MiniCPM-V 4.7 1B vs UI-Venus 2 9B: uno sta in tasca, l'altro richiede un rack

Il confronto tra MiniCPM-V 4.7 1B e UI-Venus 2 9B non è affatto alla pari, ed è proprio questo che lo rende utile. MiniCPM-V 4.7 1B è un modello visione-linguaggio generalista da 1,55 miliardi di parametri di OpenBMB, caricato il 6 ottobre 2026, datato 12 ottobre nelle note di rilascio del fornitore, con licenza Apache 2.0, e abbastanza piccolo da girare dentro un'app per smartphone. UI-Venus 2 9B è un agente GUI da 9,41 miliardi di parametri di inclusionAI, rilasciato il 26 agosto 2026, addestrato specificamente per guardare uno schermo e decidere dove toccare, digitare o scorrere, e richiede una GPU con un server vLLM davanti. I guasti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e l'indicazione di controversia.

Metterli nella stessa frase fa sorgere la domanda sbagliata — quale dei due sia migliore — mentre quella giusta è a che cosa serve ciascuno. Un modello di visione generale che occupa 1.8 GB di memoria quantizzata e un agente per lo schermo che ottiene 73.0 su ScreenSpot-Pro non sono sostituti. Sono due livelli diversi di uno stack di automazione mobile, e la parte interessante è dove si colloca davvero il confine tra questi livelli.

Due lavori che da lontano sembrano simili

Entrambi i modelli possono accettare uno screenshot e restituire un testo al riguardo. È qui che finisce la somiglianza.

MiniCPM-V 4.7 1B legge un'immagine e la descrive, la trascrive, ne estrae contenuti o risponde. Chiedigli qual è il totale di uno scontrino, cosa contiene un campo di un modulo, se un grafico mostra una tendenza al rialzo o cosa dice una pagina di un PDF, e produrrà una risposta. Dispone di controlli di slicing per immagini ad alta risoluzione, un rapporto di compressione dei token visivi commutabile tra 4× e 16× e parametri di campionamento dei fotogrammi per i video. La sua documentazione copre la chat con singola immagine, la chat con più immagini, i video, l'OCR, l'analisi dei PDF e il visual grounding — un carico di lavoro di lettura di documenti e schermi.

UI-Venus 2 9B legge uno schermo ed emette un'azione. La sua scheda descrive un ciclo chiuso: osservare l'interfaccia, ragionare sullo stato del compito, eseguire un'azione, incorporare il feedback dell'ambiente nella decisione successiva. Gli output sono punti e sequenze di azioni, non prosa. Attorno ad esso, inclusionAI distribuisce prompt di riferimento, parser di azioni ed esempi eseguibili per attività mobile, su computer, su browser, di grounding e CAPTCHA. Il modello è una policy, e l'infrastruttura che lo circonda è metà del prodotto.

Questa distinzione decide l'architettura prima che si consulti qualsiasi benchmark. Un'app per smartphone che deve leggere uno scontrino usa la prima. Un sistema che deve completare un'attività all'interno di un'app — passare attraverso un checkout toccando lo schermo, compilare un modulo, risolvere un CAPTCHA a scorrimento — usa la seconda e non può sostituire la prima, per quanto buono sia il suo OCR.

La licenza è il primo filtro, non il parametro di riferimento.

La scheda di UI-Venus 2 9B contiene una sezione sullo stato di rilascio che la maggior parte delle analisi ha tralasciato. Alla voce "Pesi del modello" indica che i pesi sono inclusi; alla voce "Licenza" afferma che la licenza dei pesi del modello è in attesa di conferma definitiva e sarà aggiunta prima del rilascio pubblico, e che la dichiarazione Apache-2.0 è stata volutamente omessa perché i materiali upstream contengono dichiarazioni di licenza contrastanti.

Leggilo due volte. I pesi sono scaricabili, i benchmark sono pubblicati, il rapporto tecnico è su arXiv e la licenza non è ancora definita. Per un team di ricerca va bene. Per un'azienda che intende distribuire un agente per lo schermo all'interno di un prodotto commerciale, significa che la revisione legale non può concludersi. Il modello potrebbe finire sotto Apache 2.0, oppure no, e non c'è modo di saperlo dagli artefatti disponibili oggi.

MiniCPM-V 4.7 1B è distribuito con licenza Apache 2.0, senza alcuna ambiguità di questo tipo. Quella singola riga elimina uno dei due modelli per un'ampia categoria di attività commerciali — non perché sia peggiore, ma perché una licenza in sospeso è un rischio per le tempistiche che nessuno mette a budget.

L'aritmetica hardware, prima di qualsiasi punteggio

• Pesi — 1,55B densi, circa 3,1 GB BF16, 0,67 GB a Q4_K_M più un vision projector da 0,90–1,11 GB rispetto a 9,41B, circa 18,8 GB BF16 su quattro shard safetensors • Dove gira — app iOS, Android e HarmonyOS; supporto chip day-0 da Rockchip, Houmo, Intel, AMD e Arm rispetto a un percorso di serving GPU, documentato con vLLM con --max-model-len 262144 e --reasoning-parser q​wen3 • Contesto — 262.144 token sulla carta, con una KV cache che a lunghezza piena costa più dei pesi rispetto a 262.144 token, ereditati dalla base Qwen3.5-9B • Stack di visione — un encoder a 27 layer e 1152 hidden su tile da 980 pixel con compressione dei token intra-encoder rispetto alla vision tower di Qwen3.5-9B, ripresa dal modello base • Licenza — Apache 2.0 rispetto a conferma in sospeso, con la dichiarazione Apache-2.0 esplicitamente omessa • Stile di valutazione — cinque valori in prosa più confronti solo grafici rispetto a un'appendice numerica completa su mobile, computer, web, grounding, CAPTCHA e sicurezza • Valutazione indipendente — nessuna per nessuno dei due modelli al momento della stesura rispetto a nessuna, sebbene il rapporto tecnico su arXiv 2609.00028 sia un artefatto sostanziale verificabile da terzi

Il divario qui è di circa un ordine di grandezza in memoria: 1,8 GB quantizzati contro 18,8 GB in BF16, oppure circa 5 GB a 4 bit se si quantizza. È la differenza tra un'app e un servizio. È anche il motivo per cui i due modelli vengono di solito discussi in articoli diversi — uno è una questione di deployment edge e l'altro è una questione di costo di inferenza.

Dove il 9B giustifica la sua dimensione

I numeri di UI-Venus 2 9B, tutti dichiarati dal fornitore nella sua scheda e nel rapporto tecnico, lo collocano vicino alla vetta della classe GUI sotto i 10B. Su ScreenSpot-Pro, che misura la localizzazione degli elementi su software professionali ad alta risoluzione, riporta 73,0. Su VenusBench-GD, 77,1. Su OSWorld-G-R, 78,5. Su AndroidWorld, 80,2. Sul split aggiornato da 595 attività di WebVoyager, 90,8. Su OSWorld-Verified, 70,8. Sul suo VenusBench-CAPTCHA, 78,1 pass@1 su otto tipi di interazione.

Non sono i numeri che un generalista da 1B produce, e non pretendono di esserlo. Ciò che li rende credibili anziché decorativi è la descrizione dell'addestramento: un pool mobile di oltre 170 app multilingue, un pool web di oltre 4.000 domini in 19 categorie, tre fasi di addestramento (mid-training multimodale, RL offline su cinque famiglie di task, distillazione on-policy multi-insegnante) e uno schema di verifica basato su keypoint visivi rilevanti per il task con voto multi-modello, anziché su un singolo giudice che guarda la schermata finale. La scheda riporta anche i risultati di sicurezza — un tasso di successo degli attacchi dell'11,3% su OSHarm e del 48,8% su OSBlind, contro il 25,3% e il 79,4% della base Qwen3.5-9B — e li inquadra come un confronto rispetto a quella base anziché come un'affermazione assoluta di robustezza, che è l'inquadramento corretto.

Niente di tutto questo si trasferisce a un modello da 1B. L’agentività GUI si addestra, non emerge dalla competenza visiva generale, e nessuna quantità di accuratezza OCR può sostituire una policy che sappia cosa fa un pulsante "next".

Dove l'1B vince comunque

Tre piazzamenti, e non sono premi di consolazione.

Latenza e disponibilità. Un 1B locale non ha alcun round trip di rete, nessuna coda, nessuna interruzione del provider e nessun costo per richiesta. Per una funzionalità di scansione usata cinquanta volte al giorno, è l'intera esperienza del prodotto. Un 9B dietro un server vLLM è veloce — ma è veloce nel modo in cui lo è qualsiasi modello ospitato, e smette di essere veloce quando la connessione cade.

Privacy fin dalla progettazione. Uno scontrino, un documento d'identità, un modulo medico o lo screenshot di una conversazione privata possono restare sul dispositivo. Non è uno slogan di marketing; è la differenza tra una funzionalità che puoi distribuire in un settore regolamentato e una che non puoi. La valutazione di sicurezza di UI-Venus 2 9B riguarda il comportamento scorretto del modello lato server. La proprietà di privacy del 1B è che l'immagine non lascia mai il telefono.

Costo al margine. Leggere uno screenshot con un 9B ospitato costa denaro a ogni richiesta, ogni singola richiesta, per sempre. Leggerlo con un 1B locale costa la batteria. A basso volume l'opzione ospitata è più economica; ad alto volume — uno scanner in un'app sul campo, uno strumento di accessibilità, un lotto di diecimila ricevute — il modello locale è l'unico il cui costo marginale si avvicina a zero.

Lo stack che la maggior parte dei team finisce effettivamente per costruire

Non una scelta tra questi due. Una sovrapposizione dei due.

Il modello 1B sul dispositivo gestisce la percezione: legge lo schermo, estrae il testo, trova il campo, descrive ciò che c'è. La maggior parte delle volte è sufficiente, e la richiesta non lascia mai il telefono. Quando l'attività richiede un'azione — tocca questo, scorri lì, completa questo flusso — il compito passa a un agente, e un agente ha bisogno di un modello più grande con un vocabolario di azioni.

È nel passaggio di consegne che un livello di routing dimostra il proprio valore, e vale la pena essere precisi su cosa fa e cosa non fa. OrcaRouter espone oltre 200 modelli ospitati tramite un unico endpoint compatibile con OpenAI a markup 0%, facendo passare invariato il prezzo di listino di ciascun provider, con failover automatico e un DSL di routing che può mantenere un primario e un fallback in un'unica chiamata. Il pattern che questo abilita è poco appariscente e utile: il telefono prova il suo 1B locale, l'app escala i casi difficili verso un modello vision ospitato usando la stessa chiave che usa per tutto il resto, e un provider che ha una giornata storta diventa un evento di failover anziché un'interruzione. Né MiniCPM-V 4.7 1B né UI-Venus 2 9B sono in quel catalogo — entrambi sono checkpoint che esegui tu stesso — quindi il router è il livello attorno allo stack, non un modo per chiamare nessuno dei due modelli.

Due modalità di guasto per cui vale la pena pianificare

Il primo è un generalista 1B usato come agente. Leggerà correttamente una schermata e poi non avrà idea di cosa farne. Se il tuo prodotto deve completare un flusso anziché descriverlo, il 1B è lo strumento sbagliato e nessun prompt può rimediare.

Il secondo è un agente da 9B distribuito in base allo stato della licenza indicato nella model card. La card di UI-Venus 2 9B indica che la licenza è in sospeso e che la dichiarazione Apache-2.0 è stata deliberatamente omessa. Finché la questione non sarà risolta, ai fini commerciali il modello è un artefatto di ricerca, per quanto buono sia il punteggio su ScreenSpot-Pro. I team che pianificano sulla base di «probabilmente sarà Apache 2.0» stanno assumendo un rischio di tempistiche che non hanno quantificato.

A cosa si riduce davvero la scelta

Se la domanda è «posso leggere questo screenshot su un telefono, offline, gratis, con una licenza che posso distribuire» — MiniCPM-V 4.7 1B risponde di sì, a circa 1,8 GB quantizzato, sotto Apache 2.0, e l'unica cosa che devi verificare è il margine di memoria disponibile sul tuo dispositivo.

Se la domanda è «questo modello può operare l'interfaccia anziché descriverla» — UI-Venus 2 9B è quello con l'addestramento, i benchmark e l'harness, e ha bisogno di una GPU e di una decisione sulla licenza prima di aver bisogno di qualsiasi altra cosa.

Se la domanda è «entrambi, in un unico prodotto» — allora stai costruendo un sistema a due livelli, il modello da 1B che fa percezione sul dispositivo e l'agente che esegue azioni su un server, e il lavoro di ingegneria è il passaggio di consegne tra i due, piuttosto che la scelta tra i due.

Il confronto sembra sbilanciato perché lo è. Un generalista da 1B e uno specialista GUI da 9B non appartengono alla stessa classe di peso, alla stessa classe di deployment o alla stessa posizione sul piano delle licenze. L'errore sarebbe leggerlo come "uno è migliore". Rispondono a domande diverse, e il modo più rapido per scegliere è scrivere quale domanda stai effettivamente ponendo.