MiniCPM-V 4.7 1B לעומת UI-Venus 2 9B: האחד נכנס לכיס, והאחר זקוק לארון שרתים

ההשוואה בין MiniCPM-V 4.7 1B ל-UI-Venus 2 9B אינה צמודה, וזה מה שמועיל בה. MiniCPM-V 4.7 1B הוא מודל חזותי-לשוני כללי בעל 1.55 מיליארד פרמטרים מבית OpenBMB, שהועלה ב-6 באוקטובר 2026, מתוארך ל-12 באוקטובר בהערות ההפצה של הספק, ברישיון Apache 2.0, וקטן מספיק כדי לרוץ בתוך אפליקציית טלפון. UI-Venus 2 9B הוא סוכן GUI בעל 9.41 מיליארד פרמטרים מבית inclusionAI, שיצא ב-26 באוגוסט 2026, שאומן במיוחד להסתכל על מסך ולהחליט היכן להקיש, להקליד או להחליק, והוא מצפה ל-GPU עם שרת vLLM לפניו.כשלי ה-AI המתועדים ותקריות הסוכנים שמאחורי מהדורות כמו זו נאספים ב-ארכיון התקריות של OrcaRouter AIשבו כל ערך נושא מקורות משלו, דירוג חומרה, ציון מהימנות ודגל שנוי במחלוקת.

הצבתם באותו משפט מזמינה את השאלה הלא נכונה — איזה מהם טוב יותר — כשהשאלה הנכונה היא למה כל אחד מהם נועד. מודל ראייה כללי שנכנס ל־1.8 GB של זיכרון מכומת וסוכן מסך שמשיג 73.0 ב־ScreenSpot-Pro אינם תחליפים. אלה שתי שכבות שונות של מחסנית אוטומציה לנייד, והחלק המעניין הוא היכן בעצם עובר הגבול בין השכבות האלה.

שני תפקידים שנראים דומים ממרחק

שני המודלים יכולים לקבל צילום מסך ולהחזיר טקסט אודותיו. שם נגמר הדמיון.

MiniCPM-V 4.7 1B קורא תמונה ומתאר, מתמלל, מחלץ או עונה. שאלו אותו מהו סכום הקבלה, מה מכיל שדה בטופס, האם תרשים מגלה מגמת עלייה, או מה כתוב בעמוד של PDF — והוא יפיק תשובה. יש לו בקרות חיתוך לתמונות ברזולוציה גבוהה, יחס דחיסת טוקנים חזותיים של 4×/16× הניתן להחלפה, ופרמטרים לדגימת פריימים עבור וידאו. התיעוד שלו מכסה צ'אט עם תמונה בודדת, צ'אט עם מספר תמונות, וידאו, OCR, פירוש PDF ו־visual grounding — עומס עבודה של קריאת מסמכים ומסכים.

UI-Venus 2 9B קורא מסך ופולט פעולה. הכרטיס שלו מתאר לופ סגור: לבחון את הממשק, להסיק לגבי מצב המשימה, לבצע פעולה, ולשלב את המשוב של הסביבה בהחלטה הבאה. הפלטים הם נקודות ורצפי פעולות, לא פרוזה. סביבו, inclusionAI מספקת פרומפטים לדוגמה, מנתחי פעולות ודוגמאות הניתנות להרצה עבור משימות מובייל, מחשב, דפדפן, grounding ו-CAPTCHA. המודל הוא מדיניות, וההארנס סביבו הוא חצי מהמוצר.

ההבחנה הזו מכריעה את הארכיטקטורה לפני שמתייעצים עם שום מדד ביצועים. אפליקציית טלפון שצריכה לקרוא קבלה משתמשת בראשונה. מערכת שצריכה להשלים משימה בתוך אפליקציה — ללחוץ דרך תהליך תשלום, למלא טופס, לפתור CAPTCHA מסוג סליידר — משתמשת בשנייה, ואינה יכולה להחליף את הראשונה לא משנה כמה טוב ה-OCR שלה.

הרישיון הוא המסנן הראשון, לא אמת המידה

כרטיס המודל של UI-Venus 2 9B מכיל סעיף סטטוס שחרור שרוב הסיקור דילג עליו. תחת "משקולות מודל" נאמר שהמשקולות כלולות; תחת "רישיון" נאמר שרישיון משקולות המודל ממתין לאישור סופי ויתווסף לפני השחרור הציבורי, ושההצהרה בדבר Apache-2.0 לא הועברה במכוון משום שחומרי המקור מכילים הצהרות רישיון סותרות.

קראו את זה פעמיים. המשקולות זמינות להורדה, מדדי הביצועים מפורסמים, הדוח הטכני נמצא ב-ArXiv, והרישיון עודנו בלתי מוכרע. עבור צוות מחקר זה בסדר. אבל עבור חברה שמתכננת להטמיע סוכן מסך בתוך מוצר מסחרי, המשמעות היא שהבדיקה המשפטית אינה יכולה להסתיים. ייתכן שהמודל יופץ בסופו של דבר תחת Apache 2.0, וייתכן שלא, ואין דרך לדעת זאת מהארטיפקטים הזמינים כיום.

MiniCPM-V 4.7 1B מופץ תחת Apache 2.0 ללא אי־בהירות מסוג זה. השורה הבודדת הזו מוציאה אחד משני המודלים מהתמונה עבור מחלקה גדולה של עבודה מסחרית — לא משום שהוא גרוע יותר, אלא מפני שרישיון תלוי ועומד מהווה סיכון ללוחות זמנים שאיש לא מתקצב עבורו.

האריתמטיקה של החומרה, לפני כל ניקוד

• משקלים — 1.55B צפוף, כ-3.1 GB ב-BF16, 0.67 GB ב-Q4_K_M בתוספת מקרן ראייה בנפח 0.90–1.11 GB לעומת 9.41B, כ-18.8 GB ב-BF16 על פני ארבעה שברי safetensors • היכן זה רץ — אפליקציות iOS, Android ו-HarmonyOS; תמיכת שבבים מהיום הראשון מ-Rockchip, Houmo, Intel, AMD ו-Arm לעומת מסלול הגשה מבוסס GPU, מתועד עם vLLM עם ‎--max-model-len 262144‎ ו-‎--reasoning-parser qwen3‎ • הקשר — 262,144 אסימונים על הנייר, עם מטמון KV שעולה יותר מהמשקלים באורך מלא לעומת 262,144 אסימונים, בירושה מבסיס Qwen3.5-9B • מחסנית ראייה — מקודד בעל 27 שכבות ו-1152 ממדים מוסתרים על אריחי 980 פיקסלים עם דחיסת אסימונים בתוך המקודד לעומת מגדל הראייה של Qwen3.5-9B, שהועבר מדגם הבסיס • רישיון — Apache 2.0 לעומת ממתין לאישור, כאשר הצהרת Apache-2.0 נמנעת במפורש • סגנון הערכה — חמש דמויות פרוזה בתוספת השוואות בגרפים בלבד לעומת נספח מספרי מלא עבור נייד, מחשב, אינטרנט, grounding, CAPTCHA ובטיחות • הערכה עצמאית — אין לאף אחד מהמודלים נכון למועד כתיבת שורות אלה לעומת אין, אף שהדוח הטכני ב-arXiv 2609.00028 הוא חפץ משמעותי שניתן לאימות על ידי צד שלישי

הפער כאן הוא בערך סדר גודל בזיכרון: 1.8 GB מכומת לעומת 18.8 GB ב-BF16, או כ-5 GB ב-4-bit אם תבצעו כימות. זה ההבדל בין אפליקציה לשירות. זו גם הסיבה ששני המודלים בדרך כלל נדונים במאמרים שונים — האחד הוא שאלת פריסה בקצה והאחר הוא שאלת עלות הסקה.

איפה ה-9B מצדיק את הגודל שלו

המספרים של UI-Venus 2 9B, כולם כפי שדווחו על ידי הספק בכרטיס ובמסמך הטכני שלו, ממקמים אותו סמוך לראש מחלקת ה-GUI מתחת ל-10B. ב-ScreenSpot-Pro, שמודד לוקליזציה של רכיבים בתוכנה מקצועית ברזולוציה גבוהה, הוא מדווח {{1}}73.0{{/1}}. ב-VenusBench-GD, {{2}}77.1{{/2}}. ב-OSWorld-G-R, {{3}}78.5{{/3}}. ב-AndroidWorld, {{4}}80.2{{/4}}. בפיצול המחודש של 595 המשימות של WebVoyager, {{5}}90.8{{/5}}. ב-OSWorld-Verified, {{6}}70.8{{/6}}. ב-VenusBench-CAPTCHA שלו עצמו, {{7}}78.1{{/7}} pass@1 על פני שמונה סוגי אינטראקציה.

אלה לא המספרים שמודל ג'נרליסטי של 1B מפיק, והם גם לא נועדו להיות כאלה. מה שהופך אותם לאמינים ולא לדקורטיביים הוא תיאור האימון: מאגר מובייל של יותר מ-170 אפליקציות רב-לשוניות, מאגר ווב של יותר מ-4,000 דומיינים ב-19 קטגוריות, שלושה שלבי אימון (אימון ביניים מולטימודלי, RL אופליין על פני חמש משפחות משימות, זיקוק on-policy מרובה-מורים), וסכמת אימות שנבנתה על נקודות מפתח חזותיות רלוונטיות למשימה עם הצבעה של מספר מודלים ולא שופט יחיד שמסתכל על המסך הסופי. הכרטיס גם מדווח על תוצאות בטיחות — שיעור הצלחת תקיפה של 11.3% ב-OSHarm ו-48.8% ב-OSBlind, לעומת 25.3% ו-79.4% עבור בסיס Qwen3.5-9B — ומציג אותן כהשוואה מול אותו בסיס ולא כטענת עמידות מוחלטת, וזו המסגור הנכון.

שום דבר מזה לא עובר למודל 1B. יכולת פעולה ב-GUI נלמדת באימון, והיא לא נובעת באופן ספונטני מיכולת ראייה כללית, ושום רמת דיוק של OCR לא מחליפה מדיניות שיודעת מה עושה כפתור "next".

איפה שה-1B מנצח בכל מקרה

שלושה מקומות, והם לא פרסי ניחומים.

השהיה וזמינות. ל-1B מקומי אין סבב רשת, אין תור, אין השבתת ספק, ואין עלות לכל בקשה. עבור תכונת סריקה בשימוש חמישים פעמים ביום, זו כל חוויית המוצר. 9B מאחורי שרת vLLM הוא מהיר — אבל הוא מהיר באותו אופן שכל מודל מתארח מהיר, והוא מפסיק להיות מהיר כשהחיבור נופל.

פרטיות כבר מהבנייה. קבלה, מסמך זיהוי, טופס רפואי או צילום מסך של שיחה פרטית יכולים להישאר במכשיר. זו אינה סיסמת שיווק; זה ההבדל בין תכונה שאפשר להשיק בתעשייה מוסדרת לבין כזו שאי אפשר. הערכת הבטיחות של UI-Venus 2 9B עצמו עוסקת בהתנהגות לא תקינה של המודל בצד השרת. תכונת הפרטיות של גרסת ה-1B היא שהתמונה לעולם אינה עוזבת את הטלפון.

עלות שולית. קריאת צילום מסך עם מודל 9B מתארח עולה כסף בכל בקשה, בכל בקשה, לנצח. קריאתו עם מודל 1B מקומי עולה סוללה. בנפח נמוך האפשרות המתארחת זולה יותר; בנפח גבוה — סורק באפליקציית שטח, כלי נגישות, אצווה של עשרת אלפים קבלות — המודל המקומי הוא היחיד שהעלות השולית שלו מתקרבת לאפס.

הסטאק שרוב הצוותים בסופו של דבר בונים בפועל

לא בחירה בין השניים. אלא שכבות שלהן.

ה-1B שעל המכשיר מטפל בתפיסה: קורא את המסך, מחלץ את הטקסט, מאתר את השדה, ומתאר מה נמצא שם. רוב הזמן זה מספיק, והבקשה לא יוצאת מהטלפון. כאשר המשימה דורשת פעולה — להקיש כאן, להחליק שם, להשלים את התהליך הזה — העבודה עוברת לסוכן, וסוכן זקוק למודל גדול יותר עם אוצר מילים לפעולות.

ההעברה הזו היא המקום שבו שכבת ניתוב מצדיקה את קיומה, וכדאי להיות מדויקים לגבי מה היא עושה ומה היא אינה עושה. OrcaRouter חושפת יותר מ-200 מודלים מתארחים דרך נקודת קצה אחת תואמת OpenAI ב-0% תוספת מחיר, ומעבירה את מחיר המחירון של כל ספק ללא שינוי, עם מעבר אוטומטי לגיבוי ו-DSL לניתוב שיכול להחזיק מודל ראשי וגיבוי בקריאה אחת. התבנית שזה מאפשר אינה זוהרת אך שימושית: הטלפון מנסה את מודל ה-1B המקומי שלו, האפליקציה מעבירה את המקרים הקשים למודל ראייה מתארח דרך אותו מפתח שהיא משתמשת בו לכל השאר, וספק שחווה אחר צהריים רע הופך לאירוע מעבר לגיבוי ולא להשבתה. לא MiniCPM-V 4.7 1B ולא UI-Venus 2 9B נמצאים בקטלוג הזה — שניהם צ'קפוינטים שאתה מריץ בעצמך — כך שהנתב הוא השכבה שמסביב למחסנית, ולא דרך לקרוא לאף אחד מהמודלים.

שני מצבי כשל שכדאי להתכונן אליהם

הראשון הוא מודל כללי בגודל 1B המשמש כסוכן. הוא יקרא מסך בצורה נכונה ואז לא יהיה לו מושג מה לעשות איתו. אם המוצר שלך צריך להשלים תהליך ולא לתאר אותו, ה-1B הוא הכלי הלא נכון, ושום פרומפט לא יתקן את זה.

השני הוא סוכן 9B שהופץ בהתבסס על מצב הרישיון בכרטיס הדגם. בכרטיס של UI-Venus 2 9B נאמר שהרישיון בהמתנה ושהצהרת Apache-2.0 נמנעה בכוונה. עד שזה ייפתר, הדגם הוא פריט מחקרי למטרות מסחריות, טוב ככל שיהיה מספר ה-ScreenSpot-Pro. צוותים שמתכננים לפי "זה כנראה יהיה Apache 2.0" נוטלים סיכון ללוח זמנים שלא תימחרו אותו.

למה למעשה מסתכמת הבחירה

אם השאלה היא „האם אני יכול לקרוא את צילום המסך הזה בטלפון, ללא חיבור לאינטרנט, בחינם, עם רישיון שאוכל להפיץ” — MiniCPM-V 4.7 1B עונה כן, בכ-1.8 GB לאחר כימות, תחת Apache 2.0, והדבר היחיד שעליך לוודא הוא מרווח הזיכרון הפנוי במכשיר שלך.

אם השאלה היא "האם המודל הזה יכול להפעיל את הממשק ולא לתאר אותו" — UI-Venus 2 9B הוא זה שיש לו את האימון, את מדדי הביצועים ואת ההארנס, והוא זקוק ל-GPU ולהחלטת רישוי לפני שהוא זקוק לכל דבר אחר.

אם השאלה היא "שניהם, במוצר אחד" — אז אתם בונים מערכת דו-שכבתית, שבה ה-1B עושה תפיסה על המכשיר והסוכן מבצע פעולה בשרת, והעבודה ההנדסית היא ההעברה ביניהם ולא הבחירה ביניהם.

ההשוואה נראית לא מאוזנת כי היא באמת כזו. גנרליסט של 1B ומומחה GUI של 9B אינם באותה קטגוריית משקל, באותה קטגוריית פריסה או באותו מצב רישוי. הטעות תהיה לפרש זאת כ"אחד טוב יותר". הם עונים על שאלות שונות, והדרך המהירה ביותר לבחור היא לרשום מהי השאלה שנשאלת בפועל.