SingVL_S1_4B vs MiniCPM-V 4.7 1B: 4,54 miljard parameters en geen licentie

Het nuttigste getal in deze vergelijking staat op geen van beide modelkaarten. Het is 1,55 miljard: het totale aantal tensorwaarden van MiniCPM-V 4.7 1B, het on-device visionmodel dat OpenBMB op 12 oktober 2026 onder Apache 2.0 uitbracht, met al gepubliceerde GGUF-, AWQ-, GPTQ-, int4- en FP8-builds en ports naar iOS, Android en HarmonyOS. Daartegenover staat SingVL_S1_4B, het beslissingsmodel van inclusionAI met 4,54 miljard parameters, geüpload op 11 november 2026 zonder aankondiging, zonder licentebestand en zonder enige vorm van gequantiseerde variant. Ruwweg drie keer zoveel gewichten, aan de verkeerde kant van het geheugenbudget van een telefoon, en het doet werk dat grotendeels niet hetzelfde werk is. De vergelijking is toch de moeite waard, omdat ze de ene vraag blootlegt die een specsheet niet kan beantwoorden: wat is een model je verschuldigd buiten zijn output?

Wat elk model retourneert, en dus waar het kan leven

MiniCPM-V 4.7 1B is een op instructies afgestemd multimodaal model in de conventionele zin. Het leest één afbeelding, meerdere afbeeldingen of video, en het genereert een antwoord — bijschriften, transcripties, visuele vraagbeantwoording, gesprekken over meerdere beurten. OpenBMB levert er speciale DSpark-heads voor speculatief decoderen bij, drie dagen na het model uitgebracht, en ondersteunt het in SGLang, vLLM, llama.cpp en Ollama, met fine-tuning via SWIFT en LLaMA-Factory. Er is een live demo-space en een openbare cookbook. Elk daarvan is een kanaal waarlangs iemand anders dan de leverancier het ding heeft gedraaid.

SingVL_S1_4B genereert niet. Je geeft het een state — tekst, JSON, tot vier afbeeldingen — en een set benoemde vragen met gedeclareerde types, en het retourneert een waarschijnlijkheid voor elke optie die je hebt aangeboden. Choice kiest een kandidaat, noul retourneert de waarschijnlijkheid dat een ja/nee-stelling waar is, en score retourneert een verdeling over twee tot tien geordende niveaus plus een verwacht niveau. Eén forward pass, geen sampling, geen proza. De quickstart van de repository zelf start een FastAPI-server op poort 8173 en stuurt JSON naar /v1/systemone.

De deploymentvraag beantwoordt zichzelf dus voordat de benchmarkvraag wordt gesteld. MiniCPM-V 4.7 1B heeft een verhaal dat nauw aan ONNX verwant is, phone-ports en ondersteuning van chipfabrikanten, omdat het ontworpen is om op een apparaat te draaien. SingVL_S1_4B heeft een Python-server omdat het ontworpen is om op een GPU te draaien die iemand bezit. Als je product een app levert, is een van deze een component en de andere een serviceafhankelijkheid.

Efficiëntie is de hele these aan de ene kant

De 1B-variant van OpenBMB bestaat om een positie in te nemen op een curve van prestaties versus inferentietijd, en de kaart is expliciet dat dit — niet ruwe nauwkeurigheid — de claim is. De architectuur koopt die positie op twee manieren: intra-ViT-vroege compressie, overgenomen uit de LLaVA-UHD v4-lijn, die visuele tokens binnen de vision-encoder inkrimpt zodat latere lagen minder werk doen, en gemengde 4x/16x-visuele-tokencompressie, waarmee een aanroeper detail kan inruilen voor kosten per taak. Daarbovenop komen de speculatieve DSpark-heads en een vermelde day-zero-ondersteuningslijst die loopt van Rockchip en Houmo tot Intel, AMD en Arm.

De vergelijking die de leverancier daadwerkelijk publiceert voor deze variant is met Qwen3.5 0.8B: een betere totaalscore en betere inferentie-efficiëntie in Instruct-modus, volgens de eigen meting van de leverancier. Dat is een beperkte claim van hetzelfde lab dat het model heeft gebouwd, en het is de claim waarop het product is gebouwd.

SingVL_S1_4B doet helemaal geen efficiëntieclaim. De kaart rapporteert geen latentie, doorvoer, geheugengebruik of tokens per seconde. Wat hij wel indirect rapporteert, is een ontwerp dat efficiënt zou moeten zijn voor een andere taak: één forward pass levert alle antwoorden op alle vragen in het verzoek, terwijl een generatief model één pass per uitvoertoken nodig heeft. Voor een classificatie met vijf opties is dat een groot structureel voordeel. Voor een caption is het geen vergelijking, want er is geen caption.

Het is de moeite waard om te benadrukken: de config legt het invoercontract vast op "alle invoer vóór het eerste antwoord; één beurt; geen denkproces", en de README vermeldt 65.536 invoertokens voor tekst of 10.000 met afbeeldingen. Een 1B-model dat op een telefoon draait en een 4,5B-model dat een afbeeldingsbudget van 10.000 tokens nodig heeft, zijn voor verschillende beperkingen ontworpen. Geen van beide getallen is fout; het zijn antwoorden op verschillende vragen.

Het licentiegat is het breedste deel van deze vergelijking.

MiniCPM-V 4.7 1B is Apache 2.0. Dat is geen marketingdetail — het is de reden dat het ecosysteem eromheen bestaat. Binnen vier weken na de release waren er community-GGUF-quants van meerdere uitgevers, een MNN-port, een Rockchip-RKLLM-build, een NPU-build, een ComfyUI-integratie en minstens één fine-tune op de Hub. Niets daarvan had kunnen gebeuren onder een onduidelijke licentie, omdat geen van die mensen de gewichten had kunnen herdistribueren.

SingVL_S1_4B wordt geleverd zonder licentieveld in de metadata van de modelkaart en zonder LICENSE-bestand in de repository. Volgens het standaard auteursrecht betekent dit dat niemand buiten inclusionAI toestemming heeft om het te herdistribueren, te kwantiseren en het resultaat te publiceren, of om het zonder afzonderlijke overeenkomst in een product op te nemen. De organisatie heeft talrijke modellen met expliciete voorwaarden gepubliceerd — LemonDecider valt onder Apache 2.0, de SingProbe-familie valt onder Qwens communitylicentie — dus de omissie leest als een onvoltooide release in plaats van een bewuste beperking. Maar een interpretatie is geen vergunning.

De praktische consequentie: voor alles wat een klant, een inkoopproces of een appstore raakt, is MiniCPM-V 4.7 1B deze week bruikbaar en SingVL_S1_4B niet. Die ene zin bepaalt meer echte implementatiebeslissingen dan elke benchmarkrij op beide kaarten.

Benchmarks die niet in dezelfde kolom mogen worden geplaatst

Er is hier geen gedeelde maatstaf, en het is de moeite waard om expliciet te zijn over waarom, in plaats van elkaar cijfers toe te werpen.

De evaluatie van MiniCPM-V 4.7 1B wordt gepubliceerd als grafieken — een algemene prestatievergelijking, een frontier van prestatie versus inferentietijd — in plaats van als een tabel per dataset in de modelkaart. De cijfers bestaan, de framing is vergelijkend en visueel, en de hoofdbewering is positioneel: beter op de frontier dan Qwen3.5 0.8B.

SingVL_S1_4B publiceert een gedetailleerde tabel: 69,76 op het Decision Index Text-paneel en 73,94 op het Vision-paneel, met alle drieënveertig tekstdatasets en elf visiondatasets uitgesplitst. Die scores komen voort uit het scoren van aangeleverde opties en het nemen van de maximale waarschijnlijkheid, wat een wezenlijk eenvoudigere taak is dan het genereren van een vrij geformuleerd antwoord dat een beoordelaar moet matchen, en de Decision Index maakt expliciet dat de cijfers kansgecorrigeerd en dekkingsgecorrigeerd zijn, zodat gokken niets oplevert.

Het naast elkaar plaatsen van "73.94 vision" en een MiniCPM-V-frontiergrafiek zou een categoriefout zijn die als vergelijking is vermomd. De enige eerlijke uitspraak is dat beide sets cijfers door de leverancier zijn gerapporteerd, dat geen van beide door een neutraal lab is gereproduceerd, en dat die van SingVL_S1_4B bovendien twee dagen oud zijn zonder indiening bij de openbare reproductiekit van de Decision Index — de kaart bevat de instructies om er een in te dienen, wat intentie toont in plaats van een resultaat.

Waar de eigen cijfers van het 1B-model interessant worden

De uitsplitsing van de Decision Index voor SingVL_S1_4B is onthullender dan het samengestelde cijfer, en ze beschrijft toevallig een taakprofiel waarvoor ook het 1B-model in de running is. Op documentachtig visueel werk rapporteert SingVL_S1_4B 96,31 op InfographicVQA en 95,82 op de CORD-plus-FUNSD-set met kerninformatie. Bij moeilijk academisch redeneren rapporteert het 50,17 op MMMU-Pro vision en 49,77 op R-Bench-M. Moderatie staat op 71,64 en zakt naar 43,28 onder de skill-prompt.

Dat profiel — sterk in lay-out en documentextractie, zwak in deliberatief redeneren, gevoelig voor promptformulering bij subjectieve beoordelingen — is precies wat je zou verwachten van een 4,5B-classifier met een vision-encoder en zonder generatiestap, en het sluit aan bij hetzelfde werk waarvoor MiniCPM-V 4.7 1B wordt verkocht: documenten, schermen, on-device-OCR. De twee modellen overlappen dus qua taak, ook al verschillen ze in uitvoervorm. De vraag waar een team feitelijk voor staat, is of het de geëxtraheerde waarde nodig heeft of het geëxtraheerde antwoord.

Als de pipeline het veld, het nummer, het label nodig heeft — de uitvoer van SingVL_S1_4B is al precies wat je wilde, en je slaat het parsen over. Als de pipeline de pagina als tekst met behouden structuur nodig heeft, of een uitleg waarom het veld ambigu was, is MiniCPM-V 4.7 1B de enige van de twee die dat kan produceren.

De middenweg, en wat die kost

Geen van beide hoeft op dag één een architectuurkeuze te zijn, en het goedkopere experiment is niet het voor de hand liggende. MiniCPM-V 4.7 1B draait op een laptop, dus het testen kost een middag en verder niets. SingVL_S1_4B vereist een GPU en een download van 9,1 GB om het überhaupt te kunnen testen, en door de licentiesituatie kan de test geen deployment worden zonder een gesprek dat niemand bij inclusionAI op dit moment in het openbaar voert.

Als je wilt weten of het scoren van getypeerde beslissingen je taak überhaupt helpt — voordat je investeert in het hosten van een nieuwe checkpoint — dan is het patroon al aanroepbaar. OrcaRouter biedt TypeSafe Jev 1.14 aan voor $0.042 per miljoen inputtokens naast meer dan 200 andere modellen op één sleutel, met de lijstprijzen van providers doorgegeven tegen 0% markup en automatische failover als een provider wegvalt. Dat geeft je een werkend decision-endpoint om te benchmarken tegen je eigen labels, naast de generatieve modellen die je voor al het overige zou houden. SingVL_S1_4B staat niet op OrcaRouter en er is nergens een gehost endpoint voor, dus niets hier is een bewering over de beschikbaarheid ervan; het punt is dat de ontwerpvraag en de leveranciersvraag los van elkaar staan, en slechts één daarvan heeft een GPU nodig.

De eerlijke samenvatting, in de volgorde waarin de beslissingen worden genomen

• Kan het vandaag legaal in een product worden opgenomen — MiniCPM-V 4.7 1B, Apache 2.0. SingVL_S1_4B, nee, totdat er een licentie verschijnt.

• Kan het draaien waar het product draait — MiniCPM-V 4.7 1B, op telefoons en edge-silicon. SingVL_S1_4B, op een GPU-server die je beheert.

• Levert het op wat de pipeline nodig heeft — SingVL_S1_4B als het antwoord een label en een betrouwbaarheidsscore is; MiniCPM-V 4.7 1B als het tekst, structuur of uitleg is.

• Is een van beide onafhankelijk bewezen — nee. Beide sets cijfers zijn van de leveranciers. MiniCPM-V 4.7 1B heeft vier weken gebruik door derden achter zich; SingVL_S1_4B heeft twee dagen en nul downloads.

• Wat zou ik eerst evalueren — MiniCPM-V 4.7 1B, omdat het niets kost om te proberen en op papier niet kan worden uitgesloten. Dan het beslissingspatroon tegen een operationeel endpoint, en pas daarna de nieuwe checkpoint, als het patroon zichzelf terugverdient.

Die rangschikking is geen oordeel over het model met 4,5 miljard parameters. Het is een uitspraak over wat een release zonder licentie, paper of aankondiging van een buitenstaander kan vragen, en dat is niet veel. Het artefact is echt en het ontwerp is interessant; beide kunnen waar zijn terwijl het antwoord op "moeten we het gebruiken" voorlopig nee blijft.