MiniCPM-V 4.7 1B vs. UI-Venus 2 9B: Der eine passt in die Tasche, der andere braucht ein Rack.

Der Vergleich zwischen MiniCPM-V 4.7 1B und UI-Venus 2 9B fällt alles andere als knapp aus, und genau darin liegt sein Nutzen. MiniCPM-V 4.7 1B ist ein allgemeines Vision-Language-Modell mit 1,55 Milliarden Parametern von OpenBMB, hochgeladen am 6. Oktober 2026, in den Versionshinweisen des Anbieters auf den 12. Oktober datiert, Apache 2.0 und klein genug, um in einer Smartphone-App zu laufen. UI-Venus 2 9B ist ein GUI-Agent mit 9,41 Milliarden Parametern von inclusionAI, veröffentlicht am 26. August 2026, speziell darauf trainiert, einen Bildschirm zu betrachten und zu entscheiden, wo getippt, Text eingegeben oder gewischt werden soll, und er erwartet eine GPU mit einem vorgeschalteten vLLM-Server.Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Veröffentlichungen wie der vorliegenden sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzgrad und Umstritten-Kennzeichnung enthält.

Sie im selben Satz zu nennen, lädt zur falschen Frage ein – welche von beiden besser ist –, obwohl die richtige Frage lautet, wofür jede von beiden gedacht ist. Ein allgemeines Vision-Modell, das in 1.8 GB quantisierten Speichers passt, und ein Screen-Agent, der 73.0 auf ScreenSpot-Pro erreicht, sind kein Ersatz füreinander. Sie sind zwei unterschiedliche Schichten eines Mobile-Automation-Stacks, und der interessante Teil ist, wo die Grenze zwischen diesen Schichten tatsächlich verläuft.

Zwei Jobs, die aus der Ferne ähnlich aussehen

Beide Modelle können einen Screenshot annehmen und Text darüber zurückgeben. Dort endet die Ähnlichkeit.

MiniCPM-V 4.7 1B liest ein Bild und beschreibt, transkribiert, extrahiert oder beantwortet es. Fragen Sie es nach der Gesamtsumme auf einem Kassenbon, dem Inhalt eines Formularfelds, ob ein Diagramm einen Aufwärtstrend zeigt oder was auf einer PDF-Seite steht, und es liefert eine Antwort. Es bietet Slicing-Steuerungen für hochauflösende Bilder, ein umschaltbares 4×/16×-Kompressionsverhältnis für visuelle Token und Frame-Sampling-Parameter für Video. Seine Dokumentation deckt Chat mit einem Einzelbild, Multi-Image-Chat, Video, OCR, PDF-Parsing und Visual Grounding ab – eine Arbeitslast zum Lesen von Dokumenten und Bildschirminhalten.

UI-Venus 2 9B liest einen Bildschirm und gibt eine Aktion aus. Seine Karte beschreibt eine geschlossene Schleife: die Schnittstelle beobachten, über den Aufgabenstatus schließen, eine Aktion ausführen, das Feedback der Umgebung in die nächste Entscheidung einbeziehen. Die Ausgaben sind Punkte und Aktionssequenzen, kein Fließtext. Darum herum liefert inclusionAI Referenz-Prompts, Aktionsparser und ausführbare Beispiele für Mobile-, Computer-, Browser-, Grounding- und CAPTCHA-Aufgaben. Das Modell ist eine Policy, und das Harness darum herum ist die Hälfte des Produkts.

Diese Unterscheidung entscheidet über die Architektur, noch bevor irgendein Benchmark herangezogen wird. Eine Handy-App, die einen Kassenbon auslesen muss, nutzt die erste. Ein System, das eine Aufgabe innerhalb einer App erledigen muss – durch einen Checkout tippen, ein Formular ausfüllen, ein Slider-CAPTCHA lösen –, nutzt die zweite und kann die erste nicht ersetzen, so gut ihre OCR auch sein mag.

Die Lizenz ist der erste Filter, nicht der Maßstab

Die Modellkarte von UI-Venus 2 9B enthält einen Abschnitt zum Veröffentlichungsstatus, den die meisten Berichte übergangen haben. Unter „Model weights“ heißt es, dass die Gewichte enthalten sind; unter „License“ heißt es, dass die Modellgewichtslizenz noch der abschließenden Bestätigung bedarf und vor der öffentlichen Freigabe hinzugefügt wird und dass die Apache-2.0-Erklärung bewusst nicht übernommen wurde, weil die Upstream-Materialien widersprüchliche Lizenzangaben enthalten.

Lies das zweimal. Die Gewichte sind herunterladbar, die Benchmarks sind veröffentlicht, der technische Bericht ist auf arXiv, und die Lizenz ist ungeklärt. Für ein Forschungsteam ist das in Ordnung. Für ein Unternehmen, das plant, einen Screen-Agenten in einem kommerziellen Produkt auszuliefern, bedeutet es, dass die rechtliche Prüfung nicht abgeschlossen werden kann. Das Modell könnte am Ende Apache 2.0 sein oder auch nicht, und anhand der heute verfügbaren Artefakte lässt sich das nicht wissen.

MiniCPM-V 4.7 1B erscheint unter Apache 2.0, ohne derartige Unklarheiten. Diese eine Zeile schließt eines der beiden Modelle für eine große Klasse kommerzieller Arbeiten aus – nicht weil es schlechter wäre, sondern weil eine ausstehende Lizenz ein Terminrisiko darstellt, das niemand eingeplant hat.

Die Hardware-Arithmetik, bevor eine Bewertung erfolgt

• Gewichte — 1,55 Mrd. Parameter (dense), ca. 3,1 GB in BF16, 0,67 GB bei Q4_K_M plus ein Vision-Projektor mit 0,90–1,11 GB gegenüber 9,41 Mrd., rund 18,8 GB in BF16 über vier Safetensors-Shards • Wo es läuft — iOS-, Android- und HarmonyOS-Apps; Day-0-Chip-Unterstützung von Rockchip, Houmo, Intel, AMD und Arm gegenüber einem GPU-Serving-Pfad, dokumentiert mit vLLM unter --max-model-len 262144 und --reasoning-parser q​wen3 • Kontext — 262.144 Tokens auf dem Papier, mit einem KV-Cache, der bei voller Länge mehr kostet als die Gewichte, gegenüber 262.144 Tokens, übernommen von der Qwen3.5-9B-Basis • Vision-Stack — ein 27-schichtiger Encoder mit 1152 Hidden-Dimensionen auf 980-Pixel-Kacheln mit Token-Komprimierung innerhalb des Encoders gegenüber dem Vision-Tower von Qwen3.5-9B, übernommen aus dem Basismodell • Lizenz — Apache 2.0 gegenüber einer ausstehenden Bestätigung, wobei die Apache-2.0-Erklärung ausdrücklich zurückgehalten wird • Evaluationsstil — fünf Zahlen im Fließtext plus reine Diagrammvergleiche gegenüber einem vollständigen numerischen Anhang über Mobilgeräte, Computer, Web, Grounding, CAPTCHA und Sicherheit • Unabhängige Evaluation — zum Zeitpunkt dieses Textes für keines der beiden Modelle vorhanden gegenüber keiner, wobei der technische Bericht unter arXiv 2609.00028 ein substanzielles, von Dritten überprüfbares Artefakt ist

Die Lücke hier beträgt etwa eine Größenordnung beim Speicher: 1,8 GB quantisiert gegenüber 18,8 GB in BF16, oder etwa 5 GB bei 4 Bit, wenn man quantisiert. Das ist der Unterschied zwischen einer App und einem Service. Das ist auch der Grund, warum die beiden Modelle üblicherweise in unterschiedlichen Artikeln besprochen werden – das eine ist eine Frage des Edge-Deployments und das andere eine Frage der Inferenzkosten.

Wo das 9B seine Größe rechtfertigt

Die Zahlen von UI-Venus 2 9B – alle vom Hersteller gemeldet, aus seinem Datenblatt und technischen Bericht – platzieren es nahe der Spitze der GUI-Klasse unter 10B. Bei ScreenSpot-Pro, das die Elementlokalisierung in hochauflösender professioneller Software misst, meldet es 73,0. Bei VenusBench-GD 77,1. Bei OSWorld-G-R 78,5. Bei AndroidWorld 80,2. Beim aktualisierten 595-Aufgaben-Split von WebVoyager 90,8. Bei OSWorld-Verified 70,8. Bei seinem eigenen VenusBench-CAPTCHA 78,1 pass@1 über acht Interaktionstypen.

Das sind keine Zahlen, die ein 1B-Generalist hervorbringt, und sie sollen es auch nicht sein. Was sie glaubwürdig statt dekorativ macht, ist die Trainingsbeschreibung: ein mobiler Pool von über 170 mehrsprachigen Apps, ein Web-Pool von über 4.000 Domains in 19 Kategorien, drei Trainingsphasen (multimodales Mid-Training, Offline-RL über fünf Aufgabenfamilien, Multi-Teacher-On-Policy-Distillation) und ein Verifikationsschema, das auf aufgabenrelevanten visuellen Keypoints mit Multi-Modell-Voting basiert statt auf einem einzelnen Judge, der den finalen Bildschirm betrachtet. Die Karte berichtet außerdem Sicherheitsergebnisse – 11,3 % Angriffserfolgsrate bei OSHarm und 48,8 % bei OSBlind, gegenüber 25,3 % und 79,4 % für die Qwen3.5-9B-Basis – und rahmt sie als Vergleich mit dieser Basis ein, nicht als absolute Robustheitsaussage, was die korrekte Einordnung ist.

Nichts davon lässt sich auf ein 1B-Modell übertragen. GUI-Agency wird trainiert und ist nicht emergent aus allgemeiner visueller Kompetenz, und keine noch so hohe OCR-Genauigkeit ersetzt eine Policy, die weiß, was ein „Weiter“-Button tut.

Wo die 1B trotzdem gewinnt

Drei Orte, und sie sind keine Trostpreise.

Latenz und Verfügbarkeit. Ein lokales 1B-Modell hat keinen Netzwerk-Roundtrip, keine Warteschlange, keinen Anbieterausfall und keine Kosten pro Anfrage. Für eine Scan-Funktion, die fünfzig Mal am Tag genutzt wird, ist das das gesamte Produkterlebnis. Ein 9B-Modell hinter einem vLLM-Server ist schnell – aber es ist schnell in der Art, wie jedes gehostete Modell schnell ist, und es ist nicht mehr schnell, wenn die Verbindung weg ist.

Datenschutz durch Konstruktion. Ein Beleg, ein Ausweisdokument, ein medizinisches Formular oder ein Screenshot einer privaten Unterhaltung können auf dem Gerät bleiben. Das ist kein Marketing-Spruch; es ist der Unterschied zwischen einer Funktion, die man in einer regulierten Branche ausliefern kann, und einer, die man nicht ausliefern kann. Die eigene Sicherheitsbewertung von UI-Venus 2 9B dreht sich um Fehlverhalten des Modells auf der Serverseite. Die Datenschutzeigenschaft des 1B-Modells besteht darin, dass das Bild das Telefon nie verlässt.

Grenzkosten. Einen Screenshot mit einem gehosteten 9B-Modell zu lesen, kostet Geld pro Anfrage – bei jeder Anfrage, für immer. Mit einem lokalen 1B-Modell kostet es Akku. Bei geringem Volumen ist die gehostete Option günstiger; bei hohem Volumen – ein Scanner in einer Außendienst-App, ein Barrierefreiheits-Tool, ein Stapel von zehntausend Belegen – ist das lokale Modell das einzige, dessen Grenzkosten gegen null gehen.

Der Stack, den die meisten Teams am Ende tatsächlich bauen

Keine Wahl zwischen diesen beiden. Eine Schichtung von ihnen.

Das 1B-Modell auf dem Gerät übernimmt die Wahrnehmung: den Bildschirm lesen, den Text extrahieren, das Feld finden und beschreiben, was dort steht. Meistens reicht das aus, und die Anfrage verlässt nie das Telefon. Wenn die Aufgabe eine Aktion erfordert – hier tippen, dort wischen, diesen Ablauf abschließen –, geht der Auftrag an einen Agenten, und ein Agent braucht ein größeres Modell mit einem Aktionsvokabular.

Diese Übergabe ist der Punkt, an dem sich eine Routing-Schicht bezahlt macht, und es lohnt sich, genau zu sein, was sie tut und was nicht. OrcaRouter bietet Zugriff auf über 200 gehostete Modelle mittels eines einzigen OpenAI-kompatiblen Endpoints bei 0 % Aufschlag, der den Listenpreis jedes Anbieters unverändert durchreicht, mit automatischem Failover und einer Routing-DSL, die eine Primärroute und eine Ausweichroute in einem einzigen Aufruf halten kann. Das Muster, das dies ermöglicht, ist unspektakulär und nützlich: Das Telefon versucht sein lokales 1B-Modell, die App eskaliert die schwierigen Fälle an ein gehostetes Vision-Modell über denselben Schlüssel, den sie für alles andere verwendet, und ein Anbieter, der einen schlechten Nachmittag hat, wird zu einem Failover-Ereignis statt zu einem Ausfall. Weder MiniCPM-V 4.7 1B noch UI-Venus 2 9B sind in diesem Katalog — beide sind Checkpoints, die man selbst ausführt —, daher ist der Router die Schicht um den Stack herum, nicht ein Weg, eines der beiden Modelle aufzurufen.

Zwei Fehlermodi, für die es sich lohnt, vorzusorgen

Das erste ist ein 1B-Generalist, der als Agent eingesetzt wird. Er liest einen Bildschirm korrekt und hat dann keine Ahnung, was er damit anfangen soll. Wenn Ihr Produkt einen Ablauf abschließen muss, statt einen zu beschreiben, ist das 1B das falsche Werkzeug, und kein Prompt behebt das.

Der zweite ist ein 9B-Agent, der auf Grundlage des Lizenzstatus einer Modellkarte ausgeliefert wird. Die Modellkarte von UI-Venus 2 9B besagt, dass die Lizenz noch aussteht und dass die Apache-2.0-Erklärung bewusst zurückgehalten wurde. Bis das geklärt ist, ist das Modell ein Forschungsartefakt für kommerzielle Zwecke, so gut die ScreenSpot-Pro-Zahl auch sein mag. Teams, die mit „es wird wahrscheinlich Apache 2.0 sein“ planen, gehen ein Zeitplanrisiko ein, das sie nicht eingepreist haben.

Worauf es bei der Wahl tatsächlich ankommt

Wenn die Frage lautet „Kann ich diesen Screenshot auf einem Telefon offline, kostenlos und mit einer Lizenz lesen, die ich ausliefern darf?“, dann antwortet MiniCPM-V 4.7 1B mit Ja – bei etwa 1,8 GB quantisiert, unter Apache 2.0, und das Einzige, was Sie überprüfen müssen, ist der Speicherspielraum Ihres eigenen Geräts.

Wenn die Frage lautet: „Kann dieses Modell die Oberfläche bedienen, statt sie zu beschreiben?“ — dann ist UI-Venus 2 9B das Modell mit dem Training, den Benchmarks und dem Harness, und es braucht zuerst eine GPU und eine Lizenzentscheidung, bevor es irgendetwas anderes braucht.

Wenn die Frage „beides, in einem Produkt“ lautet — dann bauen Sie ein zweistufiges System, wobei das 1B die Wahrnehmung auf dem Gerät übernimmt und der Agent die Aktion auf einem Server ausführt, und die Ingenieursarbeit ist die Übergabe zwischen beiden statt der Wahl zwischen ihnen.

Der Vergleich wirkt schief, weil er es ist. Ein 1B-Generalist und ein 9B-GUI-Spezialist gehören nicht derselben Gewichtsklasse, derselben Deployment-Klasse oder derselben Lizenzsituation an. Der Fehler wäre, das als „einer ist besser“ zu lesen. Sie beantworten unterschiedliche Fragen, und der schnellste Weg zur Auswahl ist, aufzuschreiben, welche Frage man eigentlich stellt.