MiniCPM-V 4.7 1B vs. UI-Venus 2 9B: uno cabe en un bolsillo, el otro necesita un rack.

La comparación entre MiniCPM-V 4.7 1B y UI-Venus 2 9B no es nada reñida, y eso es lo útil que tiene. MiniCPM-V 4.7 1B es un modelo general de visión-lenguaje de 1550 millones de parámetros de OpenBMB, subido el 6 de octubre de 2026, con fecha del 12 de octubre en las notas de la versión del proveedor, con licencia Apache 2.0 y lo bastante pequeño como para ejecutarse dentro de una aplicación móvil. UI-Venus 2 9B es un agente GUI de 9410 millones de parámetros de inclusionAI, publicado el 26 de agosto de 2026, entrenado específicamente para mirar una pantalla y decidir dónde tocar, escribir o deslizar, y espera una GPU con un servidor vLLM delante. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Ponerlos en la misma frase invita a la pregunta equivocada —cuál es mejor— cuando la correcta es para qué sirve cada uno. Un modelo de visión general que cabe en 1.8 GB de memoria cuantizada y un agente de pantalla que obtiene 73.0 en ScreenSpot-Pro no son sustitutos. Son dos capas diferentes de una pila de automatización móvil, y lo interesante es dónde está realmente la frontera entre esas capas.

Dos trabajos que parecen similares desde lejos

Ambos modelos pueden aceptar una captura de pantalla y devolver texto sobre ella. Ahí termina el parecido.

MiniCPM-V 4.7 1B lee una imagen y la describe, transcribe, extrae información o responde. Pregúntele cuál es el total de un recibo, qué contiene un campo de un formulario, si un gráfico tiene tendencia al alza o qué dice una página de un PDF, y producirá una respuesta. Dispone de controles de segmentación para imágenes de alta resolución, una relación de compresión de tokens visuales de 4×/16× conmutable y parámetros de muestreo de fotogramas para vídeo. Su documentación abarca chat con una sola imagen, chat con varias imágenes, vídeo, OCR, análisis de PDF y grounding visual: una carga de trabajo de lectura de documentos y pantallas.

UI-Venus 2 9B lee una pantalla y emite una acción. Su tarjeta describe un bucle cerrado: observar la interfaz, razonar sobre el estado de la tarea, ejecutar una acción e incorporar la retroalimentación del entorno en la siguiente decisión. Las salidas son puntos y secuencias de acciones, no prosa. A su alrededor, inclusionAI ofrece prompts de referencia, analizadores de acciones y ejemplos ejecutables para tareas móviles, de computadora, de navegador, de grounding y CAPTCHA. El modelo es una política, y el arnés que lo rodea es la mitad del producto.

Esa distinción decide la arquitectura antes de consultar cualquier benchmark. Una app móvil que necesita leer un recibo usa la primera. Un sistema que necesita completar una tarea dentro de una app —recorrer un proceso de pago a base de toques, rellenar un formulario, resolver un CAPTCHA de deslizador— usa la segunda, y no puede sustituir a la primera por bueno que sea su OCR.

La licencia es el primer filtro, no el punto de referencia.

La ficha de UI-Venus 2 9B contiene una sección de estado de lanzamiento que la mayoría de la cobertura ha pasado por alto. En "Pesos del modelo" dice que los pesos están incluidos; en "Licencia" dice que la licencia de los pesos del modelo está pendiente de confirmación final y se añadirá antes del lanzamiento público, y que la declaración de Apache-2.0 se omitió deliberadamente porque los materiales de origen contienen declaraciones de licencia contradictorias.

Léalo dos veces. Los pesos se pueden descargar, los benchmarks están publicados, el informe técnico está en arXiv y la licencia no está resuelta. Para un equipo de investigación, eso está bien. Para una empresa que planea lanzar un agente de pantalla dentro de un producto comercial, significa que la revisión legal no puede cerrarse. Puede que el modelo acabe siendo Apache 2.0, o puede que no, y no hay forma de saberlo a partir de los artefactos disponibles hoy.

MiniCPM-V 4.7 1B se distribuye bajo Apache 2.0 sin ese tipo de ambigüedad. Esa única línea elimina a uno de los dos modelos para una gran categoría de trabajo comercial — no porque sea peor, sino porque una licencia pendiente es un riesgo de cronograma que nadie presupuesta.

La aritmética del hardware, antes de cualquier puntuación

• Pesos — 1.55B denso, unos 3.1 GB en BF16, 0.67 GB en Q4_K_M más un proyector de visión de 0.90–1.11 GB frente a 9.41B, aproximadamente 18.8 GB en BF16 repartidos en cuatro fragmentos de safetensors • Dónde se ejecuta — aplicaciones para iOS, Android y HarmonyOS; soporte de chips desde el primer día de Rockchip, Houmo, Intel, AMD y Arm frente a una ruta de servicio con GPU, documentada con vLLM con --max-model-len 262144 y --reasoning-parser q​wen3 • Contexto — 262,144 tokens sobre el papel, con una caché KV que cuesta más que los pesos a longitud completa frente a 262,144 tokens, heredados de la base Qwen3.5-9B • Pila de visión — un codificador de 27 capas y 1152 dimensiones ocultas sobre teselas de 980 píxeles con compresión de tokens dentro del codificador frente a la torre de visión de Qwen3.5-9B, heredada del modelo base • Licencia — Apache 2.0 frente a confirmación pendiente, con la declaración Apache-2.0 explícitamente retenida • Estilo de evaluación — cinco cifras en prosa más comparaciones solo mediante gráficos frente a un apéndice numérico completo que abarca móvil, ordenador, web, grounding, CAPTCHA y seguridad • Evaluación independiente — ninguna para ninguno de los dos modelos a la fecha de redacción frente a ninguna, aunque el informe técnico en arXiv 2609.00028 es un artefacto sustancial verificable por terceros

La diferencia aquí es de aproximadamente un orden de magnitud en memoria: 1,8 GB cuantizados frente a 18,8 GB en BF16, o unos 5 GB a 4 bits si se cuantiza. Esa es la diferencia entre una app y un servicio. También es la razón por la que los dos modelos suelen tratarse en artículos distintos: uno es una cuestión de despliegue en el borde y el otro, una cuestión de coste de inferencia.

Donde el 9B justifica su tamaño

Las cifras de UI-Venus 2 9B, todas reportadas por el proveedor en su ficha y en su informe técnico, lo sitúan cerca de la cima de la clase GUI de menos de 10B. En ScreenSpot-Pro, que mide la localización de elementos en software profesional de alta resolución, reporta 73,0. En VenusBench-GD, 77,1. En OSWorld-G-R, 78,5. En AndroidWorld, 80,2. En la división renovada de 595 tareas de WebVoyager, 90,8. En OSWorld-Verified, 70,8. En su propio VenusBench-CAPTCHA, 78,1 pass@1 en ocho tipos de interacción.

Esos no son los números que produce un generalista de 1B, y no pretenden serlo. Lo que los hace creíbles en lugar de decorativos es la descripción del entrenamiento: un conjunto de más de 170 aplicaciones multilingües para móviles, un conjunto web de más de 4.000 dominios en 19 categorías, tres etapas de entrenamiento (entrenamiento intermedio multimodal, RL offline en cinco familias de tareas, destilación on-policy con múltiples profesores) y un esquema de verificación basado en puntos clave visuales relevantes para la tarea, con votación de múltiples modelos en lugar de un único juez que observa la pantalla final. La ficha también informa resultados de seguridad —11,3 % de tasa de éxito de ataque en OSHarm y 48,8 % en OSBlind, frente al 25,3 % y 79,4 % del modelo base Qwen3.5-9B— y los presenta como una comparación contra ese modelo base en lugar de como una afirmación absoluta de robustez, que es el encuadre correcto.

Nada de esto se transfiere a un modelo de 1B. La agencia de GUI se entrena, no surge de la competencia general en visión, y ninguna cantidad de precisión de OCR sustituye a una política que sepa qué hace un botón de «siguiente».

Donde el 1B gana de todos modos

Tres puestos, y no son premios de consolación.

Latencia y disponibilidad. Un modelo local de 1B no tiene ida y vuelta por la red, ni colas, ni caídas del proveedor, ni coste por solicitud. Para una función de escaneo que se usa cincuenta veces al día, eso es toda la experiencia del producto. Un modelo de 9B detrás de un servidor vLLM es rápido, pero es rápido en el mismo sentido en que lo es cualquier modelo alojado, y deja de serlo cuando se cae la conexión.

Privacidad por construcción. Un recibo, un documento de identidad, un formulario médico o una captura de pantalla de una conversación privada pueden quedarse en el dispositivo. Eso no es una frase de marketing; es la diferencia entre una función que se puede lanzar en un sector regulado y una que no. La propia evaluación de seguridad de UI-Venus 2 9B trata sobre el mal comportamiento del modelo en el lado del servidor. La propiedad de privacidad del 1B es que la imagen nunca sale del teléfono.

Coste marginal. Leer una captura de pantalla con un modelo alojado de 9B cuesta dinero por solicitud, en cada solicitud, para siempre. Leerla con un modelo local de 1B cuesta batería. Con poco volumen, la opción alojada es más barata; con mucho volumen —un escáner en una aplicación de campo, una herramienta de accesibilidad, un lote de diez mil recibos— el modelo local es el único cuyo coste marginal se acerca a cero.

El stack que la mayoría de los equipos realmente termina construyendo

No es una elección entre estos dos. Una superposición de ambos.

El modelo 1B en el dispositivo se encarga de la percepción: leer la pantalla, extraer el texto, encontrar el campo y describir lo que hay. La mayoría de las veces eso es suficiente, y la solicitud nunca sale del teléfono. Cuando la tarea requiere una acción —tocar esto, deslizar allí, completar este flujo—, el trabajo pasa a un agente, y un agente necesita un modelo más grande con un vocabulario de acciones.

Ese traspaso es donde una capa de enrutamiento demuestra su valía, y merece la pena ser preciso sobre lo que hace y lo que no hace. OrcaRouter expone más de 200 modelos alojados a través de un único endpoint compatible con OpenAI con un 0 % de margen, transmitiendo sin cambios el precio de lista de cada proveedor, con conmutación por error automática y un DSL de enrutamiento que puede contener un primario y un fallback en una sola llamada. El patrón que esto habilita es poco glamuroso y útil: el teléfono prueba su 1B local, la app escala los casos difíciles a un modelo de visión alojado usando la misma clave que emplea para todo lo demás, y que un proveedor tenga una mala tarde se convierte en un evento de conmutación por error en lugar de una caída. Ni MiniCPM-V 4.7 1B ni UI-Venus 2 9B están en ese catálogo —ambos son checkpoints que ejecutas tú mismo—, así que el router es la capa que rodea al stack, no una forma de llamar a ninguno de los dos modelos.

Dos modos de fallo que conviene prever

El primero es un generalista de 1B usado como agente. Leerá correctamente una pantalla y luego no tendrá idea de qué hacer con ella. Si tu producto necesita completar un flujo en lugar de describirlo, el 1B es la herramienta equivocada y ningún prompt lo soluciona.

El segundo es un agente de 9B cuyo lanzamiento depende del estado de la licencia en la ficha del modelo. La ficha de UI-Venus 2 9B indica que la licencia está pendiente y que la declaración de Apache-2.0 se omitió deliberadamente. Hasta que eso se resuelva, el modelo es un artefacto de investigación para fines comerciales, por bueno que sea el número de ScreenSpot-Pro. Los equipos que planifican suponiendo que «probablemente será Apache 2.0» están asumiendo un riesgo de cronograma que no han valorado.

A qué se reduce realmente la elección

Si la pregunta es «¿puedo leer esta captura de pantalla en un teléfono, sin conexión, gratis y con una licencia que pueda distribuir?», MiniCPM-V 4.7 1B responde que sí, con unos 1,8 GB cuantizado, bajo Apache 2.0, y lo único que tienes que verificar es el margen de memoria de tu propio dispositivo.

Si la pregunta es "{{1}}¿puede este modelo operar la interfaz en lugar de describirla?{{/1}}" — UI-Venus 2 9B es el que cuenta con el entrenamiento, los benchmarks y el harness, y necesita una GPU y una decisión de licencia antes de necesitar cualquier otra cosa.

Si la pregunta es «ambos, en un solo producto», entonces estás construyendo un sistema de dos niveles: el modelo de 1B haciendo la percepción en el dispositivo y el agente ejecutando acciones en un servidor, y el trabajo de ingeniería consiste en el traspaso entre ambos, no en la elección entre uno u otro.

La comparación parece desequilibrada porque lo está. Un generalista de 1B y un especialista en GUI de 9B no están en la misma categoría de peso, ni en la misma clase de despliegue, ni en la misma situación de licenciamiento. El error sería interpretar eso como que «uno es mejor». Están respondiendo preguntas distintas, y la forma más rápida de elegir es anotar qué pregunta te estás haciendo en realidad.