MiniCPM-V 4.7 1B em um iPhone comum: o que “executa além do Pro Max” realmente significa

MiniCPM-V 4.7 1B é um modelo de visão-linguagem de 1,55 bilhão de parâmetros que a OpenBMB publicou no Hugging Face em 6 de outubro de 2026 e que aparece com data de 12 de outubro nas próprias notas de lançamento. Ele tem uma ficha do modelo, onze variantes quantizadas, uma tag do Ollama e um aplicativo de demonstração no dispositivo. O que ele não tem é uma versão da história que se sustente quando você calcula o custo do hardware. A alegação que circula nos círculos de desenvolvedores — de que o modelo agora roda em um app OnDeviceLLM em iPhones comuns, não apenas em um Pro Max de 12 GB — é a parte que merece um exame atento, porque "roda em um celular" e "roda no seu celular" estão separados por cerca de 3 GB de folga de memória que a maioria dos iPhones não tem. As falhas de IA documentadas e os incidentes de agentes por trás de lançamentos como este são reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, severidade, grau de confiança e sinalizador de contestação.

Aqui está o estado atual, com as costuras à mostra. Tudo abaixo foi lido diretamente dos arquivos de pesos, da documentação do próprio OpenBMB ou das especificações publicadas pela Apple. Quando um número vem de uma postagem de desenvolvedor, e não de um artefato reproduzível, este artigo informa isso.

O que se sabe de fato, e o que é apenas afirmado

O modelo é real e pode ser baixado. O checkpoint BF16 tem 1.554.476.272 parâmetros, o que dá aproximadamente 3,1 GB em disco. O repositório traz um model card completo — uma raridade no histórico recente desta família — que nomeia um backbone de texto Qwen3.5, uma torre de visão SigLIP2 com 27 camadas e largura oculta de 1152, tiles de entrada de 980 pixels, uma janela de contexto de 262.144 tokens e licenciamento Apache 2.0. A entrada do README do próprio OpenBMB data o lançamento em 2026-10-12; o repositório no Hugging Face foi criado em 2026-10-06. A diferença de seis dias é o intervalo entre upload e anúncio pelo qual esta família é conhecida, e é o motivo pelo qual um artigo de outubro ainda pode chamar de lançamento silencioso um repositório com seis dias de idade.

O que não está estabelecido por qualquer artefato é a alegação específica de que o 1B roda no OnDeviceLLM em "iPhones do dia a dia além do Pro Max de 12GB." Um post de desenvolvedor é a origem dessa formulação. O repositório público do projeto OnDeviceLLM — que é um kit inicial para apps de chat e tradução offline, não um produto lançado na App Store — tem zero estrelas e teve o último push em 27 de julho de 2026. Ele é dez semanas anterior aos pesos do MiniCPM-V 4.7, então qualquer suporte a esse modelo nele é recente e não documentado. Trate "já rodando no OnDeviceLLM" como um relato de alguém que fez isso, não como um caminho de implantação com suporte do fornecedor.

Essa distinção é importante porque os próprios números do fornecedor no dispositivo não se referem ao 1B de forma alguma.

O número de 3 GB pertence ao 35B, não ao 1B

A principal alegação da OpenBMB — “13+ tokens/s com apenas 3 GB de memória no iPhone 17 Pro Max” — está associada à 35B-A3B variante Mixture-of-Experts, executada no maior iPhone que a Apple vende. A técnica por trás disso, Lookahead Expert Scheduling, mantém a maior parte dos pesos dos especialistas no SSD e pré-carrega os que a próxima camada provavelmente precisará. É uma peça impressionante de engenharia de sistemas e é o motivo pelo qual o nome 35B continua aparecendo em coberturas relacionadas a celulares.

O 1B não precisa de nada disso. É um modelo denso que cabe inteiramente na memória. Na teoria, isso o torna o mais democrático dos dois, e é por isso que o ângulo do “iPhone do dia a dia” tem força. Mas a aritmética é menos favorável do que o enquadramento sugere:

• Pesos BF16 — 3,1 GB em disco e aproximadamente o mesmo valor residente em memória depois de carregados, antes de qualquer cache KV ou ativações de visão • GGUF Q8_0 — 1,08 GB de pesos, mais um projetor de visão de 0,90 GB na configuração de compressão 4×, ou 1,11 GB em 16× • GGUF Q4_K_M — 0,67 GB de pesos, com a mesma sobrecarga do projetor • Projetor de visão — é a parte que as pessoas esquecem; ele não encolhe com a quantização do modelo de linguagem e é contabilizado uma vez por modelo carregado • Contexto — até 262.144 tokens no papel; cada token de cache KV é memória extra que o cartão do modelo não prevê

Uma build Q4 com o projetor 16× chega perto de 1,8 GB de pesos. Adicione um cache KV funcional para alguns milhares de tokens de conversa e placeholders de imagem, e você estará pedindo a um app algo na faixa de 2,2–2,8 GB. Em um Pro Max de 12 GB, isso é confortável. Em um iPhone de 8 GB, onde o sistema operacional e todos os outros apps residentes já competem pelo mesmo pool, um app que pede 2,5 GB está pedindo uma grande fração do que resta. O iOS vai conceder, ou vai aplicar jetsam no app sob pressão.

Por que a linha de RAM em um iPhone é a especificação real

A Apple não publica a RAM do iPhone nas suas especificações de marketing e nunca incentivou os desenvolvedores a tratar o telefone como um computador com endereçamento de memória. É nessa restrição que esbarra a alegação de "ir além do Pro Max de 12 GB". Há várias gerações, o nível Pro Max carrega mais memória do que os modelos padrão, e a diferença entre "o telefone no vídeo de análise" e "o telefone no bolso de um leitor" é exatamente a diferença da qual depende a proposta deste modelo para uso no próprio dispositivo.

A versão honesta da afirmação é mais restrita e ainda assim interessante: um modelo de visão de 1B que antes exigia um notebook ou um celular de ponta agora cabe no orçamento de memória de um celular intermediário, se você usar quantização de 4 bits e aceitar um contexto mais curto. Isso é um avanço real de classe de hardware. Não é o mesmo que "roda em todo iPhone", e a diferença vale a pena ser dita claramente porque decide se um leitor consegue colocar isso em produção.

A ficha do modelo não resolve a questão. Ela documenta suporte a iOS, Android e HarmonyOS, suporte de dia zero a chips da Rockchip, Houmo, Intel, AMD e Arm, e remete a um repositório de implantação em edge com aplicativos e código-fonte. Em nenhum lugar ela lista memória mínima do dispositivo, uma matriz de dispositivos testados ou uma taxa de tokens por dispositivo para o 1B. O único dispositivo citado nos próprios materiais de demonstração do 1B é um iPhone 17 Pro Max — o mesmo dispositivo da manchete do 35B.

No que o modelo é realmente bom, com 1B

O motivo pelo qual vale a pena fazer as contas de memória é que um modelo de 1B fazendo compreensão de documentos e de tela em um celular é uma categoria de produto diferente de um chatbot. Isso significa que um recibo, um formulário, um menu, um rótulo ou uma captura de tela podem ser transformados em texto estruturado sem uma ida e volta pela rede — sem upload, sem custo por imagem, sem piso de latência definido por uma torre de celular.

Os números de 1B publicados pela OpenBMB, todos informados pelo fornecedor e nenhum reproduzido de forma independente até o momento da redação, colocam o OCRBench em 86,1, o MathVista em 74,3, o CharXiv Reasoning em 48,8, o LongVideoBench em 53,4 e o MotionBench em 54,55. A comparação de destaque do fornecedor é com o Qwen3.5 0.8B, sobre o qual ele afirma ter vantagem tanto na pontuação geral quanto na eficiência de inferência, e com o MiniCPM-V 4.6, sobre o qual afirma ter melhorias em todas as capacidades principais. Esses são os benchmarks do próprio fornecedor, executados pelo fornecedor, e o card do modelo os apresenta como gráficos, e não como uma tabela com detalhes do harness.

Dois detalhes arquiteturais importam mais do que as pontuações para quem de fato for implantar isto:

• Compressão mista de tokens visuais 4×/16× — o chamador escolhe, por requisição, se uma imagem se torna uma sequência detalhada de tokens ou uma sequência econômica, de modo que a digitalização de um recibo e uma miniatura possam compartilhar uma implantação • Compressão antecipada intra-ViT, emprestada do LLaVA-UHD v4 — os tokens visuais são cortados dentro do codificador visual, e não depois dele, o que é justamente o que torna o caminho 4× acessível em primeiro lugar • Fatiamento — imagens de alta resolução divididas em blocos de 448×448 mais uma visão geral de baixa resolução, com a contagem de fatias como parâmetro de tempo de execução (o cartão recomenda 36 para imagens, 1 para vídeo) • Amostragem de vídeo — max_num_frames tem valor padrão 128, e stack_frames compõe subquadros em uma grade, que é como um telefone dá conta de uma gravação de tela sem manter cada quadro na memória

Para o caso de uso de recibos mencionado no prompt, o pipeline é: capturar, reduzir a escala para algo próximo de 980 pixels no lado maior, executar em 4× com uma contagem alta de fatias e solicitar saída estruturada. O caminho de 4× com 36 fatias é a configuração cara; o caminho de 16× usa aproximadamente um quarto dos tokens e é onde o telefone permanece responsivo. Se 16× é suficiente para ler um recibo térmico é uma pergunta que só as suas próprias imagens podem responder, e nenhum benchmark publicado no cartão informa a acurácia de OCR por modo de redução de escala.

A lacuna entre "demo" e "app"

Três coisas separam uma demo funcional de um app iOS pronto para lançamento, e nenhuma delas são os pesos do modelo.

O primeiro ponto é o empacotamento. O modelo é distribuído nos formatos Transformers, GGUF, AWQ, GPTQ e int4. Apenas o GGUF tem um executor maduro no dispositivo para iOS — llama.cpp e seus derivados — e apenas o repositório GGUF carrega o arquivo separado do projetor de visão (mmproj) que o caminho multimodal precisa. Se você começar do checkpoint BF16 esperando um drop-in de arquivo único, vai descobrir que o projetor é um segundo artefato com tamanho próprio.

O segundo é o orçamento térmico. Um modelo de 1B gerando algumas centenas de tokens é uma carga em rajada; um modelo de 1B fazendo OCR de uma página de 36 fatias é uma carga sustentada. O GIF de demonstração do fornecedor é uma gravação de tela, não um registro térmico. Nenhum número publicado na ficha fornece tokens sustentados por segundo em qualquer celular, que é o número que decide se um app de digitalização parece instantâneo no terceiro documento ou no trigésimo.

O terceiro é o restante da sua pilha. A inferência no dispositivo cuida da imagem. Ela não cuida da parte em que você concilia o recibo extraído com um livro razão, escala uma linha ambígua para um modelo maior ou recorre a uma alternativa quando o telefone é antigo o suficiente para o app se recusar a carregar os pesos. É nessa fronteira que um roteador conquista seu lugar em vez de substituir qualquer coisa: o OrcaRouter coloca mais de 200 modelos hospedados por trás de um único endpoint compatível com OpenAI, com 0% de markup, repassando diretamente o preço de tabela de cada provedor, com failover automático e uma DSL de roteamento para configurações de primário e fallback. Um extrator no lado do telefone pode entregar seus casos incertos a um modelo de visão hospedado, e a mesma chave atende aos dois caminhos. O próprio MiniCPM-V 4.7 1B não está nesse catálogo — é um checkpoint que você mesmo executa —, então o roteador é o caminho de escalonamento, não a forma de chamar este modelo.

O padrão de lançamento silencioso, e por que ele continua gerando essa confusão

MiniCPM-V 4.7 chegou sem um evento de lançamento. O repositório 35B-A3B surgiu em 6 de outubro de 2026 sem nenhum model card — o card chegou seis dias depois, junto com a nota de lançamento datada. O 1B seguiu o mesmo padrão: primeiro o repositório, depois a documentação, com a descoberta pela comunidade ao longo de todo o processo. Nesse intervalo, a cobertura é preenchida a partir do artefato que existir, e é por isso que os primeiros textos descreviam um modelo MoE de 35B e depois tiveram de ser revisados quando o 1B e seu card apareceram.

Isto não é uma crítica à engenharia da OpenBMB. É uma descrição de como as informações sobre este modelo se propagam, e é o motivo pelo qual uma afirmação como "roda em iPhones do dia a dia" pode circular mais rápido do que os números de memória que a qualificam. O repositório é a fonte primária. O card é a fonte primária. A captura de tela de um desenvolvedor mostrando um aplicativo funcionando no celular dele é um dado, não uma especificação.

O que fazer com isto, concretamente

Se você tem um Pro Max ou um iPad. Baixe o GGUF Q8_0 e o projetor 16×, execute-o no llama.cpp ou no Ollama e teste seus próprios documentos com as duas configurações de downsample. Você terá um caminho funcional de OCR local e QA de imagens em uma tarde, e o 1B é pequeno o suficiente para mantê-lo residente junto com outros aplicativos.

Se você tem um iPhone padrão. Comece com Q4_K_M e o projetor 16×, limite a contagem de fatias a algo modesto e faça medições. A aritmética de memória indica que deve caber; o comportamento térmico e de jetsam sob uso sustentado é a parte que ninguém publicou. Teste no dispositivo mais antigo que você pretende suportar, não no mais novo.

Se você está construindo um produto. Trate o modelo no dispositivo como o caminho rápido e um modelo hospedado como o caminho da correção. A escalada é uma decisão de roteamento, e construí-la desde o primeiro dia é mais barato do que adaptá-la depois do primeiro chamado de suporte sobre um recibo que o telefone leu errado.

A afirmação que deu origem a este artigo — de que um modelo multimodal de 1B agora roda em celulares abaixo da linha Pro Max — é plausível na aritmética de memória e não comprovada no registro publicado. Esse é um estado normal para um modelo tão jovem, e é um motivo para testar em vez de esperar. Os pesos são Apache 2.0, as quantizações existem, e a única coisa entre você e uma resposta é uma tarde com o seu próprio hardware.

Resumo: O MiniCPM-V 4.7 1B é um modelo de visão real, documentado e licenciado sob Apache-2.0, que ocupa cerca de 1,8 GB em Q4 com seu projetor de visão — pequeno o suficiente para que celulares de faixa média sejam um alvo plausível, e não apenas o Pro Max de 12 GB. O fornecedor não publicou uma matriz de dispositivos nem um valor mínimo de memória, e a afirmação de que roda em "qualquer iPhone do dia a dia" vem de um relatório de desenvolvedor, não do model card. Teste no seu próprio dispositivo antes de planejar com base nisso.