MiniCPM-V 4.7 35B-A3B 對上 UI-Mate-27B：一個讀取畫面，另一個按下按鈕

關於 MiniCPM-V 4.7 35B-A3B 與 UI-Mate-27B 的對比，最誠實的第一句話是：它們並非競爭對手。兩者都是在沒有發布公告的情況下被推上 Hugging Face，兩者都採用寬鬆授權，兩者都以 Qwen 系列骨幹進行訓練，而且兩者都在各自的文件中被描述為擅長理解螢幕上的內容——這就是它們被歸為一類的原因。但一個是通用的視覺語言模型，會讀取影像並以文字回答；另一個則是 GUI 代理，會讀取螢幕截圖並發出相容於 pyautogui 的滑鼠與鍵盤動作。MiniCPM-V 4.7 35B-A3B 能告訴你某個對話方塊寫了什麼。UI-Mate-27B 則能把它關掉。這項比較中其餘的一切都源於那一個差異，而真正有用的問題不是哪個模型勝出——而是你缺少的是這項工作的哪一半。

兩者也都很早期。UI-Mate-27B 在 2026 年 8 月 14 日問世，論文晚了兩天才跟上，實驗室也沒有發布任何發布公告；我們首次報導時，它在 Hugging Face 上的下載量為零，而且至今在任何地方都仍沒有託管 API。MiniCPM-V 4.7 在 10 月 6 日登場，完全沒有任何模型卡，而 OpenBMB 直到 10 月 12 日才發布模型卡、授權標籤或宣稱區塊。兩者都尚未經過獨立評估。本文中的每一項效能數據都標註了是由誰回報，而在雙方這邊，都是模型自家的實驗室。

同樣的身體，兩種不同的用途

先從讓這組配對顯得自然的地方說起。兩者都是中型至大型的開放權重多模態模型，採用 Apache-2.0 授權。兩者都位於同一條上游血統——UI-Mate-27B 是從 Qwen3.6-27B 微調而來，而 MiniCPM-V 4.7 35B-A3B 的語言堆疊是 Qwen3.5 系列的稀疏 MoE。兩者都鎖定同樣廣泛的應用領域：螢幕、文件與應用程式狀態，而且兩者都在無聲無息中發布。

然後看看每個模型輸出什麼。MiniCPM-V 4.7 回傳文字詞元。UI-Mate-27B 回傳一個結構化動作——點擊、按鍵、捲動、等待、任務完成訊號——位於正規化的 1000×1000 座標空間中，參考代理會將其重新縮放至真實螢幕截圖解析度，因此預測結果能在不同機器之間的顯示縮放差異下保持不變。模型卡明確指出，UI-Mate 是「一個代理檢查點，而非獨立的視覺聊天模型」，並且對於任何實際應用，都應使用隨附的測試框架。

那個區別決定了大多數實際部署。如果你的管線是「讀取這張截圖並告訴我它哪裡有問題」，通用 VLM 就是正確的工具，而代理程式則是殺雞用牛刀，還會有更糟的失效模式。如果你的管線是「讓應用程式完成那件事」，單靠 VLM 會讓你必須自己撰寫整個動作層——座標對應、動作解析、錯誤復原、重試邏輯——而這正是 UI-Mate 把其強化學習預算花在上面的部分。

截至目前為止，MiniCPM-V 4.7 35B-A3B 是什麼

OpenBMB 在 MiniCPM-V 系列中的首個 MoE：40 層中有 256 個專家、每個 token 啟用 8 個，具備 262,144 個 token 的上下文視窗與 248,144 個 token 的詞彙表，總參數 35.2B 中約有 3B 活躍參數。視覺透過 SigLIP2 模組運作，搭載 LLaVA-UHD v4 的 ViT 內早期壓縮，以及可選的混合 4x/16x 視覺 token 壓縮模式——預設為 16x 以換取吞吐量，需要精細細節時則採用 4x。它能理解單一影像、多影像組合與影片，並回傳文字。

這張卡片的標題宣稱是：這是首個具備無損、流暢裝置端推論的開源 MoE 模型——採用 Lookahead Expert Scheduling、細粒度逐層量化，以及透過獨立 DSpark 草稿模型進行的推測取樣——據稱在 iPhone 17 Pro Max 上可達每秒 13 個以上的 token。該數字由廠商自行提報、未經重現，且未附帶任何條件說明。第二項宣稱是：該模型能在更短的推論時間內，於整體 Instruct 模式分數上擊敗 Qwen3.6 35B-A3B；這項宣稱以圖表影像而非表格呈現，因此無法以具體數字引用。

具體可見的是其發行情況。Base、FP8、int4、AWQ、GPTQ 與 GGUF 權重皆已存在；SGLang、vLLM、llama.cpp、Ollama 與 OpenVINO 皆受支援；iOS、Android 與 HarmonyOS 應用程式皆已推出；Rockchip、Houmo、Intel、AMD 與 Arm 則列入首日支援的晶片；而模型卡也記載了工具呼叫，並在服務章節提供一個完整的函式呼叫範例。最後這項細節對這項比較很重要：MiniCPM-V 4.7 可以是你所建構的 AI 代理內部的感知與推理層，即使它不會自行採取行動。

截至目前，UI-Mate-27B 是什麼

該廠商的 270 億參數基礎 GUI 代理，於 2026 年 8 月 14 日發布，同時推出的還有 9B 的同系列版本，以及一個示範引導變體 UI-Mate-democua-27B。訓練方式為監督式微調，接著在可執行的 GUI 環境中進行線上強化學習——該模型是透過實際操作桌面來學習，而非從靜態螢幕截圖。其動作空間涵蓋滑鼠、鍵盤、捲動、等待、使用者互動與完成訊號，且發出的動作與 pyautogui 相容，因此執行框架可直接執行這些動作。

廠商所倚重的差異化賣點是示範引導式執行：只要錄製一次工作流程，代理便會將其調適到當前畫面，並以即時螢幕截圖為準，而非重播固定腳本。對於一次靜默發布而言，其配套資料異常完整——一個附有示範影片與 macOS Apple Silicon 應用程式的專案頁面、一個內含官方提示詞、回應解析器與互動測試框架的 GitHub 儲存庫，以及權重上線兩天後提交的 arXiv 預印本 2608.15930。

最受矚目的數字是廠商自行回報的 WindowsAgentArena 分數 66.2，以及 OSWorld-Verified 的 77.0；若這些數字站得住腳，將位居今年該基準測試已公布成績之首。實驗室之外尚無人重現這些數字。而部署方面的情況也一如早期代理發布常見的那般單薄：沒有託管 API、建議的服務途徑是將 vLLM 放在 OpenAI 相容端點後方，並明確指示要使用測試框架，而非直接呼叫未經包裝的 checkpoint。

八個維度，兩邊

• 輸出 — 文字，來自 MiniCPM-V 4.7 35B-A3B；結構化、與 pyautogui 相容的動作，來自 UI-Mate-27B。

• 輸入 — 文字、圖像和影片，對照即時螢幕截圖加上一則指令。兩者都不接收音訊。

• 基礎模型 —— 為 MiniCPM 模型採用 Qwen3.5 系列的稀疏 MoE，UI-Mate 則採用 Qwen3.6-27B。

• 大小與形狀 — 總計 35.2B，在 256 個專家中有 3B 活躍；27B 稠密。稀疏的每 token 成本較低，稠密的則較易於服務。

• 上下文——262,144 個 token，相對於預設保留五張螢幕截圖，這是兩者之間最大的單一架構差異，也是其中一方能讀取長篇文件集、另一方卻無法做到的原因。

• 授權條款——兩者皆採用 Apache-2.0，這使得這次的選擇是技術性而非法律性的考量。

• 頭條宣稱，兩者皆為廠商自行報告——在 iPhone 17 Pro Max 上每秒 13 個以上的 token，對比 WindowsAgentArena 66.2 與 OSWorld-Verified 77.0。不同的基準測試，沒有共用量尺，兩者皆未經重現。

• 現已推出——六種量化格式、五種執行環境與行動應用程式，相較於首次報導時零下載、沒有代管 API，以及供應商建議你使用的測試框架。

它們實際重疊的地方

有一項工作是兩者都能嘗試的：把 UI 截圖理解到足以回答相關問題的程度。問「哪個欄位驗證失敗」，兩個模型都能給出看似合理的答案。問「把它修好」，只有 UI-Mate-27B 會產生動作，而且前提是你已經架設好整套機制——截圖迴圈、解析器、執行器、座標重新縮放，以及當點擊落在意料之外位置時的重試策略。

反向重疊較弱，但確實存在。MiniCPM-V 4.7 的工具呼叫支援意味著你可以圍繞它打造一個代理——由視覺模型負責感知與規劃，再透過函式呼叫外掛上你自己的動作層。這是一種合理的架構，讓你完全掌控動作空間。它同時也大致上是在重新發明 UI-Mate 已經投入強化學習去做的事，而且是在沒有 GUI 專用訓練資料的情況下進行。團隊更適合根據自己想擁有哪一層來做選擇，而不是根據哪個模型在螢幕截圖上表面上更強。

同時服務兩者，以及路由器適合的定位

這兩個模型都沒有在任何地方託管，包括這裡——MiniCPM-V 4.7 35B-A3B 與 UI-Mate-27B 都未出現在 OrcaRouter 的型錄中，而且本文任何內容都不應被解讀為我們有路由它們的主張。兩者都是你得自行下載並執行的檢查點；對 UI-Mate 而言，這代表兩件事：約 27B 的權重，以及一個 OpenAI 相容端點，因為廠商自己的 README 建議用 vLLM 來提供服務，而測試框架預期使用相容的 base URL。

那個端點是成本規劃中有趣的部分，因為只要端點行為正常，測試框架並不在意是哪個模型來回答。OrcaRouter 把 200 多個託管模型放在同一把金鑰之後 以各供應商的定價計費，我們不加收任何費用，並在供應商路由之間自動容錯移轉，這讓它成為代理規劃端的隨插即用基礎 URL——而路由 DSL 讓你能在一次呼叫中組合出用於例行步驟的便宜模型，以及用於重要決策的更強模型，而不必做兩次整合。最接近 MiniCPM 模型成本概況的託管形態是 Qwen3.6 35B A3B——總計 35B、啟用 3B、262K 脈絡——每百萬輸入詞元 $0.25、每百萬輸出詞元 $1.48。那是否勝過自行託管 70 GB 稀疏 MoE，是你一個下午就能回答的問題，而標題中的兩個模型都做不到這點。

你想要哪一個？

如果你需要一個會實際行動的模型——桌面自動化、RPA 替代方案、長程應用程式工作流程——就選 UI-Mate-27B，前提是你接受隨之而來的取捨：廠商自行回報的基準、沒有獨立重現、沒有代管服務管道，以及一套你必須採納而非質疑的測試框架。好處是，這次發布的一切都異常完善地記錄了下來，從論文到提示詞再到解析器皆然，而 9B 的兄弟模型則提供你一個更便宜的模型來做原型開發。

如果你需要感知能力——長文件、大量截圖、影片——而且你準備自己掌管動作層，那就選 MiniCPM-V 4.7 35B-A3B。你能獲得寬鬆的授權條款、六種量化格式、五種執行環境、262K 視窗，以及一個尚未經 OpenBMB 以外任何人驗證的手機級部署方案。

能改變這一切的是：針對 UI-Mate 重現的 OSWorld 或 WindowsAgentArena 執行結果，這會把它的核心主張從行銷話術變成可量測的數據；以及一張 MiniCPM-V 4.7 的評估表，而這張表根本不存在。在其中一項出現之前，這個決定取決於你的架構圖，而不是任何一個計分板——是解碼器還是人手，而你應該知道自己缺的是哪一個。