MiniCPM-V 4.7 與 WeVisOne-VL-4B：一段文字，還是一個多邊形

要在 MiniCPM-V 4.7 與 WeVisOne-VL-4B 之間做選擇，最快的方法就是看它們各自輸出什麼。WeVisOne-VL-4B 回傳的是座標：以千點網格正規化的邊界框、點、實例遮罩，以及由一個接在 Qwen3-VL 主幹上的 960 萬參數解碼器所產生的全解析度 alpha 遮罩。MiniCPM-V 4.7 回傳的則是句子，而且是好幾頁的句子，放在可容納一段影片的 262,144 個 token 脈絡中。這兩者一個是可接進管線的感知元件，另一個是你向它提問的閱讀器。兩者都是 Apache-2.0，都來自中國實驗室，都在 2026 年 10 月發布，英文行業媒體幾乎沒有報導，而且它們幾乎算不上同一產品類別。

兩者的問世方式截然不同。騰訊微信視覺團隊於2026年10月22日將 WeVisOne-VL-4B 放上 Hugging Face 與 GitHub，同時發布一篇 arXiv 論文與一個 2B 同系列模型，既沒有部落格文章，也沒有新聞稿。OpenBMB 則於10月6日與7日上傳 MiniCPM-V 4.7，在其儲存庫中將發布日期標為10月12日，並於10月15日透過 PR Newswire 的英文新聞稿宣布，但英文業界報導卻少得驚人。一個是以儲存庫形式登場；另一個則是儲存庫加上通訊社新聞稿。大多數比較兩者的文章，還沒弄錯數字，就先弄錯了類別。

同一個問題的兩個答案

WeVisOne-VL-4B 是 Qwen3-VL 的微調版本，會以 token 形式輸出幾何資訊。框與點會編碼為 0 到 1000 的十進位 token，並以影像為單位正規化；而在每個預測框之後，模型會輸出一個特殊 token，其隱藏狀態會饋入獨立的遮罩解碼器：視覺特徵適配器、六個可變形交叉注意力區塊，以及一個會在步幅四、二、一上進行細化的級聯頭。結果是實例遮罩，而對於摳圖任務，則是全解析度 Alpha 通道。迴路中沒有第二個模型，也不會呼叫 SAM；整條像素路徑掛載於語言模型下，參數不到一千萬。模型為 bfloat16 格式、共 48.3 億參數，模型卡將其四捨五入為 5B；它每回合僅接受一張影像——影片網格會直接被像素解碼器拒絕。

MiniCPM-V 4.7 是涵蓋兩種規模的通用模型。35B-A3B 將 352 億個參數分散儲存在 256 個專家之中，每個 token 會路由至八個專家，約有 30 億個活躍參數，並支援 262,144 個 token 的上下文，以及單圖、多圖和影片輸入。1B 則是 15.5 億參數的稠密模型，上下文長度相同，BF16 檢查點為 3.1 GB。兩者共用 27 層 SigLIP2 視覺塔，搭配 4× 與 16× 混合視覺 token 壓縮，這正是讓 25 萬 token 上下文維持可負擔的機制。兩者都沒有指向、偵測或分割的基本能力。你可以問任一款貓在哪裡，得到的會是對貓所在位置的描述。

那個差異並非表面上的裝飾。它決定了你的下游程式碼要解析的是 JSON 還是自然語言文字，決定了錯誤的答案會明顯失敗還是無聲失敗，也決定了這個模型能否與其他任何東西組合，而不需要第二個模型來修正它的輸出。

數字，以及潛藏其中的範疇錯誤

以下每一個數字皆為廠商自行報告。騰訊的數字來自論文與 README，比較集由作者挑選，且未經第三方重現。OpenBMB 的數字來自廠商模型頁面，以文字敘述與圖表圖片公布，而非數值表格。兩家實驗室都沒有在共用評測框架上為這些模型提供獨立評分。

偵測，LVIS F1 — WeVisOne-VL-4B 為 55.3，相較於作者列出的最佳基線 50.7。MiniCPM-V 4.7 並未公布偵測數值。

• 密集偵測，Dense200 F1 — WeVisOne 為 71.3，最佳基線為 58.7，而未經修改的 Qwen3-VL-4B 則為 15.2。最後一列是論文中最有意思的部分：微調正是把通用模型變成定位器的關鍵。

• 指稱（Referring）方面，RefCOCOg 測試 F1 — WeVisOne-VL-4B 為 81.8，相較於作者所列最強基線的 77.6。它在目標不存在查詢上的拒答率是你應該先看的地方：RefCOCOg-Rej 上為 67.4%，內部 WeRef-Bench 上為 96.4%，PR-Bench 上為 52.6%。同一個模型，三種不同答案，因為分佈不同。

• 計數，PixMo-Count — 89.6 對 82.8。分割，ReasonSeg val gIoU — 71.2 對 65.0。

• 摳圖（Matting），P3M-500-NP 平均絕對差異——7.3 對 15.4，數值越低越好，約為作者所比較的最佳專用摳圖基線誤差的一半。

• 閱讀、OCRBench — MiniCPM-V 4.7 35B-A3B 為 91.2，1B 為 86.1，對比 WeVisOne-VL-4B 的 TotalText F1 為 52.0。

最後那一點是個陷阱。OCRBench 衡量的是文字辨識；TotalText F1 衡量的是文字定位。把 86.1 和 52.0 並列，並宣稱領先 34 個百分點，是範疇錯誤，而且這種錯誤會從一篇比較文章被抄到下一篇文章。誠實的說法是，這兩個模型並沒有在同一項任務上受測；這些數字唯一能證明的是，MiniCPM 是為了轉寫而打造，WeVisOne 是為了定位而打造。

記憶才是真正的代價

WeVisOne-VL-4B 是其遮罩解碼器之前的 9.66 GB bfloat16 檢查點，而騰訊並未提供量化版本。比較表上的 19 GB 數字，是同一個檢查點轉換為 F32 後的結果，因此大小翻倍；但不論哪一種，你仍然需要自訂推論程式碼：mask_decoder.pt 是必要元件，而非選用附加項，使用標準 Transformers 載入只會得到邊界框和文字，不會有遮罩。文件記載的服務路徑包括專案自身的推論套件（包裝 Transformers 後端或 vLLM 後端），以及一個 Gradio 示範；評估設定為貪婪解碼，且每張圖片上限為 1,960 個視覺 token。這是 GPU 服務。

MiniCPM-V 4.7 35B-A3B 的 BF16 權重約 70 GB，分成十六個分片；這在紙面上較不利，實際運作卻更好，因為每個 token 只有約 30 億個參數處於啟用狀態。OpenBMB 的整套主張是：未啟用的專家可從儲存裝置串流，而不必常駐記憶體；做法是用 Lookahead Expert Scheduling 預取下一層可能需要的專家，再加上逐層量化與 DSpark 推測解碼。廠商宣稱，在 iPhone 17 Pro Max 上使用約 3 GB 記憶體時，可達到每秒 13 個以上 token。尚無獨立第三方重現此結果，而且這項宣稱取決於三項技術協同運作，而非其中任一項單獨奏效。

1B 版本徹底改變了成本效益：BF16 下為 3.1 GB，Q4_K_M GGUF 格式則約 0.67 GB，這正是 esp32-eye 貓咪監視器能在 MacBook 上運行它，並以每 1.5 秒最多觸發一次的閘門方式運作的原因。同一個建置版本發現，1B 在分辨四隻長相相似的貓時並不可靠，因此它是存在偵測器，而非細粒度辨識器——對於任何打算把它當作低成本分類器使用的人來說，這是一條有用的界線。

直白地說：WeVisOne 用 9.66 GB 和一個 GPU 換來幾何能力。MiniCPM 則用 70 GB 或 3 GB（取決於你選哪個尺寸）換來閱讀能力，而且若 OpenBMB 的排程說法成立，還有一個手機等級的執行環境。

在生產環境中會出什麼問題

WeVisOne 的失效模式已被記錄且相當具體。Alpha 品質在細微邊界、嚴重遮擋與真正透明的材質上會下降。此模型對提示詞的措辭很敏感，因此「the woman's hair」與「her hair」不保證會傳回相同的遮罩。它無法處理影片，也沒有思維鏈，因此無法要求它在確定邊框前先對含糊的查詢進行推理；而其拒判行為還有一個被論文標題數字掩蓋的弱點：在 WeRef-Bench 上達 96.4%，但在 PR-Bench 上僅約 52.6%。一個多數時候能拒絕不存在目標的元件是有用的；但在不同分布上一半時候才拒絕的元件則需要防護機制。

MiniCPM-V 4.7 的失效模式是通用型模型的失效模式：無論描述是否有根據，它都會流暢地描述圖像，而且完全沒有拒絕通道。模型卡中沒有任何內容能告訴你模型何時不知道。對讀者來說，這尚可忍受——人類會自己讀那段文字。但對需要邊界框的管線來說，這就足以淘汰，因為你將把散文解析成座標，然後只能指望它碰巧正確。

如果你這週需要的是託管的通用視覺模型，而不是自架設的專用模型，那麼這兩者都不在 OrcaRouter 的目錄中，而且值得在推銷前先講明：實際可行的途徑是使用託管的通用型模型，透過 一組金鑰即可呼叫超過 200 個模型，並以 供應商牌價加 0% 計價，若上游端點不穩還能自動容錯移轉。這能讓你得到可運作的流程；它不會提供 alpha 遮罩，而且它與本頁所談的兩個模型都不同，是另一項產品。

在它們之間做選擇

如果你的輸出是幾何資訊——計算零售貨架上的物件、從照片中抠出商品、為使用者標示某個區域，或在目標不存在時拒絕——那就選 WeVisOne-VL-4B。它的抠圖數值確實很不尋常，拒識通道是真正的工程功能，而 9.66 GB 則是這樣一個元件的代價：它回傳的是程式能實際使用的結果。

如果你的目標是理解：長篇 PDF、儀表板、影片、一頁混合文字與圖表的內容，就選 MiniCPM-V 4.7 35B-A3B。如果你需要在更昂貴的模型前面放一道廉價的閘門，就選 1B，而且不要叫它分辨兩隻相似的貓。

真正能定奪這件事的比較目前還不存在：一套獨立測試框架，讓兩個模型在相同的偵測與 OCR 資料集、相同的影像額度下運行。在有人發表之前，站得住腳的立場是那個無聊的立場——這些模型做的是不同工作，廠商規格表並不重疊，而唯一應該影響你決策的數字，是你必須部署的東西的大小。