SingVL_S1_4B vs MiniCPM-V 4.7 1B: 4,54 miliardi di parametri e nessuna licenza

Il numero più utile in questo confronto non compare in nessuna delle due schede tecniche. È 1,55 miliardi: il totale dei tensori di MiniCPM-V 4.7 1B, il modello visivo on-device che OpenBMB ha rilasciato il 12 ottobre 2026 con licenza Apache 2.0, con build GGUF, AWQ, GPTQ, int4 e FP8 già pubblicate e port su iOS, Android e HarmonyOS. Di fronte a esso c'è SingVL_S1_4B, il modello decisionale da 4,54 miliardi di parametri di inclusionAI, caricato l'11 novembre 2026 senza alcun annuncio, senza file di licenza e senza alcuna variante quantizzata di sorta. Circa tre volte i pesi, dalla parte sbagliata del budget di memoria di un telefono, e impegnato in un compito che per lo più non è lo stesso compito. Vale comunque la pena fare il confronto, perché mette in luce l'unica domanda a cui una scheda tecnica non può rispondere: cosa ti deve un modello oltre al suo output?

Cosa restituisce ciascun modello, e quindi dove può risiedere

MiniCPM-V 4.7 1B è un modello multimodale ottimizzato per le istruzioni nel senso convenzionale. Legge una singola immagine, più immagini o video e genera una risposta: didascalie, trascrizioni, risposta a domande visive, conversazione multi-turno. OpenBMB fornisce per esso teste dedicate di decodifica speculativa DSpark, rilasciate tre giorni dopo il modello, e lo supporta su SGLang, vLLM, llama.cpp e Ollama, con fine-tuning tramite SWIFT e LLaMA-Factory. C'è uno spazio demo live e un cookbook pubblico. Ognuno di questi è un canale attraverso cui qualcuno diverso dal fornitore ha eseguito il modello.

SingVL_S1_4B non genera. Gli si passa uno stato — testo, JSON, fino a quattro immagini — e un insieme di domande con nome e tipi dichiarati, e restituisce una probabilità per ogni opzione offerta. Choice sceglie un candidato, noul restituisce la probabilità che una proposizione sì/no sia vera, e score restituisce una distribuzione su livelli ordinati da due a dieci più un livello atteso. Un solo forward pass, nessun campionamento, nessuna prosa. Il quickstart del repository avvia un server FastAPI sulla porta 8173 e invia JSON a /v1/systemone.

Quindi la questione del deployment si risolve da sola prima ancora che venga posta quella del benchmark. MiniCPM-V 4.7 1B ha una storia affine a ONNX, porting per smartphone e il supporto dei produttori di chip perché è stato progettato per risiedere su un dispositivo. SingVL_S1_4B ha un server Python perché è stato progettato per risiedere su una GPU di proprietà di qualcuno. Se il tuo prodotto distribuisce un'app, uno di questi è un componente e l'altro è una dipendenza da un servizio.

L'efficienza è l'intera tesi da un lato

La variante 1B di OpenBMB esiste per occupare una posizione su una curva prestazioni-tempo di inferenza, e la scheda è esplicita sul fatto che è questo — non l'accuratezza grezza — l'argomento portato. L'architettura conquista quella posizione in due modi: la compressione anticipata intra-ViT, ripresa dalla linea LLaVA-UHD v4, che riduce i token visivi all'interno dell'encoder visivo così che i layer successivi facciano meno lavoro, e la compressione mista 4x/16x dei token visivi, che consente a chi effettua la chiamata di scambiare dettaglio con costo per attività. Su tutto ciò si innestano le teste speculative DSpark e un elenco dichiarato di supporto day-zero che va da Rockchip e Houmo a Intel, AMD e Arm.

Il confronto che il fornitore pubblica effettivamente per questa variante è con Qwen3.5 0.8B: punteggio complessivo migliore e migliore efficienza di inferenza in modalità Instruct, secondo la misurazione del fornitore stesso. Si tratta di un'affermazione circoscritta, proveniente dallo stesso laboratorio che ha realizzato il modello, ed è l'affermazione su cui il prodotto è costruito.

SingVL_S1_4B non avanza alcuna pretesa di efficienza. La scheda non riporta latenza, throughput, impronta di memoria o token al secondo. Ciò che riporta, indirettamente, è un design che dovrebbe essere efficiente in un compito diverso: un singolo forward pass restituisce ogni risposta a ogni domanda nella richiesta, mentre un modello generativo necessita di un passaggio per ogni token di output. Per una classificazione a cinque opzioni si tratta di un notevole vantaggio strutturale. Per una didascalia non è un confronto, perché non esiste alcuna didascalia.

Vale la pena segnalare: la configurazione fissa il contratto di input su "all-input-before-first-answer; single-turn; no-thinking", e il README indica 65.536 token di input per il testo o 10.000 con le immagini. Un modello da 1B che gira su un telefono e un modello da 4,5B che richiede un budget di 10.000 token per le immagini stanno risolvendo vincoli diversi. Nessuno dei due numeri è sbagliato; sono risposte a domande diverse.

Il divario sulle licenze è la parte più ampia di questo confronto.

MiniCPM-V 4.7 1B è sotto licenza Apache 2.0. Non è un dettaglio di marketing — è il motivo per cui esiste l'ecosistema che gli sta attorno. Entro quattro settimane dal rilascio c'erano quantizzazioni GGUF della community da più distributori, un port MNN, una build RKLLM per Rockchip, una build per NPU, un'integrazione ComfyUI e almeno un fine-tune sull'Hub. Nessuna di queste cose sarebbe potuta accadere con una licenza poco chiara, perché nessuna di quelle persone avrebbe potuto ridistribuire i pesi.

SingVL_S1_4B viene distribuito senza campo di licenza nei metadati della scheda modello e senza file LICENSE nel repository. In base al diritto d'autore predefinito, ciò significa che nessuno al di fuori di inclusionAI ha il permesso di ridistribuirlo, quantizzarlo e pubblicare il risultato, né di distribuirlo all'interno di un prodotto senza un accordo separato. L'organizzazione ha pubblicato molti modelli con termini espliciti — LemonDecider è rilasciato con Apache 2.0, la famiglia SingProbe con la licenza community di Qwen — quindi l'omissione appare come un rilascio incompiuto più che come una restrizione deliberata. Ma un'interpretazione non è una concessione.

La conseguenza pratica: per qualunque cosa che coinvolga un cliente, un processo di approvvigionamento o un app store, MiniCPM-V 4.7 1B è utilizzabile questa settimana e SingVL_S1_4B no. Quella singola riga decide più decisioni di deployment reale di ogni riga di benchmark su entrambe le schede.

Benchmark che non devono essere inseriti nella stessa colonna

Qui non c’è un metro di misura condiviso, e vale la pena essere espliciti sul perché invece di citarci numeri a vicenda.

La valutazione di MiniCPM-V 4.7 1B è pubblicata sotto forma di grafici — un confronto complessivo delle prestazioni, una frontiera prestazioni-tempo di inferenza — anziché come tabella per dataset nella model card. I numeri esistono, l'impostazione è comparativa e visiva, e l'affermazione principale è di posizionamento: migliore sulla frontiera rispetto a Qwen3.5 0.8B.

SingVL_S1_4B pubblica una tabella densa: 69,76 sul pannello Text del Decision Index e 73,94 sul pannello Vision, con tutti i quarantatré dataset testuali e gli undici dataset visivi riportati separatamente. Quei punteggi derivano dal valutare le opzioni fornite e dal prendere la probabilità massima, un compito sostanzialmente più facile che generare una risposta in forma libera che un valutatore possa far corrispondere, e il Decision Index è esplicito nel precisare che le sue cifre sono corrette per il caso e adeguate per la copertura, così indovinare non frutta nulla.

Mettere "73.94 vision" accanto a un grafico della frontiera di MiniCPM-V sarebbe un errore di categoria mascherato da confronto. L'unica affermazione onesta è che entrambi i set di cifre sono dichiarati dal fornitore, nessuno dei due è stato riprodotto da un laboratorio neutrale, e quelli di SingVL_S1_4B sono per di più vecchi di due giorni, senza alcun invio al kit pubblico di riproduzione del Decision Index — la scheda include le istruzioni per presentarne uno, il che dimostra intenzione anziché un risultato.

Dove i numeri stessi del modello 1B diventano interessanti

La ripartizione del Decision Index per SingVL_S1_4B è più rivelatrice del suo aggregato e descrive per l'appunto un profilo di attività per cui anche il modello 1B è in competizione. Sulle attività di visione in stile documento, SingVL_S1_4B riporta 96,31 su InfographicVQA e 95,82 sul set di informazioni chiave CORD-plus-FUNSD. Nel ragionamento accademico difficile riporta 50,17 su MMMU-Pro vision e 49,77 su R-Bench-M. La moderazione si attesta a 71,64 e scende a 43,28 con lo skill prompt.

Quel profilo — forte sul layout e sull'estrazione di documenti, debole sul ragionamento deliberativo, sensibile alla formulazione del prompt nei giudizi soggettivi — è esattamente ciò che ci si aspetterebbe da un classificatore da 4,5B con un encoder visivo e nessuna fase di generazione, e corrisponde allo stesso lavoro per cui viene venduto MiniCPM-V 4.7 1B: documenti, schermi, OCR on-device. Quindi i due modelli si sovrappongono sul compito, anche se differiscono nella forma dell'output. La domanda che un team si trova davvero ad affrontare è se ha bisogno del valore estratto o della risposta estratta.

Se la pipeline necessita del campo, del numero, dell'etichetta — l'output di SingVL_S1_4B è già ciò che volevi, e salti il parsing. Se la pipeline necessita della pagina resa come testo con la struttura preservata, oppure di una spiegazione del motivo per cui il campo era ambiguo, MiniCPM-V 4.7 1B è l'unico dei due in grado di produrla.

La via di mezzo, e quanto costa

Nessuno dei due deve essere un impegno architetturale preso fin dal primo giorno, e l’esperimento meno costoso non è quello ovvio. MiniCPM-V 4.7 1B gira su un portatile, quindi testarlo costa un pomeriggio e nulla più. SingVL_S1_4B richiede una GPU e un download da 9,1 GB anche solo per essere testato, e la situazione della sua licenza fa sì che il test non possa diventare una messa in produzione senza una conversazione che al momento nessuno in inclusionAI sta avendo pubblicamente.

Se quello che vuoi sapere è se il punteggio basato su decisioni tipizzate aiuta minimamente il tuo compito — prima di investire nell'hosting di un nuovo checkpoint — il pattern è già richiamabile. OrcaRouter offre TypeSafe Jev 1.14 a 0,042 $ per milione di token di input insieme a oltre 200 altri modelli con un'unica chiave, con i prezzi di listino dei fornitori trasferiti senza alcun ricarico e failover automatico se un fornitore smette di rispondere. Questo ti fornisce un endpoint decisionale funzionante da confrontare con le tue etichette, accanto ai modelli generativi che terresti per tutto il resto. SingVL_S1_4B non è disponibile su OrcaRouter e non esiste alcun endpoint ospitato per esso da nessuna parte, quindi nulla di quanto detto qui costituisce un'affermazione sulla sua disponibilità; il punto è che la questione progettuale e quella del fornitore sono separabili, e solo una delle due richiede una GPU.

Il riassunto onesto, nell'ordine in cui le decisioni vengono prese

• Può essere inserito legalmente in un prodotto — MiniCPM-V 4.7 1B, Apache 2.0, oggi. SingVL_S1_4B, no, finché non compare una licenza.

• Può girare dove gira il prodotto — MiniCPM-V 4.7 1B, su telefoni e chip edge. SingVL_S1_4B, su un server GPU che gestisci.

• Restituisce ciò di cui la pipeline ha bisogno — SingVL_S1_4B se la risposta è un'etichetta e un livello di confidenza; MiniCPM-V 4.7 1B se è testo, struttura o spiegazione.

• Nessuno dei due è dimostrato in modo indipendente — no. Entrambe le serie di numeri provengono dai fornitori. MiniCPM-V 4.7 1B ha alle spalle quattro settimane di utilizzo da parte di terzi; SingVL_S1_4B ha due giorni e zero download.

• Quale valuterei per primo — MiniCPM-V 4.7 1B, perché provarlo non costa nulla e non può essere escluso sulla carta. Poi il pattern decisionale rispetto a un endpoint servito, e solo dopo il nuovo checkpoint, se il pattern si ripaga da solo.

Quell’ordinamento non è un verdetto sul modello da 4,5 miliardi di parametri. È un’affermazione su ciò che un rilascio senza licenza, senza un articolo o senza un annuncio può chiedere a uno sconosciuto, il che non è molto. L’artefatto è reale e il design è interessante; entrambe le cose possono essere vere mentre la risposta a "dovremmo usarlo" resta no per un po’ ancora.