SingVL_S1_4B kontra MiniCPM-V 4.7 1B: 4,54 miliarda parametrów i brak licencji

Najbardziej użyteczna liczba w tym zestawieniu nie znajduje się na karcie żadnego z modeli. To 1,55 miliarda: łączna liczba tensorów MiniCPM-V 4.7 1B, modelu wizyjnego działającego na urządzeniu, który OpenBMB udostępnił 12 października 2026 r. na licencji Apache 2.0, z już opublikowanymi kompilacjami GGUF, AWQ, GPTQ, int4 i FP8 oraz portami na iOS, Androida i HarmonyOS. Po drugiej stronie stoi SingVL_S1_4B, model decyzyjny inclusionAI z 4,54 mld parametrów, przesłany 11 listopada 2026 r. bez zapowiedzi, bez pliku licencji i bez jakiegokolwiek wariantu skwantyzowanego. Około trzykrotnie więcej wag, po niewłaściwej stronie budżetu pamięci telefonu, wykonujący zadanie, które w większości nie jest tym samym zadaniem. Porównanie i tak warto przeprowadzić, ponieważ ujawnia jedyne pytanie, na które karta specyfikacji nie odpowie: co model jest ci winien poza swoim wynikiem?

Co zwraca każdy model i w związku z tym gdzie może się znajdować

MiniCPM-V 4.7 1B to dostrojony instrukcjami model multimodalny w konwencjonalnym sensie. Odczytuje pojedynczy obraz, kilka obrazów lub wideo i generuje odpowiedź — podpisy, transkrypcje, odpowiadanie na pytania wizualne, rozmowę wieloturnową. OpenBMB dostarcza dla niego dedykowane głowy spekulatywnego dekodowania DSpark, wydane trzy dni po modelu, i obsługuje go w SGLang, vLLM, llama.cpp oraz Ollama, z dostrajaniem przez SWIFT i LLaMA-Factory. Dostępna jest działająca przestrzeń demonstracyjna i publiczny cookbook. Każdy z tych elementów to kanał, przez który ktoś inny niż dostawca uruchomił ten model.

SingVL_S1_4B nie generuje. Przekazujesz mu stan — tekst, JSON, do czterech obrazów — oraz zestaw nazwanych pytań z zadeklarowanymi typami, a on zwraca prawdopodobieństwo dla każdej zaproponowanej opcji. Choice wybiera kandydata, noul zwraca prawdopodobieństwo, że twierdzenie typu tak/nie jest prawdziwe, a score zwraca rozkład po dwóch do dziesięciu uporządkowanych poziomach plus oczekiwany poziom. Jeden przebieg w przód, bez próbkowania, bez prozy. Quickstart w samym repozytorium uruchamia serwer FastAPI na porcie 8173 i wysyła JSON do /v1/systemone.

Zatem kwestia wdrożenia rozwiązuje się sama, zanim pojawi się pytanie o benchmark. MiniCPM-V 4.7 1B ma historię blisko związaną z ONNX, wersje na telefony i wsparcie ze strony producentów układów, ponieważ został zaprojektowany do działania na urządzeniu. SingVL_S1_4B ma serwer Python, ponieważ został zaprojektowany do działania na GPU należącym do kogoś. Jeśli Twój produkt dostarcza aplikację, jedno z nich jest komponentem, a drugie zależnością usługową.

Wydajność to cała teza po jednej stronie

Wariant 1B od OpenBMB istnieje po to, by zajmować określoną pozycję na krzywej wydajności względem czasu wnioskowania, a karta jednoznacznie stwierdza, że to — a nie sama dokładność — jest sednem twierdzenia. Architektura osiąga tę pozycję na dwa sposoby: wczesna kompresja wewnątrz ViT, zaczerpnięta z linii LLaVA-UHD v4, która przycina tokeny wizualne w enkoderze wizji, dzięki czemu późniejsze warstwy wykonują mniej pracy, oraz mieszana kompresja tokenów wizualnych 4x/16x, pozwalająca wywołującemu wymienić szczegółowość na koszt przypadający na zadanie. Na tym opierają się głowice spekulatywne DSpark oraz deklarowana lista wsparcia od pierwszego dnia, obejmująca rozwiązania od Rockchip i Houmo po Intel, AMD i Arm.

Porównanie, które dostawca faktycznie publikuje dla tego wariantu, dotyczy Qwen3.5 0.8B: lepszy wynik ogólny i lepsza wydajność wnioskowania w trybie Instruct — według pomiaru samego dostawcy. To wąskie twierdzenie pochodzące z tego samego laboratorium, które zbudowało model, i to właśnie wokół tego twierdzenia zbudowany jest produkt.

SingVL_S1_4B nie rości sobie żadnych twierdzeń o wydajności. Karta nie podaje opóźnienia, przepustowości, zużycia pamięci ani tokenów na sekundę. Pośrednio przedstawia natomiast projekt, który powinien być wydajny w innym zadaniu: jedna propagacja w przód zwraca wszystkie odpowiedzi na wszystkie pytania w żądaniu, podczas gdy model generatywny potrzebuje jednego przebiegu na każdy token wyjścia. W przypadku klasyfikacji z pięcioma opcjami jest to duża przewaga strukturalna. W przypadku podpisu nie jest to porównanie, ponieważ nie ma podpisu.

Warto zwrócić uwagę: konfiguracja przypina kontrakt wejściowy do „all-input-before-first-answer; single-turn; no-thinking”, a README podaje 65 536 tokenów wejściowych dla tekstu lub 10 000 w przypadku obrazów. Model 1B działający na telefonie i model 4.5B wymagający budżetu 10 000 tokenów na obraz mierzą się z różnymi ograniczeniami. Żadna z tych liczb nie jest błędna; to odpowiedzi na różne pytania.

Luka licencyjna to najszerszy element tego porównania.

MiniCPM-V 4.7 1B jest na licencji Apache 2.0. To nie jest szczegół marketingowy — to powód, dla którego istnieje otaczający go ekosystem. W ciągu czterech tygodni od wydania pojawiły się społecznościowe kwantyzacje GGUF od wielu wydawców, port MNN, kompilacja Rockchip RKLLM, kompilacja na NPU, integracja z ComfyUI i co najmniej jeden fine-tuning w Hubie. Żadne z tego nie mogłoby się wydarzyć na podstawie niejasnej licencji, ponieważ żadna z tych osób nie mogłaby redystrybuować wag.

SingVL_S1_4B jest udostępniany bez pola licencji w metadanych karty modelu i bez pliku LICENSE w repozytorium. W ramach domyślnego prawa autorskiego oznacza to, że nikt spoza inclusionAI nie ma pozwolenia na redystrybucję modelu, jego kwantyzację i publikację wyniku ani na dostarczanie go w produkcie bez odrębnej umowy. Organizacja opublikowała wiele modeli z wyraźnymi warunkami — LemonDecider jest objęty licencją Apache 2.0, a rodzina SingProbe — licencją społecznościową Q​wen — więc to pominięcie wygląda na niedokończone wydanie, a nie celowe ograniczenie. Sama interpretacja nie jest jednak udzieleniem zgody.

Praktyczna konsekwencja: w przypadku wszystkiego, co dotyczy klienta, procesu zakupowego lub sklepu z aplikacjami, MiniCPM-V 4.7 1B można wykorzystać już w tym tygodniu, a SingVL_S1_4B nie. Ta jedna linijka przesądza o większej liczbie rzeczywistych decyzji wdrożeniowych niż wszystkie wiersze benchmarków na obu kartach.

Benchmarki, których nie wolno umieszczać w tej samej kolumnie

Nie ma tu wspólnej miary i warto jasno wyjaśnić, dlaczego tak jest, zamiast przerzucać się liczbami.

Ewaluacja MiniCPM-V 4.7 1B jest publikowana w formie wykresów — ogólnego porównania wydajności oraz frontieru wydajności względem czasu wnioskowania — a nie jako tabela dla poszczególnych zbiorów danych w karcie modelu. Liczby istnieją, ujęcie jest porównawcze i wizualne, a główne twierdzenie ma charakter pozycyjny: lepsza na frontierze niż Qwen3.5 0.8B.

SingVL_S1_4B publikuje gęstą tabelę: 69,76 w panelu tekstowym Decision Index i 73,94 w panelu wizyjnym, z wyszczególnieniem wszystkich czterdziestu trzech zestawów danych tekstowych i jedenastu zestawów danych wizyjnych. Te wyniki pochodzą z punktowania podanych opcji i przyjmowania maksymalnego prawdopodobieństwa, co jest znacznie łatwiejszym zadaniem niż wygenerowanie swobodnej odpowiedzi do dopasowania przez oceniającego, a Decision Index wyraźnie zaznacza, że jego wartości są korygowane o losowość i dostosowywane do pokrycia, więc zgadywanie nie przynosi żadnych punktów.

Umieszczenie „73.94 vision” obok wykresu frontier MiniCPM-V byłoby błędem kategorii przebranym za porównanie. Jedynym uczciwym stwierdzeniem jest to, że oba zestawy liczb pochodzą od dostawcy, żaden nie został odtworzony przez neutralne laboratorium, a liczby SingVL_S1_4B są dodatkowo dwa dni stare i nie zgłoszono ich do publicznego zestawu do reprodukcji Decision Index — karta zawiera instrukcje zgłoszenia, co pokazuje zamiar, a nie wynik.

Gdzie własne liczby modelu 1B stają się interesujące

Rozbicie Decision Index dla SingVL_S1_4B ujawnia więcej niż jego wynik zbiorczy i akurat opisuje profil zadań, o który rywalizuje także model 1B. W pracach wizyjnych w stylu dokumentów SingVL_S1_4B osiąga 96,31 na InfographicVQA i 95,82 na zbiorze kluczowych informacji CORD-plus-FUNSD. W trudnym rozumowaniu akademickim osiąga 50,17 na MMMU-Pro vision i 49,77 na R-Bench-M. Moderacja wynosi 71,64 i spada do 43,28 przy prompcie umiejętności.

Ten profil — mocny w układzie i ekstrakcji dokumentów, słaby w rozumowaniu deliberatywnym, wrażliwy na sposób formułowania promptu przy ocenach subiektywnych — jest dokładnie tym, czego można by się spodziewać po klasyfikatorze 4.5B z enkoderem wizyjnym i bez etapu generowania, i przekłada się na te same zadania, do których sprzedawany jest MiniCPM-V 4.7 1B: dokumenty, ekrany, OCR na urządzeniu. Zatem oba modele pokrywają się pod względem zadania, choć różnią się kształtem wyjścia. Pytanie, przed którym faktycznie stoi zespół, brzmi, czy potrzebuje wyodrębnionej wartości, czy wyodrębnionej odpowiedzi.

Jeśli potok potrzebuje pola, liczby, etykiety — wynik SingVL_S1_4B jest już tym, czego chciałeś, i pomijasz parsowanie. Jeśli potok potrzebuje strony wyrenderowanej jako tekst z zachowaną strukturą lub wyjaśnienia, dlaczego pole było niejednoznaczne, MiniCPM-V 4.7 1B jest jedynym z tych dwóch, który potrafi to wygenerować.

Środkowa droga i jej koszt

Żadna z tych opcji nie musi być zobowiązaniem architektonicznym podjętym pierwszego dnia, a tańszy eksperyment nie jest tym oczywistym. MiniCPM-V 4.7 1B działa na laptopie, więc przetestowanie go kosztuje popołudnie i nic więcej. SingVL_S1_4B wymaga GPU i pobrania 9,1 GB, żeby w ogóle go przetestować, a sytuacja z jego licencją oznacza, że test nie może przekształcić się we wdrożenie bez rozmowy, której nikt w inclusionAI obecnie nie prowadzi publicznie.

Jeśli chcesz się dowiedzieć, czy punktowanie decyzji z typami w ogóle pomaga w Twoim zadaniu — zanim zainwestujesz w hostowanie nowego checkpointu — ten wzorzec można już wywołać. OrcaRouter udostępnia TypeSafe Jev 1.14 za 0,042 USD za milion tokenów wejściowych obok ponad 200 innych modeli na jednym kluczu, przy czym cennik dostawców jest przekazywany bez narzutu (0% marży) i z automatycznym przełączaniem awaryjnym, jeśli dostawca padnie. Daje to działający endpoint decyzyjny do porównania z własnymi etykietami, obok modeli generatywnych, które zachowałbyś do wszystkiego innego. SingVL_S1_4B nie jest dostępny na OrcaRouter i nigdzie nie ma dla niego hostowanego endpointu, więc nic tutaj nie jest twierdzeniem o jego dostępności; chodzi o to, że kwestia projektu i kwestia dostawcy są rozdzielne, a tylko jedna z nich wymaga GPU.

Uczciwe podsumowanie — w kolejności, w jakiej podejmowane są decyzje

• Czy można to legalnie umieścić w produkcie — MiniCPM-V 4.7 1B, Apache 2.0, dziś. SingVL_S1_4B — nie, dopóki nie pojawi się licencja.

• Czy może działać tam, gdzie działa produkt — MiniCPM-V 4.7 1B, na telefonach i układach edge. SingVL_S1_4B, na serwerze GPU, którym zarządzasz.

• Czy zwraca to, czego potrzebuje potok — SingVL_S1_4B, jeśli odpowiedzią jest etykieta i poziom ufności; MiniCPM-V 4.7 1B, jeśli jest to tekst, struktura lub wyjaśnienie.

• Czy którekolwiek z nich zostało niezależnie potwierdzone — nie. Oba zestawy liczb pochodzą od dostawców. MiniCPM-V 4.7 1B ma za sobą cztery tygodnie użytkowania przez osoby trzecie; SingVL_S1_4B ma dwa dni i zero pobrań.

• Który najpierw bym ocenił — MiniCPM-V 4.7 1B, ponieważ jego wypróbowanie nic nie kosztuje i nie można go wykluczyć na papierze. Następnie wzorzec decyzyjny wobec udostępnionego punktu końcowego, a dopiero potem nowy checkpoint, jeśli wzorzec się zwróci.

To uszeregowanie nie jest werdyktem o modelu o 4,5 miliarda parametrów. To stwierdzenie o tym, czego wydanie bez licencji, artykułu czy ogłoszenia może oczekiwać od kogoś z zewnątrz, a to niewiele. Artefakt jest realny, a projekt jest interesujący; oba te stwierdzenia mogą być prawdziwe, podczas gdy odpowiedź na pytanie „czy powinniśmy go użyć” jeszcze przez jakiś czas pozostaje negatywna.