之而来的取舍：由厂商报告的基准测试、没有独立复现、没有托管服务渠道，以及一个你必须采用而非质疑的评测框架，那就选 UI-Mate-27B。好处是，这次发布的一切都记录得异常详尽，从论文到提示词再到解析器，而 9B 的兄弟版本则为你提供了一个更便宜的模型来用于原型开发。

如果你需要感知能力——长文档、海量截图、视频——并且愿意自己负责动作层，那就选 MiniCPM-V 4.7 35B-A3B。你能得到宽松许可证、六种量化格式、五种运行时、262K 上下文窗口，以及一个尚未被 OpenBMB 外部任何人验证过的手机级部署方案。

什么会改变这一点：一个针对 UI-Mate 复现的 OSWorld 或 WindowsAgentArena 运行，这会将其核心主张从营销宣传变成一项测量；以及一个 MiniCPM-V 4.7 的评估表，而它根本不存在。在其中一个出现之前，决定权属于你的架构图，而不是任何一个记分牌——是解码器还是手，你应该知道自己缺的是哪一个。