SingVL_S1_4B vs MiniCPM-V 4.7 1B: 4.54 mil millones de parámetros y sin licencia

El número más útil de esta comparación no aparece en ninguna de las dos fichas de modelo. Es 1,55 mil millones: el total de tensores de MiniCPM-V 4.7 1B, el modelo de visión en el dispositivo que OpenBMB publicó el 12 de octubre de 2026 bajo Apache 2.0, con compilaciones GGUF, AWQ, GPTQ, int4 y FP8 ya publicadas y adaptaciones a iOS, Android y HarmonyOS. Frente a él está SingVL_S1_4B, el modelo de decisión de 4,54 mil millones de parámetros de inclusionAI, subido el 11 de noviembre de 2026 sin anuncio, sin archivo de licencia y sin ninguna variante cuantizada de ningún tipo. Aproximadamente el triple de pesos, en el lado equivocado del presupuesto de memoria de un teléfono, haciendo un trabajo que en su mayoría no es el mismo trabajo. Aun así, vale la pena hacer la comparación, porque expone la única pregunta que una ficha técnica no puede responder: ¿qué te debe un modelo más allá de su resultado?

Qué devuelve cada modelo y, por tanto, dónde puede vivir

MiniCPM-V 4.7 1B es un modelo multimodal ajustado para instrucciones en el sentido convencional. Lee una sola imagen, varias imágenes o vídeo, y genera una respuesta: leyendas, transcripciones, respuesta visual a preguntas, conversación multiturno. OpenBMB distribuye para él cabezas dedicadas de decodificación especulativa DSpark, publicadas tres días después del modelo, y lo admite en SGLang, vLLM, llama.cpp y Ollama, con ajuste fino mediante SWIFT y LLaMA-Factory. Hay un espacio de demostración en vivo y un recetario público. Cada uno de ellos es un canal por el que alguien distinto del proveedor ha ejecutado el modelo.

SingVL_S1_4B no genera. Le entregas un estado —texto, JSON, hasta cuatro imágenes— y un conjunto de preguntas con nombre y tipos declarados, y devuelve una probabilidad para cada opción que ofreciste. Choice elige un candidato, noul devuelve la probabilidad de que se cumpla una proposición de sí/no, y score devuelve una distribución sobre entre dos y diez niveles ordenados más un nivel esperado. Una sola pasada hacia adelante, sin muestreo, sin prosa. El quickstart del propio repositorio ejecuta un servidor FastAPI en el puerto 8173 y envía JSON a /v1/systemone.

La pregunta sobre el despliegue se responde sola antes de que se formule la pregunta sobre el benchmark. MiniCPM-V 4.7 1B tiene una propuesta cercana a ONNX, portes a móviles y soporte de fabricantes de chips porque se diseñó para residir en un dispositivo. SingVL_S1_4B tiene un servidor Python porque se diseñó para residir en una GPU que alguien posee. Si tu producto distribuye una app, uno de estos es un componente y el otro es una dependencia de servicio.

La eficiencia es toda la tesis por un lado

La variante 1B de OpenBMB existe para ocupar una posición en una curva de rendimiento frente a tiempo de inferencia, y la tarjeta es explícita en que esto —y no la precisión bruta— es lo que se afirma. La arquitectura consigue esa posición de dos maneras: compresión temprana intra-ViT, tomada de la línea LLaVA-UHD v4, que recorta tokens visuales dentro del codificador de visión para que las capas posteriores hagan menos trabajo, y compresión mixta de tokens visuales 4x/16x, que permite a quien llama intercambiar detalle por coste por tarea. Sobre eso se asientan los cabezales especulativos DSpark y una lista declarada de soporte desde el día cero que va desde Rockchip y Houmo hasta Intel, AMD y Arm.

La comparación que el proveedor publica realmente para esta variante es con Qwen3.5 0.8B: mejor puntuación global y mejor eficiencia de inferencia en modo Instruct, según la propia medición del proveedor. Es una afirmación limitada del mismo laboratorio que creó el modelo, y es la afirmación en torno a la cual se construye el producto.

SingVL_S1_4B no hace ninguna afirmación de eficiencia. La ficha no informa latencia, rendimiento, huella de memoria ni tokens por segundo. Lo que sí informa, indirectamente, es un diseño que debería ser eficiente en una tarea distinta: una pasada forward devuelve todas las respuestas a todas las preguntas de la solicitud, mientras que un modelo generativo necesita una pasada por cada token de salida. Para una clasificación de cinco opciones, eso supone una gran ventaja estructural. Para un caption no es una comparación, porque no hay caption.

Vale la pena señalarlo: la configuración fija el contrato de entrada en «all-input-before-first-answer; single-turn; no-thinking», y el README indica 65.536 tokens de entrada para texto o 10.000 con imágenes. Un modelo de 1B que se ejecuta en un teléfono y un modelo de 4,5B que necesita un presupuesto de 10.000 tokens para imágenes están resolviendo restricciones diferentes. Ninguna de las dos cifras es incorrecta; son respuestas a preguntas distintas.

La brecha de licencias es la parte más amplia de esta comparación.

MiniCPM-V 4.7 1B es Apache 2.0. Eso no es un detalle de marketing — es la razón por la que existe el ecosistema a su alrededor. En las cuatro semanas posteriores al lanzamiento ya había cuantizaciones GGUF de la comunidad de varios publicadores, un port a MNN, una compilación para Rockchip RKLLM, una compilación para NPU, una integración con ComfyUI y al menos un ajuste fino en el Hub. Nada de eso podría haber ocurrido con una licencia poco clara, porque ninguna de esas personas podría haber redistribuido los pesos.

SingVL_S1_4B se distribuye sin campo de licencia en los metadatos de su model card y sin archivo LICENSE en el repositorio. En virtud de los derechos de autor por defecto, eso significa que nadie fuera de inclusionAI tiene permiso para redistribuirlo, cuantizarlo y publicar el resultado, ni para distribuirlo como parte de un producto sin un acuerdo aparte. La organización ha publicado muchos modelos con términos explícitos —LemonDecider tiene licencia Apache 2.0 y la familia SingProbe tiene la licencia comunitaria de Qwen—, por lo que la omisión se interpreta como una versión sin terminar más que como una restricción deliberada. Pero una lectura no es una concesión.

La consecuencia práctica: para cualquier cosa que implique a un cliente, un proceso de adquisición o una tienda de aplicaciones, MiniCPM-V 4.7 1B se puede usar esta semana y SingVL_S1_4B no. Esa única línea determina más decisiones reales de despliegue que todas las filas de benchmark de cualquiera de las dos tarjetas.

Benchmarks que no deben colocarse en la misma columna

Aquí no hay una vara de medir compartida, y conviene explicitar por qué en vez de citarnos números unos a otros.

La evaluación de MiniCPM-V 4.7 1B se publica en forma de gráficos —una comparación general de rendimiento y una frontera de rendimiento frente a tiempo de inferencia— en lugar de como una tabla por conjunto de datos en la tarjeta del modelo. Los números existen, el enfoque es comparativo y visual, y la afirmación principal es posicional: mejor en la frontera que Qwen3.5 0.8B.

SingVL_S1_4B publica una tabla densa: 69,76 en el panel Texto del Decision Index y 73,94 en el panel Visión, con los cuarenta y tres conjuntos de datos de texto y los once conjuntos de datos de visión desglosados. Esas puntuaciones provienen de puntuar las opciones proporcionadas y tomar la probabilidad máxima, lo que es una tarea sustancialmente más fácil que generar una respuesta de forma libre para que un evaluador la haga coincidir, y el Decision Index deja claro que sus cifras están corregidas por azar y ajustadas por cobertura, por lo que adivinar no aporta nada.

Colocar «73.94 vision» junto a un gráfico de la frontera de MiniCPM-V sería un error de categoría disfrazado de comparación. La única afirmación honesta es que ambos conjuntos de cifras son reportados por el proveedor, ninguno ha sido reproducido por un laboratorio neutral, y además las de SingVL_S1_4B tienen dos días de antigüedad y no se han presentado al kit de reproducción pública del Decision Index — la ficha incluye las instrucciones para presentar una, lo que demuestra intención en lugar de un resultado.

Donde los propios números del modelo 1B se vuelven interesantes

El desglose del Decision Index de SingVL_S1_4B es más revelador que su agregado, y resulta que describe un perfil de tareas para el que también compite el modelo 1B. En trabajo de visión de estilo documental, SingVL_S1_4B registra 96,31 en InfographicVQA y 95,82 en el conjunto de información clave CORD-plus-FUNSD. En razonamiento académico difícil, registra 50,17 en MMMU-Pro vision y 49,77 en R-Bench-M. La moderación se sitúa en 71,64 y cae a 43,28 con el prompt de habilidad.

Ese perfil —fuerte en maquetación y extracción de documentos, débil en razonamiento deliberativo, sensible a la formulación del prompt en juicios subjetivos— es exactamente lo que se predeciría de un clasificador de 4.5B con un codificador de visión y sin paso de generación, y encaja con el mismo trabajo para el que se vende MiniCPM-V 4.7 1B: documentos, pantallas, OCR en el dispositivo. Así que los dos modelos sí se solapan en la tarea, aunque difieren en la forma de salida. La pregunta a la que realmente se enfrenta un equipo es si necesita el valor extraído o la respuesta extraída.

Si la canalización necesita el campo, el número, la etiqueta — la salida de SingVL_S1_4B ya es lo que querías y te saltas el parseo. Si la canalización necesita la página renderizada como texto con la estructura conservada, o una explicación de por qué el campo era ambiguo, MiniCPM-V 4.7 1B es el único de los dos que puede producirla.

El camino medio, y lo que cuesta

Ninguna de estas dos opciones tiene que ser un compromiso de arquitectura tomado desde el primer día, y el experimento más económico no es el obvio. MiniCPM-V 4.7 1B se ejecuta en una laptop, así que probarlo cuesta una tarde y nada más. SingVL_S1_4B cuesta una GPU y una descarga de 9.1 GB solo para probarlo, y su situación de licencia implica que la prueba no puede convertirse en un despliegue sin una conversación que, actualmente, nadie en inclusionAI está manteniendo en público.

Si lo que quieres saber es si la puntuación de decisiones tipadas ayuda en algo a tu tarea —antes de invertir en alojar un nuevo checkpoint—, el patrón ya se puede invocar. OrcaRouter ofrece TypeSafe Jev 1.14 a $0,042 por millón de tokens de entrada junto con más de 200 modelos adicionales con una sola clave, con los precios de lista del proveedor aplicados sin margen (0 %) y conmutación por error automática si un proveedor deja de funcionar. Eso te da un endpoint de decisiones operativo para comparar con tus propias etiquetas, junto a los modelos generativos que mantendrías para todo lo demás. SingVL_S1_4B no está en OrcaRouter y no hay ningún endpoint alojado para él en ningún sitio, así que nada de esto es una afirmación sobre su disponibilidad; la cuestión es que la pregunta de diseño y la pregunta de proveedor son separables, y solo una de ellas necesita una GPU.

El resumen honesto, en el orden en que se toman las decisiones.

• ¿Puede incluirse legalmente en un producto? — MiniCPM-V 4.7 1B, Apache 2.0, hoy. SingVL_S1_4B, no, hasta que aparezca una licencia.

• ¿Puede ejecutarse donde se ejecuta el producto — MiniCPM-V 4.7 1B, en teléfonos y silicio de borde. SingVL_S1_4B, en un servidor GPU que tú operas?

• ¿Devuelve lo que el pipeline necesita — SingVL_S1_4B si la respuesta es una etiqueta y una confianza; MiniCPM-V 4.7 1B si es texto, estructura o explicación?

• ¿Está alguno demostrado de forma independiente? — No. Ambos conjuntos de cifras provienen de los proveedores. MiniCPM-V 4.7 1B tiene cuatro semanas de uso por parte de terceros; SingVL_S1_4B tiene dos días y cero descargas.

• ¿Cuál evaluaría primero — MiniCPM-V 4.7 1B, porque no cuesta nada probarlo y no se puede descartar por papeleo. Luego el patrón de decisión frente a un endpoint servido, y solo entonces el nuevo checkpoint, si el patrón se amortiza por sí mismo.

Ese orden no es un veredicto sobre el modelo de 4.500 millones de parámetros. Es una afirmación sobre lo que un lanzamiento sin licencia, sin artículo ni anuncio puede pedirle a un desconocido, que no es mucho. El artefacto es real y el diseño es interesante; ambas cosas pueden ser ciertas mientras la respuesta a «¿deberíamos usarlo?» sigue siendo no por un tiempo todavía.