MiniCPM-V 4.7 1B vs UI-Venus 2 9B : l'un tient dans une poche, l'autre nécessite un rack

La comparaison entre MiniCPM-V 4.7 1B et UI-Venus 2 9B n'est pas serrée, et c'est précisément ce qui la rend utile. MiniCPM-V 4.7 1B est un modèle vision-langage général de 1,55 milliard de paramètres d'OpenBMB, mis en ligne le 6 octobre 2026, daté du 12 octobre dans les notes de version du fournisseur, sous licence Apache 2.0, et suffisamment petit pour fonctionner dans une application mobile. UI-Venus 2 9B est un agent GUI de 9,41 milliards de paramètres d'inclusionAI, publié le 26 août 2026, entraîné spécifiquement à regarder un écran et à décider où appuyer, saisir du texte ou balayer, et il nécessite un GPU avec un serveur vLLM devant lui. Les défaillances de l'IA et les incidents d'agents documentés qui sous-tendent des versions comme celle-ci sont recensés dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Les mettre dans la même phrase amène à se poser la mauvaise question — laquelle est la meilleure — alors que la bonne est : à quoi chacune sert-elle ? Un modèle de vision général qui tient dans 1,8 Go de mémoire quantifiée et un agent d’écran qui obtient 73,0 sur ScreenSpot-Pro ne sont pas interchangeables. Ce sont deux couches différentes d’une stack d’automatisation mobile, et ce qui est intéressant, c’est l’endroit où se situe réellement la frontière entre ces couches.

Deux métiers qui se ressemblent de loin

Les deux modèles peuvent accepter une capture d’écran et renvoyer du texte à son sujet. C’est là que s’arrête la ressemblance.

MiniCPM-V 4.7 1B lit une image et la décrit, la transcrit, en extrait des informations ou y répond. Demandez-lui quel est le total d'un reçu, ce que contient un champ de formulaire, si un graphique présente une tendance à la hausse ou ce que dit une page d'un PDF, et il produira une réponse. Il dispose de contrôles de découpage pour les images à haute résolution, d'un taux de compression des tokens visuels commutable entre 4× et 16×, et de paramètres d'échantillonnage des trames pour la vidéo. Sa documentation couvre le chat sur image unique, le chat multi-images, la vidéo, l'OCR, l'analyse de PDF et l'ancrage visuel — une charge de travail de lecture de documents et d'écrans.

UI-Venus 2 9B lit un écran et émet une action. Sa fiche décrit une boucle fermée : observer l’interface, raisonner sur l’état de la tâche, exécuter une action, intégrer le retour d’information de l’environnement dans la décision suivante. Les sorties sont des points et des séquences d’actions, pas de la prose. Autour, inclusionAI fournit des prompts de référence, des parseurs d’actions et des exemples exécutables pour des tâches mobiles, informatiques, de navigateur, de grounding et de CAPTCHA. Le modèle est une politique, et le harnais qui l’entoure constitue la moitié du produit.

Cette distinction décide de l'architecture avant même que le moindre benchmark ne soit consulté. Une application mobile qui doit lire un reçu utilise la première. Un système qui doit accomplir une tâche au sein d'une application — parcourir un tunnel de paiement, remplir un formulaire, résoudre un CAPTCHA à curseur — utilise la seconde, et ne peut se substituer à la première, aussi performante que soit son OCR.

La licence est le premier filtre, non la référence

La fiche de UI-Venus 2 9B contient une section sur l’état de publication que la plupart des couvertures ont ignorée. Sous « Poids du modèle », il est indiqué que les poids sont inclus ; sous « Licence », il est indiqué que la licence des poids du modèle est en attente de confirmation finale et sera ajoutée avant la publication publique, et que la déclaration Apache-2.0 n’a délibérément pas été reprise parce que les documents amont contiennent des déclarations de licence contradictoires.

Relisez ceci deux fois. Les poids sont téléchargeables, les benchmarks sont publiés, le rapport technique est sur arXiv et la licence n’est pas résolue. Pour une équipe de recherche, cela convient. Pour une entreprise qui prévoit d’intégrer un agent d’écran dans un produit commercial, cela signifie que la revue juridique ne peut pas être conclue. Le modèle pourrait finir sous Apache 2.0, ou non, et il n’y a aucun moyen de le savoir à partir des artefacts disponibles aujourd’hui.

MiniCPM-V 4.7 1B est distribué sous Apache 2.0, sans aucune ambiguïté de ce type. Cette simple mention élimine l'un des deux modèles pour une large catégorie de travaux commerciaux — non pas parce qu'il est moins bon, mais parce qu'une licence en attente constitue un risque de calendrier que personne ne budgète.

L'arithmétique matérielle, avant tout score

• Poids — 1.55B dense, environ 3.1 GB en BF16, 0.67 GB en Q4_K_M plus un projecteur de vision de 0.90–1.11 GB vs 9.41B, environ 18.8 GB en BF16 répartis sur quatre shards safetensors • Où il s'exécute — applications iOS, Android et HarmonyOS ; prise en charge des puces dès le premier jour par Rockchip, Houmo, Intel, AMD et Arm vs un chemin de service GPU, documenté avec vLLM à --max-model-len 262144 et --reasoning-parser qwen3 • Contexte — 262,144 tokens sur le papier, avec un cache KV qui coûte plus cher que les poids à pleine longueur vs 262,144 tokens, hérités de la base Qwen3.5-9B • Pile de vision — un encodeur à 27 couches et 1152 dimensions cachées sur des tuiles de 980 pixels avec compression de tokens intra-encodeur vs la tour de vision de Qwen3.5-9B, reprise du modèle de base • Licence — Apache 2.0 vs en attente de confirmation, la déclaration Apache-2.0 étant explicitement non fournie • Style d'évaluation — cinq chiffres en prose plus des comparaisons uniquement sous forme de graphiques vs une annexe numérique complète couvrant mobile, ordinateur, web, ancrage, CAPTCHA et sécurité • Évaluation indépendante — aucune pour l'un ou l'autre modèle à ce jour vs aucune, bien que le rapport technique sur arXiv 2609.00028 soit un artefact substantiel vérifiable par des tiers

L’écart ici est d’environ un ordre de grandeur en mémoire : 1,8 Go quantifié contre 18,8 Go en BF16, ou environ 5 Go en 4 bits si vous quantifiez. C’est la différence entre une application et un service. C’est aussi pourquoi les deux modèles sont généralement abordés dans des articles différents — l’un relève d’une question de déploiement en périphérie et l’autre d’une question de coût d’inférence.

Là où le 9B justifie sa taille

Les chiffres d’UI-Venus 2 9B, tous rapportés par le fournisseur dans sa fiche et son rapport technique, le placent près du sommet de la classe des modèles GUI de moins de 10 B. Sur ScreenSpot-Pro, qui mesure la localisation d’éléments sur des logiciels professionnels haute résolution, il annonce 73,0. Sur VenusBench-GD, 77,1. Sur OSWorld-G-R, 78,5. Sur AndroidWorld, 80,2. Sur le découpage actualisé de 595 tâches de WebVoyager, 90,8. Sur OSWorld-Verified, 70,8. Sur son propre VenusBench-CAPTCHA, 78,1 pass@1 sur huit types d’interaction.

Ce ne sont pas les chiffres qu’un généraliste de 1B produit, et ils n’ont pas vocation à l’être. Ce qui les rend crédibles plutôt que décoratifs, c’est la description de l’entraînement : un pool mobile de plus de 170 applications multilingues, un pool web de plus de 4 000 domaines répartis en 19 catégories, trois étapes d’entraînement (mi-entraînement multimodal, RL hors ligne sur cinq familles de tâches, distillation on-policy multi-enseignants), et un dispositif de vérification fondé sur des points clés visuels pertinents pour la tâche avec un vote multi-modèles plutôt qu’un juge unique examinant l’écran final. La fiche rapporte aussi des résultats de sécurité — 11,3 % de taux de réussite d’attaque sur OSHarm et 48,8 % sur OSBlind, contre 25,3 % et 79,4 % pour la base Qwen3.5-9B — et les présente comme une comparaison avec cette base plutôt que comme une affirmation de robustesse absolue, ce qui est le cadrage correct.

Rien de tout cela ne se transfère à un modèle 1B. La capacité d’action sur une GUI s’entraîne ; elle n’émerge pas d’une compétence générale en vision, et aucune précision OCR, aussi élevée soit-elle, ne remplace une politique qui sait ce que fait un bouton « suivant ».

Là où le 1B gagne de toute façon

Trois places, et ce ne sont pas des prix de consolation.

Latence et disponibilité. Un modèle 1B local n’a pas d’aller-retour réseau, pas de file d’attente, pas de panne de fournisseur et pas de coût par requête. Pour une fonctionnalité de scan utilisée cinquante fois par jour, c’est toute l’expérience produit. Un 9B derrière un serveur vLLM est rapide — mais il est rapide comme l’est n’importe quel modèle hébergé, et il cesse de l’être quand la connexion coupe.

La confidentialité par conception. Un reçu, une pièce d’identité, un formulaire médical ou une capture d’écran d’une conversation privée peuvent rester sur l’appareil. Ce n’est pas un argument marketing ; c’est la différence entre une fonctionnalité que vous pouvez livrer dans un secteur réglementé et une autre que vous ne pouvez pas. L’évaluation de sûreté de UI-Venus 2 9B porte sur le comportement défaillant du modèle côté serveur. La propriété de confidentialité du 1B est que l’image ne quitte jamais le téléphone.

Le coût à la marge. Lire une capture d'écran avec un modèle 9B hébergé coûte de l'argent par requête, à chaque requête, pour toujours. La lire avec un 1B local coûte de la batterie. À faible volume, l'option hébergée est moins chère ; à fort volume — un scanner dans une application de terrain, un outil d'accessibilité, un lot de dix mille reçus — le modèle local est le seul dont le coût marginal tend vers zéro.

La stack que la plupart des équipes finissent par construire en pratique

Pas un choix entre ces deux. Une superposition des deux.

Le 1B embarqué gère la perception : lire l’écran, extraire le texte, trouver le champ, décrire ce qui s’y trouve. La plupart du temps, cela suffit, et la requête ne quitte jamais le téléphone. Lorsque la tâche nécessite une action — toucher ici, balayer là, accomplir ce flux — le travail revient à un agent, et un agent a besoin d’un modèle plus grand doté d’un vocabulaire d’actions.

C'est à ce passage de relais qu'une couche de routage justifie son existence, et il vaut la peine de préciser ce qu'elle fait et ce qu'elle ne fait pas. OrcaRouter expose plus de 200 modèles hébergés via un point de terminaison unique compatible OpenAI, avec 0 % de marge, en répercutant sans modification le prix catalogue de chaque fournisseur, avec basculement automatique et un DSL de routage capable de définir un modèle principal et un modèle de secours dans un seul appel. Le schéma que cela permet est sans éclat et utile : le téléphone essaie son modèle local 1B, l'application fait remonter les cas difficiles vers un modèle de vision hébergé via la même clé que celle qu'elle utilise pour tout le reste, et un fournisseur qui traverse un mauvais moment devient un événement de basculement plutôt qu'une panne. Ni MiniCPM-V 4.7 1B ni UI-Venus 2 9B ne figurent dans ce catalogue — ce sont tous deux des checkpoints que vous exécutez vous-même —, donc le routeur est la couche autour de la pile, et non un moyen d'appeler l'un ou l'autre de ces modèles.

Deux modes de défaillance qu'il vaut la peine d'anticiper

Le premier est un généraliste de 1B utilisé comme agent. Il lira correctement un écran, puis n’aura aucune idée de quoi en faire. Si votre produit doit exécuter un flux plutôt que le décrire, le 1B est le mauvais outil, et aucun prompt n’y changera rien.

Le deuxième est un agent 9B dont la mise à disposition dépend du statut de licence indiqué sur la fiche du modèle. La fiche d’UI-Venus 2 9B précise que la licence est en attente et que la déclaration Apache-2.0 a été volontairement retenue. Tant que ce point n’est pas résolu, le modèle reste un artefact de recherche pour les usages commerciaux, quelle que soit la qualité du score ScreenSpot-Pro. Les équipes qui planifient en partant du principe qu’« il sera probablement sous Apache 2.0 » prennent un risque de calendrier qu’elles n’ont pas chiffré.

Ce à quoi le choix se résume réellement

Si la question est « puis-je lire cette capture d’écran sur un téléphone, hors ligne, gratuitement, avec une licence que je peux embarquer » — MiniCPM-V 4.7 1B répond oui, à environ 1,8 Go quantifié, sous Apache 2.0, et la seule chose que vous devez vérifier, c’est la marge de mémoire de votre propre appareil.

Si la question est « ce modèle peut-il piloter l’interface plutôt que la décrire », UI-Venus 2 9B est celui qui dispose de l’entraînement, des benchmarks et du harnais, et il lui faut un GPU et une décision de licence avant toute autre chose.

Si la question est « les deux, dans un seul produit » — alors vous construisez un système à deux niveaux, le 1B assurant la perception sur l’appareil et l’agent assurant l’action sur un serveur, et le travail d’ingénierie consiste en la passation entre les deux plutôt qu’en le choix entre les deux.

La comparaison semble déséquilibrée parce qu’elle l’est. Un généraliste de 1B et un spécialiste GUI de 9B ne sont pas dans la même catégorie de poids, la même catégorie de déploiement, ni la même position en matière de licence. L’erreur serait d’y voir « l’un est meilleur ». Ils répondent à des questions différentes, et le moyen le plus rapide de choisir est d’écrire quelle question vous posez réellement.