
MiniCPM-V 4.7 對決 LLaDA-UI:手機即用的通用型模型對上擴散式 GUI 代理
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 187 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 414 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 138 tok/s
- orca新Orca: OrcaC2 1.02026-11-0748 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 116 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
把 MiniCPM-V 4.7 和 LLaDA-UI 擺在一起看,那個最顯而易見的框架——通才對上專才——結果卻是最沒用的解讀方式。MiniCPM-V 4.7 由 OpenBMB 於 2026 年 10 月 12 日發布文件並授權,是參數量 352 億的稀疏混合專家視覺語言模型,它全部的論點就是效率:規格表宣稱在 iPhone 17 Pro Max 上每秒可達 13 個以上的 token,而且在每單位推論時間的效能表現上,位置比 Qwen3.6 35B-A3B 更有利。LLaDA-UI 則是 inclusionAI 約 167 億參數的混合專家 GUI 代理,完全是另一個物種——它根本不會由左至右逐一生成 token,而是一次對一整塊 token 去雜訊。開發者真正要問的問題比「哪個比較好」狹窄得多:而是這兩者之中,哪一個曾在你打算交付的工作上被實測過,以及依據的是什麼證據。
這兩個證據基礎並非同一類事物
兩個模型都只有廠商自己的基準測試,且皆未經獨立重現。除此之外,比較就出現分歧了。
• MiniCPM-V 4.7 — 其模型卡的評估部分由五張圖片組成:整體視覺語言效能、語言效能、1B 變體的圖表、效能對推論時間的前沿圖,以及裝置端速度比較。文字敘述提出兩項主張,兩者皆為相對性而非絕對性的陳述。公開文件中沒有逐項基準測試的分數表。
• LLaDA-UI — 技術報告、arXiv 論文與專案頁面提供了具名基準與具名基線:ScreenSpot-Pro 52.9 對上 Qwen3-VL-8B 的 52.7,AndroidWorld 53.5 對上 47.9,MobileWorld 25.6 對上 9.4,WebVoyager 56.9 對上 45.2;其中 ScreenSpot-V2 被描述為接近,而 OSWorld-Verified 則被 inclusionAI 自身界定為尚存的差距。
• 這在實務上代表什麼——一款模型公布的是你可以據以爭論的任務層級數字,另一款公布的則是你無法拆解的綜合分數。「以更少推論時間取得更高的整體分數」是關於一張圖表的宣稱,而綜合分數背後的加權方式並未公布。ScreenSpot-Pro 的 52.9 分,則是關於一項有明確定義的測試與明確定義的通訊協定的宣稱。
• 兩者皆未經獨立驗證——LLaDA-UI 的數據來自其自身的專案頁面與技術報告;MiniCPM-V 4.7 的數據則來自廠商自行繪製的圖表。將任一方視為已有定論會是個錯誤,但把兩者視為同樣具參考價值,則會是另一種錯誤。
每個模型實際上究竟是什麼
架構上的差距比參數量所顯示的還要大,而下游大多數實務上的差異,正是由它決定。
• Base — MiniCPM-V 4.7 採用 qwen3_5_moe_text 主幹,擁有 256 個專家、每個 token 啟用 8 個、40 層,以及三比一的線性對全注意力模式;LLaDA-UI 則採用 LLaDA2.0-mini-base,這是一個遮蔽式擴散語言模型。
• 生成 — MiniCPM-V 4.7 是自迴歸式的,一次產生一個 token;LLaDA-UI 則以區塊為單位解碼,平行地對整塊輸出位置進行去噪,並在該區塊內以雙向條件重建。
• 參數 — MiniCPM-V 4.7 總計 352 億,每個 token 啟用 256 個專家中的 8 個;LLaDA-UI 作為混合專家模型,總計約 167 億。
• 上下文 — MiniCPM-V 4.7 的最大位置為 262,144 個 token;LLaDA-UI 的模型卡記載其推論腳本的 --max-length 預設值為 8192,而大型截圖需要將其調高。
• 視覺 — MiniCPM-V 4.7 採用 27 層、寬度 1,152 的 tower,patch 為 14、影像尺寸為 980,並搭配混合 4x/16x token 壓縮;LLaDA-UI 使用原生解析度的 ViT,從 SigLIP 初始化,具備 2D 旋轉嵌入,並以四對一空間合併至兩層 MLP,明確是為了保留手機、桌面與網頁截圖的長寬比。
• 輸出 — MiniCPM-V 4.7 產生文字,並以圖像與影片理解作為輸入端;LLaDA-UI 則產生 0 至 999 範圍的正規化座標,以及標記式的推理加動作序列,供後續執行之用。
• 授權條款 — MiniCPM-V 4.7 採用 Apache-2.0,於 10 月 12 日宣告;LLaDA-UI 專案頁面或模型卡上均未標示任何授權條款。
如果你要出貨,最後那一點就不是註腳。這兩者當中,有一個你今天不需要任何討論就能放進商業產品;另一個則不行。
解碼才是真正分歧所在
區塊式擴散(block-wise diffusion)正是 LLaDA-UI 之所以成為獨立研究路線、而非另一個微調版本的原因。在自迴歸代理迴圈中,每個動作 token 都依賴其之前的所有 token,因此回應末端的點擊座標必須等待先前的推理完成。在擴散式代理中,區塊是作為一個單位被精煉的,而 inclusionAI 所推銷的實際結果就是延遲:在配對的 API 測試中,專案頁面回報的數字為 4.8 至 6.4 秒,對比 Qwen3-VL-8B 的 17 至 53 秒,並描述為網頁輸入平均加速 3.58 倍、桌面 6.83 倍、行動裝置 8.95 倍,同時每次呼叫輸出更多 token。在 MobileWorld 輸入上,回報的平均值為 5.9 秒對比 53.0 秒。
那些是廠商在實驗室自家測試平台上測得、成對且未經快取的數據,也應被如此解讀。但即使有這個但書,這個方向仍值得認真看待,因為代理迴圈會放大延遲。一個要跑十步的介面代理,會把每步成本付上十次,而每步相差十秒,就是展示品與產品之間的差別。
MiniCPM-V 4.7 從相反的一端切入同一個問題。它保留自回歸解碼,並透過專家排程讓每一步都變得更便宜——跨層預測器會預先載入下一層可能需要的專家,並優先處理實際路由器真正選中的專家;同時明確指出,預測僅用於驅動預取,模型自身的路由仍主導運算。再加上逐層量化與 DSpark 推測取樣,其宣稱是 350 億參數 MoE 在手機上每秒可達 13 個以上 token。機制不同,目標相同:讓這個迴圈快到足以讓裝置運行。

每一項各自擅長什麼,在證據容許的範圍內盡可能狹義地陳述。
• 當任務是介面操作時,就選 LLaDA-UI——點擊、輸入、瀏覽行動應用程式、桌面視窗或網頁。它是這兩者中唯一已發表 grounding 與導航分數、具備有文件記載的座標慣例,並隨附行動、桌面與網頁範例請求的模型。
• 當任務是理解時,請選擇 MiniCPM-V 4.7——描述一張照片、閱讀一份文件、解析 PDF、回答關於影片的問題、在你擁有的硬體上執行。它是兩者之中,在其 cookbook 中明確關注 OCR、PDF 解析與視覺定位的那一個,並在 SGLang、vLLM、llama.cpp 和 Ollama 上獲得原生支援,且已發布可供下載的量化變體。
• 重疊程度比表面上看起來更小——MiniCPM-V 4.7 的模型卡將視覺定位列為實作指南,卻完全沒有公布任何視覺定位分數。LLaDA-UI 的模型卡只談一項任務。如果你的工作負載是 GUI 自動化,你是在拿一個經過測量的專才,跟一個未經測量的通才相比;如果你的工作負載是文件與圖像理解,你是在拿一個有文件記載的通才,跟一個從未被設計來做這件事的模型相比。
• 部署上的摩擦則恰好相反——MiniCPM-V 4.7 提供 GGUF、AWQ、GPTQ、int4 與 FP8 檢查點,另有 OpenVINO 途徑,並宣稱在 Rockchip、Houmo、Intel、AMD 與 Arm 晶片上提供首日支援。LLaDA-UI 的服務路徑需要該實驗室自家的 SGLang 多模態擴散修補程式,以及其 serve_llada_ui.sh 指令碼;模型卡明白指出,無法從原版 SGLang 安裝啟動該伺服器。
沒有人發表的成本問題
兩個模型都沒有公開的每詞元價格,因為兩者都不是那種能按百萬詞元租用的託管端點。兩者都得由你自己託管,這意味著成本就是你的硬體和你的延遲。這重新界定了選擇的框架:一個 167 億參數、BF16 下約 32 GB 的檢查點,比起 70 GB、350 億參數的檢查點,是實質上小得多的投入;而且如果代理任務只需要較小的模型,較大的模型在那樣的工作負載上並不會為你帶來任何好處。
混合架構正是路由層證明自己價值的地方。在本地執行小型、專為特定用途打造的模型來處理例行的介面工作,並把真正困難的畫面——密集的螢幕截圖、不尋常的文件、需要更大模型的世界知識才能回答的問題——交給託管端點。OrcaRouter 把 200 多個託管模型放在同一把金鑰之後,並以 0% 加成直接轉嫁各供應商的定價,還能在供應商服務劣化時自動容錯移轉;它的路由 DSL 讓單一呼叫能把困難案例分散到多個模型,以備答案必須正確而非便宜之時。MiniCPM-V 4.7 與 LLaDA-UI 都無法透過它提供服務——兩者都是你自己執行的開放權重檢查點,而路由器正是位於那個交接另一端的角色。

三個值得在做出承諾前回答的問題
LLaDA-UI 的速度優勢在你的硬體上是真的嗎?3 到 9 倍這個數字,是在實驗室自家測試框架上、對照單一基準所做出的配對、非快取測量。區塊式擴散與自迴歸解碼的記憶體特性不同,而在廠商 GPU 上測得的加速不會自動轉移到你的 GPU 上。在你據此建構之前,這是最值得重現的單一數字。
MiniCPM-V 4.7 究竟能不能被用於介面任務?或許可以——它是一個有文檔記載 grounding 工具的視覺語言模型——但模型卡並未公布任何 GUI 代理基準測試、座標慣例或動作詞彙表。今天若要在它之上建構 GUI 代理,就意味著得自行定義輸出格式,並指望模型會遵守。LLaDA-UI 刻意解決了那個問題,做法是提供附標記的推理,加上動作輸出與各平台專屬詞彙表。
哪一個在六個月後仍會獲得支援?OpenBMB 已在不到一週內,圍繞 MiniCPM-V 4.7 推出一整套系列——兩個基礎變體、五種量化格式、兩個 DSpark 草稿模型、一本 cookbook 與一個邊緣部署儲存庫——並採用 Apache-2.0 條款。LLaDA-UI 有一份技術報告、一篇 arXiv 論文、一個專案頁面與一個程式碼儲存庫,且未載明授權條款。周邊基礎設施的廣度,可以合理推測一家實驗室打算讓某個專案延續下去的意願程度。
判決
這兩者並非彼此的替代品,而誠實的建議是從這一點推導出來的,而不是從參數量推導出來的。如果你正在打造介面自動化,LLaDA-UI 是完成度較高的成品,儘管它是較小的模型——以任務來衡量,它有文件化的輸出格式與服務路徑,並且帶著你在出貨前必須解決的授權風險。如果你正在打造任何涉及看圖片、讀文件或在手機上執行的東西,MiniCPM-V 4.7 才是擁有生態系、寬鬆授權與部署故事的那一個,而它的效率宣稱,其強度就正好和一份未經重現的圖表所能做到的一樣。兩者都需要的團隊會把它們一起運行,而路由層是那套安排中最便宜的部分。

