SingVL_S1_4B 対 MiniCPM-V 4.7 1B：45.4億パラメータとライセンスなし

この対決で最も有用な数字は、どちらのモデルカードにも載っていない。それは15.5億、つまりMiniCPM-V 4.7 1Bのテンソル総数だ。OpenBMBが2026年10月12日にApache 2.0で公開したオンデバイス視覚モデルで、GGUF、AWQ、GPTQ、int4、FP8のビルドがすでに公開され、iOS、Android、HarmonyOSへの移植も済んでいる。これに対するのがSingVL_S1_4B、inclusionAIの45.4億パラメータの意思決定モデルで、2026年11月11日に告知もライセンスファイルも、いかなる量子化版もなしでアップロードされた。重みは約3倍、スマートフォンのメモリ予算を超える側にあり、しかも担う役割はほとんど別物だ。それでもこの比較には価値がある。仕様表では答えられない一つの問いを浮き彫りにするからだ。モデルは出力の先で、あなたに何を負っているのか？

各モデルが何を返すか、そしてそれによってどこに配置できるか

MiniCPM-V 4.7 1B は、従来の意味での指示チューニング済みマルチモーダルモデルです。単一画像、複数画像、または動画を読み取り、キャプション、文字起こし、視覚的質問応答、マルチターン会話といった回答を生成します。OpenBMB は、モデルの公開から3日後にリリースされた専用の DSpark 投機的デコーディングヘッドを提供しており、SGLang、vLLM、llama.cpp、Ollama 全体でサポートし、SWIFT と LLaMA-Factory を通じたファインチューニングにも対応しています。ライブデモスペースと公開クックブックがあります。それらはすべて、ベンダー以外の誰かが実際にこのモデルを実行したことのあるチャネルです。

SingVL_S1_4B は生成を行いません。テキスト、JSON、最大4枚の画像からなる状態と、宣言された型を持つ名前付きの質問群を渡すと、提示したすべての選択肢に対する確率を返します。Choice は候補を1つ選び、noul は yes/no 命題が成立する確率を返し、score は2～10の順序付きレベルにわたる分布と期待レベルを返します。1回のフォワードパスで、サンプリングも文章生成も行いません。リポジトリ付属のクイックスタートは、ポート8173でFastAPIサーバーを起動し、JSONを/v1/systemoneにPOSTします。

つまり、配備についての問いには、ベンチマークの問いが投げかけられる前に答えが出ている。MiniCPM-V 4.7 1B は ONNX に近い話を持ち、スマホ向け移植やチップベンダー対応がある。それはデバイス上に載るよう設計されているからだ。SingVL_S1_4B に Python サーバーがあるのは、誰かが保有する GPU 上に載るよう設計されているからだ。製品がアプリを出荷するなら、片方はコンポーネントであり、もう片方はサービス依存関係だ。

一方の側では、効率性が主張のすべてだ。

OpenBMBの1Bバリアントは、性能対推論時間の曲線上で一定の位置を確保するために存在しており、モデルカードは、主張の対象が生の精度ではなくこの点であることを明言している。アーキテクチャはその位置を2つの方法で獲得している。LLaVA-UHD v4系から取り入れたIntra-ViT早期圧縮は、視覚エンコーダ内で視覚トークンを削減し、後続層の処理量を減らす。もう一つは4x/16xの混在視覚トークン圧縮で、呼び出し元がタスクごとに詳細とコストをトレードオフできる。さらにその上にDSparkの投機的ヘッドと、RockchipやHoumoからIntel、AMD、Armまでに及ぶと明記された初日サポートリストがある。

このバリアントについてベンダーが実際に公開している比較対象は Qwen3.5 0.8B であり、ベンダー自身の測定によれば Instruct モードにおいて総合スコアと推論効率の両方で上回っているというものです。これはモデルを開発した同じラボによる限定的な主張であり、そして製品がそれを中心に据えている主張でもあります。

SingVL_S1_4B は効率性を一切主張していません。モデルカードには、レイテンシ、スループット、メモリフットプリント、毎秒トークン数が報告されていません。間接的に示しているのは、別のタスクでは効率的であるはずの設計です。1回のフォワードパスでリクエスト内のすべての質問に対するすべての回答を返しますが、生成モデルでは出力トークンごとに1回のパスが必要です。5択分類では、これは大きな構造的優位性です。キャプションについては比較になりません。キャプションが存在しないからです。

指摘しておく価値がある：設定は入力契約を「最初の回答より前に全入力を与える；単一ターン；思考なし」に固定しており、READMEにはテキストで65,536入力トークン、画像ありで10,000と記載されている。スマートフォンで動く1Bモデルと、10,000トークンの画像予算を必要とする4.5Bモデルは、異なる制約を解いている。どちらの数字も間違いではない。それらは異なる問いへの答えなのだ。

ライセンスのギャップは、この比較の中で最も大きな部分です。

MiniCPM-V 4.7 1B は Apache 2.0 です。これはマーケティング上の些細な話ではなく、その周辺のエコシステムが存在する理由そのものです。リリースから4週間以内に、複数の配布元によるコミュニティ製 GGUF 量子化モデル、MNN 移植、Rockchip RKLLM ビルド、NPU ビルド、ComfyUI 統合、そして Hub 上の少なくとも1つのファインチューンが登場しました。ライセンスが不明瞭であれば、これらはどれも実現しなかったでしょう。なぜなら、その人たちは誰も重みを再配布できなかったからです。

SingVL_S1_4B は、モデルカードのメタデータにライセンス欄がなく、リポジトリにも LICENSE ファイルが含まれていません。デフォルトの著作権の下では、inclusionAI 以外の誰も、別途の契約なしに、それを再配布したり、量子化してその結果を公開したり、製品に組み込んで出荷したりする許可を持たないということになります。この組織は明示的な条件を付けたモデルを多数公開しています — LemonDecider は Apache 2.0、SingProbe ファミリーは Qwen のコミュニティライセンスを採用しています — したがって、この欠落は意図的な制限というよりも、未完成のリリースのように読めます。しかし、そう解釈できるからといって許諾があるわけではありません。

実務上の結論はこうだ。顧客、調達プロセス、アプリストアのいずれかに関わるものであれば、MiniCPM-V 4.7 1B は今週から使え、SingVL_S1_4B は使えない。この一行は、どちらのカードのあらゆるベンチマークの行よりも、実際の導入判断を多く左右する。

同じ列に入れてはならないベンチマーク

ここでは共通の基準はなく、互いに数字を挙げ合うよりも、その理由を明示する価値がある。

MiniCPM-V 4.7 1B の評価は、モデルカード内のデータセットごとの表ではなく、グラフとして公開されています。総合性能の比較と、性能対推論時間のフロンティアです。数値は存在し、枠組みは比較的かつ視覚的で、見出しの主張は位置づけに関するものです。フロンティア上で Qwen3.5 0.8B より優れているという主張です。

SingVL_S1_4B は詳細な表を公開している。Decision Index Text パネルで 69.76、Vision パネルで 73.94 を示し、43 のテキストデータセットと 11 の視覚データセットをすべて個別に内訳表示している。これらのスコアは、与えられた選択肢を採点して最大確率を取ることで得られたものであり、採点者が照合する自由形式の回答を生成するよりも実質的に容易なタスクである。また、Decision Index は、その数値がチャンス補正およびカバレッジ調整済みであり、当て推量では何も得られないことを明言している。

「73.94 vision」をMiniCPM-Vのフロンティアチャートの隣に置くのは、比較の装いをしたカテゴリー錯誤であろう。唯一正直に言えるのは、どちらの数値群もベンダー報告であり、中立な研究所による再現はどちらもなく、さらにSingVL_S1_4Bの数値は2日前のもので、Decision Indexの公開再現キットへの提出もないということだ——カードには提出用の手順が含まれているが、それは結果ではなく意図を示している。

1Bモデル自身の数値が面白くなるところ

SingVL_S1_4B の Decision Index の内訳は、その総合値よりも示唆に富んでおり、たまたま 1B モデルも競合するタスクプロファイルを表している。文書形式の視覚作業では、SingVL_S1_4B は InfographicVQA で 96.31、CORD-plus-FUNSD のキー情報セットで 95.82 を報告している。難度の高い学術推論では、MMMU-Pro vision で 50.17、R-Bench-M で 49.77 を報告している。モデレーションは 71.64 で、スキルプロンプト下では 43.28 に低下する。

そのプロファイル——レイアウトと文書抽出には強く、熟考型の推論は苦手で、主観的な判断ではプロンプトの枠組みに敏感——は、視覚エンコーダを備え生成ステップを持たない4.5B分類器からまさに予測されるものであり、MiniCPM-V 4.7 1Bが売りにしているのと同じ作業、つまり文書、画面、オンデバイスOCRに対応します。したがって、出力形式は異なっても、2つのモデルはタスクにおいて重なります。チームが実際に直面する問いは、必要なのが抽出された値なのか、それとも抽出された答えなのかということです。

パイプラインがフィールド、数値、ラベルを必要としているなら、SingVL_S1_4B の出力はすでに求めていたものであり、パースを省略できます。パイプラインが、構造を保持したテキストとしてレンダリングされたページ、またはフィールドが曖昧だった理由の説明を必要としているなら、MiniCPM-V 4.7 1B は二者のうちそれを生成できる唯一のモデルです。

中道、そしてその代償

どちらも初日からアーキテクチャ上の確定事項にする必要はなく、より安く試せるのは明らかなほうではない。MiniCPM-V 4.7 1B はラップトップで動くので、試すのに要るのは半日だけで、ほかに何もかからない。SingVL_S1_4B は試すだけで GPU と 9.1 GB のダウンロードが必要で、しかもライセンスの状況から、inclusionAI の誰も現時点で公の場でしていない会話なしには、そのテストを本番導入に移すことはできない。

知りたいのが、型付き決定スコアリングが自分のタスクにそもそも役立つかどうか——新しいチェックポイントのホスティングに投資する前に——ということであれば、そのパターンはすでに呼び出せます。OrcaRouter は TypeSafe Jev 1.14 を100万入力トークンあたり $0.042 で提供しており、それは1つのキーで使える200以上の他のモデルと並んでいます。プロバイダーの定価が0%のマークアップでそのまま適用され、プロバイダーが落ちた場合には自動フェイルオーバーも行われます。これにより、自分のラベルと突き合わせてベンチマークできる実用的な決定エンドポイントが、それ以外のすべてに使い続ける生成モデルの隣に手に入ります。SingVL_S1_4B は OrcaRouter にはなく、どこにもホストされたエンドポイントは存在しないため、ここでその可用性について主張しているわけではありません。要点は、設計上の問いとベンダー上の問いは切り離せて、GPU が必要なのはそのうち片方だけだということです。

率直な要約を、意思決定がなされる順に

• 法的に製品に組み込めますか — MiniCPM-V 4.7 1B は Apache 2.0 で、現時点では可能です。SingVL_S1_4B はライセンスが登場するまで不可です。

• 製品が稼働する環境で実行できますか — MiniCPM-V 4.7 1B はスマートフォンやエッジシリコン上で。SingVL_S1_4B は、お客様が運用する GPU サーバー上で。

• パイプラインが必要とする結果を返しますか — 回答がラベルと信頼度であれば SingVL_S1_4B、テキスト、構造、または説明であれば MiniCPM-V 4.7 1B。

• どちらかが独立に証明されているか — いいえ。どちらの数値もベンダー側のものです。MiniCPM-V 4.7 1B には4週間の第三者利用の実績がありますが、SingVL_S1_4B は2日でダウンロード数はゼロです。

• 最初に評価するのはどれか — MiniCPM-V 4.7 1Bだ。試すのにコストがかからず、書類上は除外できないからだ。次に、提供中のエンドポイントに対する判断パターン、そしてそのパターンがコストを回収できる場合に限り、最後に新しいチェックポイントだ。

その順序付けは、45億パラメータモデルに対する評決ではない。それは、ライセンスも論文も告知もないリリースが、部外者に何を求められるかについての陈述であり、それは大したことではない。成果物は実在し、設計は興味深い。それらの両方が真であり得る一方で、「我々はそれを使うべきか」への答えは、しばらくの間はノーのままである。