MiniCPM-V 4.7 1B vs UI-Venus 2 9B: Um cabe no bolso, o outro precisa de um rack

A comparação entre o MiniCPM-V 4.7 1B e o UI-Venus 2 9B não é nem de perto equilibrada, e é justamente isso que a torna útil. O MiniCPM-V 4.7 1B é um modelo geral de visão e linguagem com 1,55 bilhão de parâmetros da OpenBMB, publicado em 6 de outubro de 2026, com data de 12 de outubro nas notas de lançamento do fornecedor, licenciado sob Apache 2.0 e pequeno o suficiente para rodar dentro de um aplicativo de celular. O UI-Venus 2 9B é um agente de GUI com 9,41 bilhões de parâmetros da inclusionAI, lançado em 26 de agosto de 2026, treinado especificamente para olhar para uma tela e decidir onde tocar, digitar ou deslizar, e espera uma GPU com um servidor vLLM à sua frente. As falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos em Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz suas próprias fontes, gravidade, classificação de confiança e indicador de contestação.

Colocá-los na mesma frase convida à pergunta errada — qual deles é melhor — quando a pergunta certa é para que serve cada um. Um modelo de visão geral que cabe em 1,8 GB de memória quantizada e um agente de tela que pontua 73,0 no ScreenSpot-Pro não são substitutos. São duas camadas diferentes de uma pilha de automação móvel, e a parte interessante é onde a fronteira entre essas camadas realmente fica.

Dois trabalhos que parecem semelhantes à distância

Ambos os modelos podem aceitar uma captura de tela e retornar texto sobre ela. É aí que a semelhança termina.

O MiniCPM-V 4.7 1B lê uma imagem e descreve, transcreve, extrai ou responde. Pergunte a ele qual é o total de um recibo, o que contém um campo de formulário, se um gráfico tem tendência de alta ou o que diz uma página de um PDF, e ele produzirá uma resposta. Ele tem controles de fatiamento para imagens de alta resolução, uma taxa de compressão de tokens visuais alternável de 4×/16× e parâmetros de amostragem de quadros para vídeo. Sua documentação cobre chat com uma imagem, chat com várias imagens, vídeo, OCR, análise de PDF e ancoragem visual — uma carga de trabalho de leitura de documentos e telas.

O UI-Venus 2 9B lê uma tela e emite uma ação. Seu cartão descreve um loop fechado: observar a interface, raciocinar sobre o estado da tarefa, executar uma ação e incorporar o feedback do ambiente à próxima decisão. As saídas são pontos e sequências de ações, não prosa. Ao redor dele, a inclusionAI fornece prompts de referência, parsers de ação e exemplos executáveis para tarefas de dispositivos móveis, computador, navegador, grounding e CAPTCHA. O modelo é uma política, e o harness ao seu redor é metade do produto.

Essa distinção decide a arquitetura antes de qualquer benchmark ser consultado. Um aplicativo de celular que precisa ler um recibo usa a primeira. Um sistema que precisa concluir uma tarefa dentro de um aplicativo — tocar até o fim de um checkout, preencher um formulário, resolver um CAPTCHA de deslizar — usa a segunda, e não pode substituir a primeira por melhor que seja seu OCR.

A licença é o primeiro filtro, não o parâmetro de referência.

O card do UI-Venus 2 9B contém uma seção de status de lançamento que a maior parte da cobertura ignorou. Em "Pesos do modelo", diz que os pesos estão incluídos; em "Licença", diz que a licença dos pesos do modelo está pendente de confirmação final e será adicionada antes do lançamento público, e que a declaração Apache-2.0 deliberadamente não foi mantida porque os materiais upstream contêm declarações de licença conflitantes.

Leia isso duas vezes. Os pesos podem ser baixados, os benchmarks são publicados, o relatório técnico está no arXiv e a licença não está resolvida. Para uma equipe de pesquisa, tudo bem. Para uma empresa que planeja lançar um agente de tela dentro de um produto comercial, isso significa que a revisão jurídica não pode ser concluída. O modelo pode acabar sendo Apache 2.0, ou pode não ser, e não há como saber a partir dos artefatos disponíveis hoje.

MiniCPM-V 4.7 1B é distribuído sob Apache 2.0 sem essa ambiguidade. Essa única linha elimina um dos dois modelos para uma grande classe de trabalhos comerciais — não porque seja pior, mas porque uma licença pendente é um risco de cronograma para o qual ninguém reserva orçamento.

A aritmética do hardware, antes de qualquer pontuação

• Pesos — 1,55B de parâmetros densos, cerca de 3,1 GB em BF16, 0,67 GB em Q4_K_M mais um projetor de visão de 0,90–1,11 GB vs 9,41B, aproximadamente 18,8 GB em BF16 distribuídos em quatro shards safetensors • Onde roda — apps para iOS, Android e HarmonyOS; suporte a chips desde o dia 0 de Rockchip, Houmo, Intel, AMD e Arm vs um caminho de serving em GPU, documentado com vLLM em --max-model-len 262144 e --reasoning-parser q​wen3 • Contexto — 262.144 tokens no papel, com um cache KV que custa mais que os pesos no comprimento máximo vs 262.144 tokens, herdado da base Qwen3.5-9B • Pilha de visão — um encoder de 27 camadas com 1152 dimensões ocultas em tiles de 980 pixels com compressão de tokens intra-encoder vs a torre de visão do Qwen3.5-9B, herdada do modelo base • Licença — Apache 2.0 vs confirmação pendente, com a declaração Apache-2.0 explicitamente omitida • Estilo de avaliação — cinco valores em prosa mais comparações apenas em gráficos vs um apêndice numérico completo abrangendo dispositivos móveis, computador, web, grounding, CAPTCHA e segurança • Avaliação independente — nenhuma para qualquer um dos modelos até o momento vs nenhuma, embora o relatório técnico no arXiv 2609.00028 seja um artefato substancial verificável por terceiros

A diferença aqui é de aproximadamente uma ordem de grandeza em memória: 1,8 GB quantizado contra 18,8 GB em BF16, ou cerca de 5 GB em 4 bits se você quantizar. Essa é a diferença entre um aplicativo e um serviço. Também é por isso que os dois modelos costumam ser discutidos em artigos diferentes — um é uma questão de implantação na borda e o outro é uma questão de custo de inferência.

Onde o 9B faz jus ao seu tamanho

Os números do UI-Venus 2 9B, todos divulgados pelo fornecedor em sua ficha e relatório técnico, o colocam perto do topo da classe GUI abaixo de 10B. No ScreenSpot-Pro, que mede a localização de elementos em software profissional de alta resolução, ele reporta 73,0. No VenusBench-GD, 77,1. No OSWorld-G-R, 78,5. No AndroidWorld, 80,2. Na divisão atualizada de 595 tarefas do WebVoyager, 90,8. No OSWorld-Verified, 70,8. No seu próprio VenusBench-CAPTCHA, 78,1 pass@1 em oito tipos de interação.

Esses não são números que um generalista de 1B produz, e não pretendem ser. O que os torna críveis em vez de decorativos é a descrição do treinamento: um pool móvel de mais de 170 aplicativos multilíngues, um pool web de mais de 4.000 domínios em 19 categorias, três estágios de treinamento (mid-training multimodal, RL offline em cinco famílias de tarefas, destilação on-policy com múltiplos professores) e um esquema de verificação baseado em keypoints visuais relevantes para a tarefa, com votação de vários modelos, em vez de um único juiz observando a tela final. O card também relata resultados de segurança — taxa de sucesso de ataque de 11,3% no OSHarm e 48,8% no OSBlind, contra 25,3% e 79,4% para a base Qwen3.5-9B — e os enquadra como uma comparação com essa base, e não como uma alegação absoluta de robustez, que é o enquadramento correto.

Nada disso se transfere para um modelo de 1B. A autonomia em GUI é treinada, não emerge da competência geral de visão, e nenhuma quantidade de precisão de OCR substitui uma política que saiba o que um botão "next" faz.

Onde o 1B vence de qualquer forma

Três lugares, e não são prêmios de consolação.

Latência e disponibilidade. Um modelo local de 1B não tem ida e volta pela rede, nem fila, nem indisponibilidade do provedor, nem custo por requisição. Para uma funcionalidade de digitalização usada cinquenta vezes por dia, essa é toda a experiência do produto. Um 9B por trás de um servidor vLLM é rápido — mas é rápido da mesma forma que qualquer modelo hospedado é rápido, e deixa de ser rápido quando a conexão cai.

Privacidade por conceção.Um recibo, um documento de identidade, um formulário médico ou uma captura de ecrã de uma conversa privada podem permanecer no dispositivo. Isto não é uma frase de marketing; é a diferença entre uma funcionalidade que pode ser lançada num setor regulamentado e uma que não pode. A avaliação de segurança do próprio UI-Venus 2 9B centra-se no comportamento indevido do modelo do lado do servidor. A propriedade de privacidade do 1B é que a imagem nunca sai do telemóvel.

Custo na margem. Ler uma captura de tela com um modelo hospedado de 9B custa dinheiro por requisição, todas as requisições, para sempre. Lê-la com um modelo local de 1B custa a bateria. Em baixo volume, a opção hospedada é mais barata; em alto volume — um scanner num aplicativo de campo, uma ferramenta de acessibilidade, um lote de dez mil recibos — o modelo local é o único cujo custo marginal se aproxima de zero.

A stack que a maioria das equipes realmente acaba construindo

Não uma escolha entre esses dois. Uma sobreposição deles.

O modelo 1B no dispositivo cuida da percepção: lê a tela, extrai o texto, encontra o campo, descreve o que está lá. Na maioria das vezes, isso é suficiente, e a solicitação nunca sai do telefone. Quando a tarefa exige uma ação — tocar aqui, deslizar ali, concluir este fluxo —, o trabalho vai para um agente, e um agente precisa de um modelo maior com um vocabulário de ações.

Essa transferência é onde uma camada de roteamento prova seu valor, e vale a pena ser preciso sobre o que ela faz e não faz. O OrcaRouter expõe mais de 200 modelos hospedados por meio de um endpoint compatível com a OpenAI com 0% de markup, repassando o preço de tabela de cada provedor sem alteração, com failover automático e uma DSL de roteamento que consegue manter um primário e um fallback em uma única chamada. O padrão que isso possibilita é sem glamour e útil: o telefone tenta seu 1B local, o app encaminha os casos difíceis para um modelo de visão hospedado usando a mesma chave que usa para todo o resto, e um provedor passando por uma tarde ruim se torna um evento de failover em vez de uma queda. Nem o MiniCPM-V 4.7 1B nem o UI-Venus 2 9B estão nesse catálogo — ambos são checkpoints que você mesmo executa —, então o roteador é a camada ao redor da pilha, não uma forma de chamar qualquer um dos modelos.

Dois modos de falha para os quais vale a pena se planejar

O primeiro é um generalista de 1B usado como agente. Ele lerá uma tela corretamente e depois não fará ideia do que fazer com ela. Se o seu produto precisa concluir um fluxo em vez de descrevê-lo, o 1B é a ferramenta errada e nenhum prompt corrige isso.

O segundo é um agente de 9B cujo lançamento depende do status de licença no cartão do modelo. O cartão do UI-Venus 2 9B diz que a licença está pendente e que a declaração Apache-2.0 foi intencionalmente retida. Até que isso se resolva, o modelo é um artefato de pesquisa para fins comerciais, por melhor que seja o número no ScreenSpot-Pro. Equipes que planejam com base em "provavelmente será Apache 2.0" estão assumindo um risco de cronograma que não precificaram.

No que a escolha realmente se resume

Se a pergunta é «posso ler esta captura de ecrã num telemóvel, offline, gratuitamente, com uma licença que possa distribuir» — o MiniCPM-V 4.7 1B responde que sim, com cerca de 1,8 GB quantizados, sob Apache 2.0, e a única coisa que tem de verificar é a margem de memória do seu próprio dispositivo.

Se a pergunta é “este modelo consegue operar a interface em vez de descrevê-la” — o UI-Venus 2 9B é o que tem o treino, os benchmarks e o harness, e precisa de uma GPU e de uma decisão de licença antes de precisar de qualquer outra coisa.

Se a pergunta for "ambos, em um único produto" — então você está construindo um sistema de duas camadas, o 1B fazendo percepção no dispositivo e o agente fazendo ação em um servidor, e o trabalho de engenharia é a passagem entre eles, e não a escolha entre eles.

A comparação parece desequilibrada porque de fato é. Um generalista de 1B e um especialista em GUI de 9B não estão na mesma categoria de peso, na mesma classe de implantação nem na mesma posição de licenciamento. O erro seria interpretar isso como "um é melhor". Eles respondem a perguntas diferentes, e a maneira mais rápida de escolher é anotar qual pergunta você está de fato fazendo.