SingVL_S1_4B vs. MiniCPM-V 4.7 1B: 4,54 Milliarden Parameter und keine Lizenz

Die nützlichste Zahl in diesem Vergleich steht auf keiner der beiden Modellkarten. Sie lautet 1,55 Milliarden: die Gesamtzahl der Tensoren von MiniCPM-V 4.7 1B, dem On-Device-Vision-Modell, das OpenBMB am 12. Oktober 2026 unter Apache 2.0 veröffentlichte, mit bereits publizierten GGUF-, AWQ-, GPTQ-, int4- und FP8-Builds sowie Portierungen für iOS, Android und HarmonyOS. Dem gegenüber steht SingVL_S1_4B, inclusionAIs Entscheidungsmodell mit 4,54 Milliarden Parametern, hochgeladen am 11. November 2026 ohne Ankündigung, ohne Lizenzdatei und ohne irgendeine quantisierte Variante. Etwa dreimal so viele Gewichte, auf der falschen Seite des Speicherbudgets eines Telefons, mit einer Aufgabe, die größtenteils nicht dieselbe Aufgabe ist. Der Vergleich lohnt sich trotzdem, denn er zeigt die eine Frage, die ein Datenblatt nicht beantworten kann: Was schuldet Ihnen ein Modell über seine Ausgabe hinaus?

Was jedes Modell zurückgibt und wo es daher leben kann

MiniCPM-V 4.7 1B ist ein instruktionsgetuntes multimodales Modell im herkömmlichen Sinne. Es liest ein einzelnes Bild, mehrere Bilder oder Video und erzeugt eine Antwort – Bildunterschriften, Transkriptionen, visuelle Fragenbeantwortung, mehrrundige Konversation. OpenBMB liefert dafür dedizierte DSpark-Speculative-Decoding-Heads, drei Tage nach dem Modell veröffentlicht, und unterstützt es über SGLang, vLLM, llama.cpp und Ollama hinweg, mit Fine-Tuning über SWIFT und LLaMA-Factory. Es gibt einen Live-Demo-Space und ein öffentliches Cookbook. Jeder davon ist ein Kanal, über den jemand anderes als der Anbieter das Modell ausgeführt hat.

SingVL_S1_4B generiert nicht. Sie übergeben ihm einen Zustand – Text, JSON, bis zu vier Bilder – und eine Menge benannter Fragen mit deklarierten Typen, und es gibt für jede von Ihnen angebotene Option eine Wahrscheinlichkeit zurück. Choice wählt einen Kandidaten aus, noul gibt die Wahrscheinlichkeit zurück, dass eine Ja/Nein-Aussage zutrifft, und score gibt eine Verteilung über zwei bis zehn geordnete Stufen plus eine erwartete Stufe zurück. Ein einzelner Forward-Pass, kein Sampling, keine Prosa. Der Quickstart des Repositorys selbst startet einen FastAPI-Server auf Port 8173 und sendet JSON per POST an /v1/systemone.

Die Deployment-Frage beantwortet sich also von selbst, bevor die Benchmark-Frage überhaupt gestellt wird. MiniCPM-V 4.7 1B hat eine ONNX-nahe Geschichte, Smartphone-Ports und Unterstützung durch Chip-Hersteller, weil es für den Einsatz auf einem Gerät konzipiert wurde. SingVL_S1_4B hat einen Python-Server, weil es für den Einsatz auf einer GPU konzipiert wurde, die jemand selbst besitzt. Wenn Ihr Produkt eine App ausliefert, ist eines davon eine Komponente und das andere eine Dienstabhängigkeit.

Effizienz ist die ganze These auf einer Seite

Die 1B-Variante von OpenBMB existiert, um eine Position auf einer Kurve aus Leistung und Inferenzzeit zu besetzen, und das Datenblatt macht ausdrücklich deutlich, dass dies – nicht die rohe Genauigkeit – die Aussage ist. Die Architektur erkauft sich diese Position auf zwei Wegen: frühe Kompression innerhalb des ViT, übernommen aus der LLaVA-UHD-v4-Linie, die visuelle Tokens innerhalb des Vision-Encoders reduziert, sodass spätere Schichten weniger Arbeit leisten, sowie gemischte 4x/16x-Kompression visueller Tokens, die es einem Aufrufer ermöglicht, Detail gegen Kosten pro Aufgabe zu tauschen. Darüber hinaus kommen die spekulativen DSpark-Heads und eine angegebene Day-zero-Supportliste hinzu, die von Rockchip und Houmo bis Intel, AMD und Arm reicht.

Der Vergleich, den der Anbieter für diese Variante tatsächlich veröffentlicht, bezieht sich auf Qwen3.5 0.8B: bessere Gesamtpunktzahl und bessere Inferenzeffizienz im Instruct-Modus – nach eigener Messung des Anbieters. Das ist eine eng gefasste Behauptung aus demselben Labor, das das Modell entwickelt hat, und genau auf diese Behauptung ist das Produkt ausgerichtet.

SingVL_S1_4B erhebt überhaupt keinen Effizienzanspruch. Die Karte nennt weder Latenz noch Durchsatz, Speicherbedarf oder Tokens pro Sekunde. Was sie indirekt vermittelt, ist ein Design, das bei einer anderen Aufgabe effizient sein sollte: Ein Forward-Pass liefert alle Antworten auf alle Fragen der Anfrage, während ein generatives Modell einen Durchlauf pro ausgegebenem Token benötigt. Bei einer Klassifikation mit fünf Optionen ist das ein großer struktureller Vorteil. Bei einer Caption ist es kein Vergleich, denn es gibt keine Caption.

Erwähnenswert: Die Konfiguration legt den Eingabevertrag auf „all-input-before-first-answer; single-turn; no-thinking“ fest, und die README nennt 65.536 Eingabe-Tokens für Text bzw. 10.000 mit Bildern. Ein 1B-Modell, das auf einem Telefon läuft, und ein 4,5B-Modell, das ein Bildbudget von 10.000 Tokens benötigt, sind für unterschiedliche Randbedingungen ausgelegt. Keine der beiden Zahlen ist falsch; sie sind Antworten auf unterschiedliche Fragen.

Die Lizenzierungslücke ist der größte Unterschied in diesem Vergleich.

MiniCPM-V 4.7 1B steht unter Apache 2.0. Das ist kein Marketing-Detail — es ist der Grund, warum das Ökosystem darum herum existiert. Innerhalb von vier Wochen nach der Veröffentlichung gab es Community-GGUF-Quantisierungen von mehreren Anbietern, einen MNN-Port, einen Rockchip-RKLLM-Build, einen NPU-Build, eine ComfyUI-Integration und mindestens ein Fine-Tune auf dem Hub. Nichts davon hätte unter einer unklaren Lizenz geschehen können, weil keiner dieser Leute die Gewichte hätte weiterverbreiten können.

SingVL_S1_4B wird ohne Lizenzfeld in den Metadaten der Modellkarte und ohne LICENSE-Datei im Repository ausgeliefert. Nach dem Standard-Urheberrecht bedeutet das, dass niemand außerhalb von inclusionAI die Berechtigung hat, es weiterzuverbreiten, zu quantisieren und das Ergebnis zu veröffentlichen oder es ohne separate Vereinbarung in einem Produkt auszuliefern. Die Organisation hat zahlreiche Modelle mit ausdrücklichen Bedingungen veröffentlicht – LemonDecider trägt Apache 2.0, die SingProbe-Familie trägt die Community-Lizenz von Q​wen –, sodass das Fehlen eher wie ein unfertiges Release als wie eine bewusste Einschränkung wirkt. Aber eine Auslegung ist keine Gewährung.

Die praktische Konsequenz: Für alles, was mit einem Kunden, einem Beschaffungsprozess oder einem App Store zu tun hat, ist MiniCPM-V 4.7 1B diese Woche einsetzbar und SingVL_S1_4B nicht. Diese eine Zeile entscheidet über mehr reale Deployment-Entscheidungen als jede Benchmark-Zeile auf beiden Karten.

Benchmarks, die nicht in dieselbe Spalte gesetzt werden dürfen

Hier gibt es keinen gemeinsamen Maßstab, und es lohnt sich, ausdrücklich zu erklären, warum, statt sich gegenseitig Zahlen vorzuhalten.

Die Evaluation von MiniCPM-V 4.7 1B wird als Diagramme veröffentlicht – ein übergreifender Leistungsvergleich, eine Frontier aus Leistung gegenüber Inferenzzeit – und nicht als Tabelle pro Datensatz in der Modellkarte. Die Zahlen existieren, die Darstellung ist vergleichend und visuell, und die zentrale Aussage ist positionell: an der Frontier besser als Qwen3.5 0.8B.

SingVL_S1_4B veröffentlicht eine detaillierte Tabelle: 69,76 beim Decision Index Text-Panel und 73,94 beim Vision-Panel, wobei alle dreiundvierzig Textdatensätze und elf Vision-Datensätze einzeln aufgeschlüsselt sind. Diese Werte stammen aus der Bewertung vorgegebener Optionen und der Wahl der höchsten Wahrscheinlichkeit, was eine deutlich einfachere Aufgabe ist, als eine freie Antwort zu erzeugen, die ein Bewerter abgleichen muss, und der Decision Index stellt ausdrücklich klar, dass seine Zahlen zufallskorrigiert und abdeckungsadjustiert sind, sodass Raten nichts einbringt.

„73.94 vision“ neben ein MiniCPM-V-Frontier-Diagramm zu setzen, wäre ein Kategorienfehler, der als Vergleich verkleidet ist. Die eine ehrliche Aussage ist, dass beide Zahlenreihen vom Hersteller angegeben sind, keine davon von einem neutralen Labor reproduziert wurde und die von SingVL_S1_4B zusätzlich zwei Tage alt sind, ohne Einreichung beim öffentlichen Reproduktionskit des Decision Index — die Karte enthält die Anleitung zum Einreichen einer solchen, was Absicht statt Ergebnis zeigt.

Wo die eigenen Zahlen des 1B-Modells interessant werden

Die Aufschlüsselung des Decision Index für SingVL_S1_4B ist aufschlussreicher als sein Gesamtwert und beschreibt zufällig ein Aufgabenprofil, um das auch das 1B-Modell konkurriert. Bei dokumentenähnlichen Vision-Aufgaben meldet SingVL_S1_4B 96.31 bei InfographicVQA und 95.82 beim CORD-plus-FUNSD-Schlüsselinformationssatz. Bei anspruchsvollem akademischem Reasoning meldet es 50.17 bei MMMU-Pro vision und 49.77 bei R-Bench-M. Moderation liegt bei 71.64 und fällt unter dem Skill-Prompt auf 43.28.

Dieses Profil – stark bei Layout und Dokumentextraktion, schwach beim deliberativen Schlussfolgern, empfindlich gegenüber Prompt-Framing bei subjektiven Urteilen – ist genau das, was man von einem 4,5B-Klassifikator mit Vision-Encoder und ohne Generierungsschritt erwarten würde, und es passt auf dieselbe Arbeit, für die MiniCPM-V 4.7 1B verkauft wird: Dokumente, Bildschirme, On-Device-OCR. Die beiden Modelle überschneiden sich also bei der Aufgabe, auch wenn sie sich in der Ausgabeform unterscheiden. Die Frage, vor der ein Team tatsächlich steht, ist, ob es den extrahierten Wert oder die extrahierte Antwort braucht.

Wenn die Pipeline das Feld, die Zahl, das Label braucht, ist die Ausgabe von SingVL_S1_4B bereits genau das, was Sie wollten, und Sie überspringen das Parsing. Wenn die Pipeline die Seite als Text mit erhaltener Struktur gerendert braucht oder eine Erklärung, warum das Feld mehrdeutig war, ist MiniCPM-V 4.7 1B die einzige der beiden, die das liefern kann.

Der Mittelweg – und was er kostet

Keines der beiden muss eine architektonische Festlegung am ersten Tag sein, und das günstigere Experiment ist nicht das offensichtliche. MiniCPM-V 4.7 1B läuft auf einem Laptop, sodass ein Test nur einen Nachmittag und sonst nichts kostet. SingVL_S1_4B erfordert für einen Test überhaupt eine GPU und einen 9,1 GB großen Download, und seine Lizenzsituation bedeutet, dass aus dem Test keine Bereitstellung werden kann, ohne ein Gespräch, das derzeit niemand bei inclusionAI öffentlich führt.

Wenn Sie wissen möchten, ob typisierte Entscheidungsbewertung Ihrer Aufgabe überhaupt hilft – bevor Sie in das Hosting eines neuen Checkpoints investieren –, ist das Muster bereits abrufbar. OrcaRouter führt TypeSafe Jev 1.14 für $0.042 pro Million Input-Tokens neben über 200 weiteren Modellen mit einem einzigen Schlüssel, wobei die Listenpreise der Anbieter mit 0 % Aufschlag weitergegeben werden und bei einem Ausfall eines Anbieters automatisch ein Failover erfolgt. Damit erhalten Sie einen funktionierenden Entscheidungs-Endpunkt, den Sie gegen Ihre eigenen Labels benchmarken können – neben den generativen Modellen, die Sie für alles andere behalten würden. SingVL_S1_4B ist nicht auf OrcaRouter und es gibt nirgends einen gehosteten Endpunkt dafür, das hier ist also keine Aussage über seine Verfügbarkeit; der Punkt ist, dass die Designfrage und die Anbieterfrage trennbar sind und nur eine von beiden eine GPU braucht.

Die ehrliche Zusammenfassung, in der Reihenfolge, in der die Entscheidungen getroffen werden

• Darf es rechtlich in ein Produkt einfließen — MiniCPM-V 4.7 1B, Apache 2.0, heute. SingVL_S1_4B, nein, bis eine Lizenz erscheint.

• Kann es dort laufen, wo das Produkt läuft – MiniCPM-V 4.7 1B, auf Smartphones und Edge-Silizium. SingVL_S1_4B, auf einem GPU-Server, den Sie betreiben.

• Liefert es, was die Pipeline benötigt – SingVL_S1_4B, wenn die Antwort ein Label und eine Konfidenz ist; MiniCPM-V 4.7 1B, wenn es sich um Text, Struktur oder Erklärung handelt.

• Ist eines davon unabhängig nachgewiesen — nein. Beide Zahlenreihen stammen von den Anbietern. MiniCPM-V 4.7 1B kann auf vier Wochen Nutzung durch Dritte zurückblicken; SingVL_S1_4B hat zwei Tage und null Downloads.

• Was würde ich zuerst bewerten – MiniCPM-V 4.7 1B, weil es nichts kostet, es auszuprobieren, und anhand der Unterlagen nicht ausgeschlossen werden kann. Dann das Entscheidungsmuster gegenüber einem bereitgestellten Endpoint und erst danach der neue Checkpoint, wenn sich das Muster selbst amortisiert.

Diese Reihenfolge ist kein Urteil über das Modell mit 4,5 Milliarden Parametern. Sie sagt etwas darüber aus, was eine Veröffentlichung ohne Lizenz, ohne Paper und ohne Ankündigung von einem Fremden verlangen kann – und das ist nicht besonders viel. Das Artefakt ist real, und das Design ist interessant; beides kann zutreffen, während die Antwort auf die Frage „Sollten wir es verwenden?“ vorerst noch Nein bleibt.