MiniCPM-V 4.7 1B vs UI-Venus 2 9B: Yang Satu Muat di Saku, yang Lain Butuh Rak

Perbandingan antara MiniCPM-V 4.7 1B dan UI-Venus 2 9B tidaklah berimbang, dan justru itulah hal yang berguna darinya. MiniCPM-V 4.7 1B adalah model visi-bahasa umum dengan 1,55 miliar parameter dari OpenBMB, diunggah pada 6 Oktober 2026, bertanggal 12 Oktober dalam catatan rilis vendor, berlisensi Apache 2.0, dan cukup kecil untuk dijalankan di dalam aplikasi ponsel. UI-Venus 2 9B adalah agen GUI dengan 9,41 miliar parameter dari inclusionAI, dirilis pada 26 Agustus 2026, dilatih secara khusus untuk melihat layar dan memutuskan di mana harus mengetuk, mengetik, atau mengusap, dan model ini mengharapkan GPU dengan server vLLM di depannya. Kegagalan AI dan insiden agen terdokumentasi yang melatarbelakangi rilis semacam ini dikumpulkan di the OrcaRouter AI Incident Archive dengan setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda sengketa.

Menempatkan keduanya dalam kalimat yang sama mengundang pertanyaan yang salah — mana yang lebih baik — padahal pertanyaan yang tepat adalah untuk apa masing-masing. Model visi umum yang muat dalam memori terkuantisasi 1.8 GB dan agen layar yang mencetak skor 73.0 pada ScreenSpot-Pro bukanlah pengganti satu sama lain. Keduanya adalah dua lapisan berbeda dari tumpukan otomasi seluler, dan bagian yang menarik adalah di mana batas antara lapisan-lapisan itu sebenarnya berada.

Dua pekerjaan yang terlihat mirip dari kejauhan

Kedua model dapat menerima tangkapan layar dan mengembalikan teks tentangnya. Di situlah kemiripannya berakhir.

MiniCPM-V 4.7 1B membaca gambar lalu mendeskripsikan, mentranskripsikan, mengekstrak, atau menjawab. Tanyakan berapa total pada struk, apa isi suatu kolom formulir, apakah tren grafik naik, atau apa yang tertulis pada satu halaman PDF, dan model akan menghasilkan jawaban. Model ini memiliki kontrol pemotongan untuk gambar beresolusi tinggi, rasio kompresi token visual 4×/16× yang dapat dialihkan, serta parameter pengambilan sampel frame untuk video. Dokumentasinya mencakup chat satu gambar, chat multi-gambar, video, OCR, penguraian PDF, dan visual grounding — beban kerja pembacaan dokumen dan layar.

UI-Venus 2 9B membaca layar dan mengeluarkan aksi. Kartunya menjelaskan loop tertutup: mengamati antarmuka, menalar status tugas, mengeksekusi aksi, memasukkan umpan balik lingkungan ke keputusan berikutnya. Output-nya berupa titik dan urutan aksi, bukan prosa. Di sekitarnya, inclusionAI menyediakan prompt referensi, parser aksi, dan contoh yang dapat dijalankan untuk tugas seluler, komputer, browser, grounding, dan CAPTCHA. Model ini adalah kebijakan, dan harness di sekitarnya merupakan separuh dari produk.

Perbedaan itu menentukan arsitektur sebelum tolok ukur apa pun dirujuk. Aplikasi ponsel yang perlu membaca struk menggunakan yang pertama. Sistem yang perlu menyelesaikan tugas di dalam aplikasi — mengetuk melalui proses pembayaran, mengisi formulir, menyelesaikan CAPTCHA geser — menggunakan yang kedua, dan tidak dapat menggantikan yang pertama seberapa pun bagusnya OCR-nya.

Lisensi adalah filter pertama, bukan tolok ukur

Kartu UI-Venus 2 9B memuat bagian status rilis yang sebagian besar liputan melewatkan. Di bagian "Model weights" disebutkan bahwa bobotnya disertakan; di bagian "License" disebutkan bahwa lisensi bobot model adalah menunggu konfirmasi akhir dan akan ditambahkan sebelum rilis publik, dan bahwa pernyataan Apache-2.0 sengaja tidak disertakan karena materi hulu memuat pernyataan lisensi yang saling bertentangan.

Baca itu dua kali. Bobotnya dapat diunduh, tolok ukurnya dipublikasikan, laporan teknisnya ada di arXiv, dan lisensinya belum jelas. Bagi tim riset itu tidak masalah. Bagi perusahaan yang berencana merilis agen layar di dalam produk komersial, itu berarti tinjauan hukum tidak dapat ditutup. Modelnya mungkin akhirnya berlisensi Apache 2.0, atau mungkin tidak, dan tidak ada cara untuk mengetahuinya dari artefak yang tersedia saat ini.

MiniCPM-V 4.7 1B dirilis di bawah Apache 2.0 tanpa ambiguitas semacam itu. Satu baris itu menyingkirkan salah satu dari dua model untuk banyak jenis pekerjaan komersial — bukan karena model tersebut lebih buruk, tetapi karena lisensi yang masih tertunda merupakan risiko jadwal yang tidak pernah dianggarkan oleh siapa pun.

Aritmetika perangkat keras, sebelum ada skor apa pun

• Bobot — 1,55B dense, sekitar 3,1 GB BF16, 0,67 GB pada Q4_K_M ditambah proyektor visi 0,90–1,11 GB vs 9,41B, sekitar 18,8 GB BF16 di empat shard safetensors • Tempat berjalan — aplikasi iOS, Android, dan HarmonyOS; dukungan chip sejak hari pertama dari Rockchip, Houmo, Intel, AMD, dan Arm vs jalur penyajian GPU, didokumentasikan dengan vLLM pada --max-model-len 262144 dan --reasoning-parser q​wen3 • Konteks — 262.144 token di atas kertas, dengan cache KV yang biayanya lebih besar daripada bobot pada panjang penuh vs 262.144 token, diwarisi dari basis Qwen3.5-9B • Tumpukan visi — encoder 27 lapis dengan 1152 hidden pada ubin 980 piksel dengan kompresi token intra-encoder vs menara visi Qwen3.5-9B, dibawa dari model basis • Lisensi — Apache 2.0 vs menunggu konfirmasi, dengan deklarasi Apache-2.0 secara eksplisit ditahan • Gaya evaluasi — lima angka yang disajikan dalam prosa ditambah perbandingan yang hanya berupa bagan vs lampiran numerik lengkap di seluler, komputer, web, grounding, CAPTCHA, dan safety • Evaluasi independen — tidak ada untuk kedua model pada saat penulisan ini vs tidak ada, meskipun laporan teknis di arXiv 2609.00028 merupakan artefak substansial yang dapat diperiksa pihak ketiga

Kesenjangan di sini kira-kira satu orde besaran dalam hal memori: 1,8 GB terkuantisasi dibandingkan 18,8 GB dalam BF16, atau sekitar 5 GB pada 4-bit jika Anda melakukan kuantisasi. Itulah perbedaan antara sebuah aplikasi dan sebuah layanan. Itu juga alasan kedua model ini biasanya dibahas dalam artikel yang berbeda — yang satu adalah pertanyaan tentang penerapan di edge dan yang lainnya adalah pertanyaan tentang biaya inferensi.

Di mana 9B membuktikan ukurannya

Angka-angka UI-Venus 2 9B, semuanya dilaporkan vendor dari kartu model dan laporan teknisnya, menempatkannya hampir di puncak kelas GUI sub-10B. Pada ScreenSpot-Pro, yang mengukur pelokalan elemen pada perangkat lunak profesional beresolusi tinggi, ia melaporkan 73,0. Pada VenusBench-GD, 77,1. Pada OSWorld-G-R, 78,5. Pada AndroidWorld, 80,2. Pada pembagian 595 tugas WebVoyager yang diperbarui, 90,8. Pada OSWorld-Verified, 70,8. Pada VenusBench-CAPTCHA miliknya sendiri, 78,1 pass@1 di delapan jenis interaksi.

Itu bukan angka yang dihasilkan oleh generalis 1B, dan memang tidak dimaksudkan demikian. Yang membuatnya kredibel alih-alih sekadar dekoratif adalah deskripsi pelatihannya: kumpulan aplikasi seluler multibahasa berisi lebih dari 170 aplikasi, kumpulan web berisi lebih dari 4.000 domain di 19 kategori, tiga tahap pelatihan (mid-training multimodal, RL offline di lima keluarga tugas, distilasi on-policy multi-teacher), dan skema verifikasi yang dibangun berdasarkan keypoint visual yang relevan dengan tugas dengan pemungutan suara multi-model, bukan satu penilai yang melihat layar akhir. Kartu tersebut juga melaporkan hasil keamanan — tingkat keberhasilan serangan 11.3% pada OSHarm dan 48.8% pada OSBlind, dibandingkan dengan 25.3% dan 79.4% untuk basis Qwen3.5-9B — dan membingkainya sebagai perbandingan terhadap basis tersebut alih-alih sebagai klaim ketahanan absolut, yang merupakan pembingkaian yang tepat.

Tidak satu pun dari ini berlaku untuk model 1B. Kemampuan agen GUI dilatih, bukan muncul secara emergen dari kompetensi visi umum, dan seberapa pun akurasi OCR tidak dapat menggantikan kebijakan yang tahu apa fungsi tombol "next".

Di mana 1B tetap menang

Tiga posisi, dan itu bukan hadiah hiburan.

Latensi dan ketersediaan. Model 1B lokal tidak memerlukan perjalanan bolak-balik jaringan, tidak ada antrean, tidak ada gangguan penyedia, dan tidak ada biaya per permintaan. Untuk fitur pemindaian yang digunakan lima puluh kali sehari, itulah keseluruhan pengalaman produknya. Model 9B di balik server vLLM memang cepat — tetapi kecepatannya sama seperti model terkelola mana pun, dan ia berhenti cepat ketika koneksi terputus.

Privasi sejak perancangan. Tanda terima, dokumen identitas, formulir medis, atau tangkapan layar percakapan pribadi dapat tetap berada di perangkat. Itu bukan kalimat pemasaran; itulah perbedaan antara fitur yang dapat Anda rilis di industri teregulasi dan yang tidak. Evaluasi keselamatan UI-Venus 2 9B sendiri adalah tentang model yang berperilaku tidak semestinya di sisi server. Sifat privasi pada 1B adalah bahwa gambar tidak pernah meninggalkan ponsel.

Biaya pada margin. Membaca tangkapan layar dengan model 9B yang dihosting memakan biaya per permintaan, setiap permintaan, selamanya. Membacanya dengan model 1B lokal memakan daya baterai. Pada volume rendah, opsi yang dihosting lebih murah; pada volume tinggi — pemindai dalam aplikasi lapangan, alat aksesibilitas, sekumpulan sepuluh ribu struk — model lokal adalah satu-satunya yang biaya marginalnya mendekati nol.

Tumpukan teknologi yang pada akhirnya benar-benar dibangun oleh sebagian besar tim

Bukan pilihan antara keduanya. Sebuah pelapisan dari keduanya.

Model 1B di perangkat menangani persepsi: membaca layar, mengekstrak teks, menemukan kolom, menjelaskan apa yang ada di sana. Sebagian besar waktu itu sudah cukup, dan permintaan tidak pernah meninggalkan ponsel. Saat tugas memerlukan tindakan — ketuk ini, geser ke sana, selesaikan alur ini — pekerjaan itu dialihkan ke agen, dan agen memerlukan model yang lebih besar dengan kosakata tindakan.

Serah-terima itulah titik ketika lapisan perutean membuktikan nilainya, dan penting untuk tepat mengenai apa yang dilakukannya dan tidak dilakukannya. OrcaRouter mengekspos lebih dari 200 model terkelola melalui satu endpoint yang kompatibel dengan OpenAI dengan markup 0%, meneruskan harga daftar setiap penyedia tanpa perubahan, dengan failover otomatis dan DSL perutean yang dapat memuat primer dan fallback dalam satu panggilan. Pola yang dimungkinkan ini tidak glamor dan berguna: ponsel mencoba model 1B lokalnya, aplikasi mengeskalasi kasus-kasus sulit ke model visi terkelola melalui kunci yang sama yang dipakainya untuk semua hal lain, dan penyedia yang mengalami hari buruk menjadi peristiwa failover alih-alih gangguan layanan. Baik MiniCPM-V 4.7 1B maupun UI-Venus 2 9B tidak ada dalam katalog itu — keduanya adalah checkpoint yang Anda jalankan sendiri — jadi router adalah lapisan di sekeliling stack, bukan cara untuk memanggil salah satu model.

Dua mode kegagalan yang perlu diantisipasi

Yang pertama adalah model generalis 1B yang digunakan sebagai agen. Ia akan membaca layar dengan benar lalu sama sekali tidak tahu harus berbuat apa dengan itu. Jika produk Anda perlu menyelesaikan alur, bukan mendeskripsikannya, 1B adalah alat yang salah dan tidak ada prompt yang bisa memperbaikinya.

Yang kedua adalah agen 9B yang dirilis dengan status lisensi pada kartu model. Kartu UI-Venus 2 9B menyatakan bahwa lisensinya masih tertunda dan bahwa pernyataan Apache-2.0 sengaja tidak dicantumkan. Sampai hal itu terselesaikan, model tersebut adalah artefak riset untuk tujuan komersial, seberapa bagus pun angka ScreenSpot-Pro-nya. Tim yang merencanakan berdasarkan "kemungkinan besar ini akan Apache 2.0" sedang mengambil risiko jadwal yang belum mereka perhitungkan.

Apa yang sebenarnya menjadi inti dari pilihan itu

Jika pertanyaannya adalah "dapatkah saya membaca tangkapan layar ini di ponsel, secara offline, gratis, dengan lisensi yang dapat saya distribusikan" — MiniCPM-V 4.7 1B menjawab ya, sekitar 1,8 GB terkuantisasi, di bawah Apache 2.0, dan satu-satunya hal yang perlu Anda verifikasi adalah ruang memori tersisa di perangkat Anda sendiri.

Jika pertanyaannya adalah "dapatkah model ini mengoperasikan antarmuka alih-alih mendeskripsikannya" — UI-Venus 2 9B adalah model yang memiliki pelatihan, tolok ukur, dan harness, dan model ini memerlukan GPU serta keputusan lisensi sebelum memerlukan hal lain.

Jika pertanyaannya adalah "keduanya, dalam satu produk" — maka Anda sedang membangun sistem dua tingkat, 1B melakukan persepsi di perangkat dan agen melakukan aksi di server, dan pekerjaan rekayasanya adalah serah-terima di antara keduanya, bukan pilihan di antara keduanya.

Perbandingan ini tampak tidak seimbang karena memang begitu. Generalis 1B dan spesialis GUI 9B tidak berada di kelas bobot yang sama, kelas penerapan yang sama, atau posisi lisensi yang sama. Kesalahannya adalah menafsirkan itu sebagai “yang satu lebih baik.” Keduanya menjawab pertanyaan yang berbeda, dan cara tercepat untuk memilih adalah menuliskan pertanyaan mana yang sebenarnya Anda ajukan.