MiniCPM-V 4.7 1B vs UI-Venus 2 9B: Jeden mieści się w kieszeni, drugi wymaga szafy rackowej

Porównanie MiniCPM-V 4.7 1B z UI-Venus 2 9B nie jest wyrównane i właśnie to jest w nim użyteczne. MiniCPM-V 4.7 1B to ogólny model wizyjno-językowy z 1,55 mld parametrów od OpenBMB, przesłany 6 października 2026 r., datowany na 12 października w notatkach wydania dostawcy, na licencji Apache 2.0 i wystarczająco mały, by działać wewnątrz aplikacji na telefon. UI-Venus 2 9B to agent GUI z 9,41 mld parametrów od inclusionAI, wydany 26 sierpnia 2026 r., wyszkolony specjalnie do patrzenia na ekran i decydowania, gdzie stuknąć, wpisać lub przesunąć, i oczekuje GPU z serwerem vLLM przed sobą. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom ważności, ocenę pewności i oznaczenie sporności.

Umieszczenie ich w jednym zdaniu prowokuje niewłaściwe pytanie — który z nich jest lepszy — podczas gdy właściwe pytanie brzmi, do czego służy każdy z nich. Ogólny model wizyjny, który mieści się w 1,8 GB pamięci po kwantyzacji, i agent ekranowy, który osiąga 73,0 w ScreenSpot-Pro, nie są zamiennikami. To dwie różne warstwy stosu automatyzacji mobilnej, a najciekawsze jest to, gdzie właściwie przebiega granica między tymi warstwami.

Dwa zawody, które z daleka wyglądają podobnie

Oba modele potrafią przyjąć zrzut ekranu i zwrócić opisujący go tekst. I na tym podobieństwa się kończą.

MiniCPM-V 4.7 1B odczytuje obraz i opisuje go, transkrybuje, wyodrębnia informacje lub odpowiada. Zapytaj go, jaka jest suma na paragonie, co zawiera pole formularza, czy wykres ma tendencję wzrostową lub co mówi strona PDF, a udzieli odpowiedzi. Ma kontrolki dzielenia na fragmenty dla obrazów o wysokiej rozdzielczości, przełączalny współczynnik kompresji tokenów wizualnych 4×/16× oraz parametry próbkowania klatek dla wideo. Jego dokumentacja obejmuje czat z pojedynczym obrazem, czat z wieloma obrazami, wideo, OCR, analizę PDF i grounding wizualny — obciążenie związane z odczytem dokumentów i ekranów.

UI-Venus 2 9B odczytuje ekran i emituje akcję. Jego karta opisuje zamkniętą pętlę: obserwuj interfejs, rozumuj o stanie zadania, wykonaj akcję, uwzględnij informację zwrotną środowiska w następnej decyzji. Wyniki to punkty i sekwencje akcji, a nie proza. Wokół niego inclusionAI dostarcza wzorcowe prompty, parsery akcji i przykłady gotowe do uruchomienia dla zadań mobilnych, komputerowych, przeglądarkowych, grounding i CAPTCHA. Model jest polityką, a otaczająca go infrastruktura to połowa produktu.

Ta różnica przesądza o architekturze, zanim weźmie się pod uwagę jakikolwiek benchmark. Aplikacja na telefon, która musi odczytać paragon, korzysta z pierwszego podejścia. System, który musi wykonać zadanie wewnątrz aplikacji — przeklikać się przez kasę, wypełnić formularz, rozwiązać suwak CAPTCHA — korzysta z drugiego i nie może go zastąpić pierwszym, niezależnie od jakości swojego OCR.

Licencja jest pierwszym filtrem, a nie punktem odniesienia.

Karta modelu UI-Venus 2 9B zawiera sekcję dotyczącą statusu wydania, którą większość relacji pominęła. W części „Model weights” podano, że wagi są dołączone; w części „License” podano, że licencja wag modelu jest w oczekiwaniu na ostateczne potwierdzenie i zostanie dodana przed publicznym wydaniem, a deklaracja Apache-2.0 celowo nie została przeniesiona, ponieważ materiały źródłowe zawierają sprzeczne stwierdzenia dotyczące licencji.

Przeczytaj to dwa razy. Wagi są do pobrania, benchmarki są opublikowane, raport techniczny jest na arXiv, a licencja pozostaje nierozstrzygnięta. Dla zespołu badawczego to w porządku. Dla firmy planującej dostarczyć agenta ekranowego w produkcie komercyjnym oznacza to, że przegląd prawny nie może zostać zamknięty. Model może ostatecznie trafić na Apache 2.0 albo nie, i nie da się tego stwierdzić na podstawie artefaktów dostępnych dzisiaj.

MiniCPM-V 4.7 1B jest udostępniany na licencji Apache 2.0, bez tego rodzaju niejednoznaczności. Ten jeden zapis eliminuje jeden z dwóch modeli w przypadku dużej klasy zastosowań komercyjnych — nie dlatego, że jest gorszy, ale dlatego, że licencja w stanie zawieszenia to ryzyko harmonogramu, którego nikt nie uwzględnia w budżecie.

Arytmetyka sprzętowa, przed jakimkolwiek wynikiem

• Wagi — 1.55B w wariancie gęstym, około 3.1 GB BF16, 0.67 GB przy Q4_K_M plus projektor wizyjny 0.90–1.11 GB vs 9.41B, około 18.8 GB BF16 w czterech shardach safetensors • Gdzie działa — aplikacje iOS, Android i HarmonyOS; wsparcie układów w dniu premiery od Rockchip, Houmo, Intel, AMD i Arm vs ścieżka serwowania na GPU, udokumentowana z vLLM przy --max-model-len 262144 i --reasoning-parser q​wen3 • Kontekst — 262,144 tokeny na papierze, z pamięcią podręczną KV, która przy pełnej długości kosztuje więcej niż wagi, vs 262,144 tokeny odziedziczone z bazy Qwen3.5-9B • Stos wizyjny — 27-warstwowy enkoder o 1152 wymiarach ukrytych na kafelkach 980 pikseli z kompresją tokenów wewnątrz enkodera vs wieża wizyjna Qwen3.5-9B przeniesiona z modelu bazowego • Licencja — Apache 2.0 vs oczekujące potwierdzenie, przy czym deklaracja Apache-2.0 została wyraźnie wstrzymana • Styl ewaluacji — pięć liczb opisanych prozą plus porównania wyłącznie na wykresach vs pełny aneks liczbowy obejmujący urządzenia mobilne, komputer, web, grounding, CAPTCHA i bezpieczeństwo • Niezależna ewaluacja — brak dla obu modeli na dzień pisania vs brak, choć raport techniczny na arXiv 2609.00028 jest znaczącym artefaktem możliwym do zweryfikowania przez strony trzecie

Różnica wynosi tu w przybliżeniu rząd wielkości pod względem pamięci: 1,8 GB po kwantyzacji wobec 18,8 GB w BF16, czyli około 5 GB przy 4 bitach, jeśli przeprowadzi się kwantyzację. To różnica między aplikacją a usługą. To także powód, dla którego oba modele są zwykle omawiane w różnych artykułach — jeden dotyczy kwestii wdrożenia na urządzeniach brzegowych, a drugi kwestii kosztu wnioskowania.

Gdzie 9B uzasadnia swoją wielkość

Liczby UI-Venus 2 9B — wszystkie podane przez dostawcę w karcie modelu i raporcie technicznym — plasują go w czołówce klasy modeli GUI poniżej 10B. W ScreenSpot-Pro, który mierzy lokalizację elementów w wysokorozdzielczym profesjonalnym oprogramowaniu, wynosi 73.0. W VenusBench-GD — 77.1. W OSWorld-G-R — 78.5. W AndroidWorld — 80.2. W odświeżonym podziale WebVoyager na 595 zadań — 90.8. W OSWorld-Verified — 70.8. W swoim własnym VenusBench-CAPTCHA — 78.1 pass@1 w ośmiu typach interakcji.

To nie są liczby, jakie generuje model ogólnego przeznaczenia 1B, i nie mają takie być. To, co czyni je wiarygodnymi, a nie dekoracyjnymi, to opis treningu: mobilna pula ponad 170 wielojęzycznych aplikacji, internetowa pula ponad 4000 domen w 19 kategoriach, trzy etapy treningu (multimodalny trening pośredni, offline RL w pięciu rodzinach zadań, destylacja on-policy z wieloma nauczycielami) oraz schemat weryfikacji oparty na istotnych dla zadania wizualnych punktach kluczowych z głosowaniem wielu modeli, a nie na pojedynczym sędzim patrzącym na końcowy ekran. Karta podaje również wyniki dotyczące bezpieczeństwa — 11,3% wskaźnika skuteczności ataków na OSHarm i 48,8% na OSBlind, w porównaniu z 25,3% i 79,4% dla bazy Qwen3.5-9B — i przedstawia je jako porównanie z tą bazą, a nie jako absolutne twierdzenie o odporności, co jest właściwym ujęciem.

Nic z tego nie przekłada się na model 1B. Sprawczość w GUI jest wyuczona, a nie emergentna z ogólnych kompetencji wizyjnych, i żadna dokładność OCR nie zastąpi polityki, która wie, co robi przycisk „Dalej”.

Tam, gdzie 1B i tak wygrywa

Trzy miejsca, i nie są to nagrody pocieszenia.

Opóźnienie i dostępność. Lokalny model 1B nie wymaga przesyłu danych tam i z powrotem przez sieć, nie ma kolejki, awarii dostawcy ani kosztu za żądanie. W przypadku funkcji skanowania używanej pięćdziesiąt razy dziennie to jest całe doświadczenie produktu. Model 9B za serwerem vLLM jest szybki — ale jest szybki tak, jak szybki jest każdy hostowany model, i przestaje być szybki, gdy połączenie zawodzi.

Prywatność z założenia. Paragon, dokument tożsamości, formularz medyczny albo zrzut ekranu prywatnej rozmowy mogą pozostać na urządzeniu. To nie jest slogan marketingowy; to różnica między funkcją, którą można wdrożyć w regulowanej branży, a taką, której nie można. Własna ocena bezpieczeństwa UI-Venus 2 9B dotyczy tego, że model zachowuje się niewłaściwie po stronie serwera. Właściwość prywatności 1B polega na tym, że obraz nigdy nie opuszcza telefonu.

Koszt krańcowy. Odczyt zrzutu ekranu za pomocą hostowanego modelu 9B kosztuje pieniądze za każde żądanie, przy każdym żądaniu, na zawsze. Odczyt za pomocą lokalnego modelu 1B kosztuje baterię. Przy niskim wolumenie opcja hostowana jest tańsza; przy wysokim wolumenie — skaner w aplikacji terenowej, narzędzie dostępności, partia dziesięciu tysięcy paragonów — lokalny model jest jedynym, którego koszt krańcowy zbliża się do zera.

Stack, który większość zespołów w praktyce ostatecznie buduje

To nie wybór między tymi dwoma. To ich nakładanie na siebie.

Model 1B działający na urządzeniu odpowiada za percepcję: odczytuje ekran, wyodrębnia tekst, znajduje pole i opisuje, co się tam znajduje. W większości przypadków to wystarcza, a żądanie nigdy nie opuszcza telefonu. Gdy zadanie wymaga działania — stuknij tutaj, przesuń tam, ukończ ten przepływ — praca trafia do agenta, a agent potrzebuje większego modelu ze słownikiem akcji.

To przekazanie to miejsce, w którym warstwa routingu zarabia na siebie, i warto dokładnie określić, co robi, a czego nie robi. OrcaRouter udostępnia ponad 200 hostowanych modeli poprzez jeden punkt końcowy zgodny z OpenAI przy 0% marży, przekazując cennik każdego dostawcy bez zmian, z automatycznym przełączaniem awaryjnym i DSL routingu, który może utrzymać model podstawowy i zapasowy w jednym wywołaniu. Wzorzec, który to umożliwia, jest nieefektowny i użyteczny: telefon próbuje swojego lokalnego modelu 1B, aplikacja eskaluje trudne przypadki do hostowanego modelu wizyjnego za pomocą tego samego klucza, którego używa do wszystkiego innego, a dostawca mający zły dzień staje się zdarzeniem przełączenia awaryjnego, a nie awarią. Ani MiniCPM-V 4.7 1B, ani UI-Venus 2 9B nie znajdują się w tym katalogu — oba są checkpointami, które uruchamiasz samodzielnie — więc router jest warstwą wokół stosu, a nie sposobem wywoływania któregokolwiek z tych modeli.

Dwa tryby awarii, na które warto się przygotować

Pierwszy to model ogólny 1B używany jako agent. Poprawnie odczyta ekran, a potem nie będzie miał pojęcia, co z nim zrobić. Jeśli Twój produkt musi wykonać jakiś przepływ, a nie tylko go opisać, 1B to niewłaściwe narzędzie i żaden prompt tego nie naprawi.

Drugi to agent 9B, którego udostępnienie zależy od statusu licencji na karcie modelu. Karta UI-Venus 2 9B mówi, że licencja jest w toku i że deklaracja Apache-2.0 została celowo wstrzymana. Dopóki to się nie wyjaśni, model pozostaje artefaktem badawczym do celów komercyjnych, niezależnie od tego, jak dobry jest wynik ScreenSpot-Pro. Zespoły, które planują w oparciu o „to prawdopodobnie będzie Apache 2.0”, podejmują ryzyko harmonogramu, którego nie wyceniły.

Do czego tak naprawdę sprowadza się ten wybór

Jeśli pytanie brzmi: „czy mogę odczytać ten zrzut ekranu na telefonie, offline, za darmo, z licencją, którą mogę dostarczać”, to MiniCPM-V 4.7 1B odpowiada: tak — przy około 1,8 GB po kwantyzacji, na licencji Apache 2.0, a jedyne, co musisz zweryfikować, to zapas pamięci własnego urządzenia.

Jeśli pytanie brzmi „czy ten model potrafi obsługiwać interfejs, a nie go opisywać” — UI-Venus 2 9B to ten, który ma trening, benchmarki i harness, a zanim potrzebuje czegokolwiek innego, potrzebuje GPU i decyzji licencyjnej.

Jeśli pytanie brzmi „oba, w jednym produkcie” — to budujesz system dwuwarstwowy: model 1B zajmuje się percepcją na urządzeniu, a agent wykonuje działania na serwerze, a praca inżynierska to kwestia przekazania między nimi, a nie wyboru między nimi.

Porównanie wygląda na nierówne, bo takie jest. Generalista 1B i specjalista GUI 9B nie należą do tej samej klasy wagowej, tej samej klasy wdrożeniowej ani nie mają tej samej pozycji licencyjnej. Błędem byłoby odczytywanie tego jako „jeden jest lepszy”. Odpowiadają na różne pytania, a najszybszym sposobem wyboru jest zapisanie, na jakie pytanie tak naprawdę próbujesz odpowiedzieć.