SingVL_S1_4B vs MiniCPM-V 4.7 1B: 4,54 bilhões de parâmetros e sem licença

O número mais útil neste confronto não está em nenhum dos cartões de modelo. É 1,55 bilhão: o total de tensores de MiniCPM-V 4.7 1B, o modelo de visão no dispositivo que a OpenBMB lançou em 12 de outubro de 2026 sob Apache 2.0, com builds GGUF, AWQ, GPTQ, int4 e FP8 já publicados e versões para iOS, Android e HarmonyOS. Em contrapartida, está SingVL_S1_4B, o modelo de decisão de 4,54 bilhões de parâmetros da inclusionAI, enviado em 11 de novembro de 2026 sem anúncio, sem arquivo de licença e sem nenhuma variante quantizada. Cerca de três vezes os pesos, do lado errado do orçamento de memória de um celular, fazendo um trabalho que, em grande parte, não é o mesmo trabalho. A comparação vale a pena mesmo assim, porque expõe a única pergunta que uma ficha técnica não consegue responder: o que um modelo deve a você além da sua saída?

O que cada modelo retorna e, portanto, onde ele pode residir

O MiniCPM-V 4.7 1B é um modelo multimodal ajustado por instruções no sentido convencional. Ele lê uma única imagem, várias imagens ou vídeo e gera uma resposta — legendas, transcrições, resposta a perguntas visuais, conversa de vários turnos. A OpenBMB disponibiliza cabeças dedicadas de decodificação especulativa DSpark para ele, lançadas três dias após o modelo, e o suporta em SGLang, vLLM, llama.cpp e Ollama, com ajuste fino por meio do SWIFT e do LLaMA-Factory. Há um espaço de demonstração ao vivo e um cookbook público. Cada um desses é um canal pelo qual alguém além do fornecedor já executou o modelo.

O SingVL_S1_4B não gera. Você entrega a ele um estado — texto, JSON, até quatro imagens — e um conjunto de perguntas nomeadas com tipos declarados, e ele retorna uma probabilidade para cada opção que você ofereceu. Choice escolhe um candidato, noul retorna a probabilidade de uma proposição sim/não ser verdadeira, e score retorna uma distribuição sobre dois a dez níveis ordenados, além de um nível esperado. Um único forward pass, sem amostragem, sem texto corrido. O próprio quickstart do repositório executa um servidor FastAPI na porta 8173 e envia JSON para /v1/systemone.

A questão da implantação se responde sozinha antes de a questão do benchmark ser feita. O MiniCPM-V 4.7 1B tem uma história próxima do ONNX, portes para celular e suporte de fabricantes de chips porque foi projetado para ficar em um dispositivo. O SingVL_S1_4B tem um servidor Python porque foi projetado para ficar em uma GPU que alguém possui. Se o seu produto entrega um app, um deles é um componente e o outro é uma dependência de serviço.

A eficiência é toda a tese de um lado

A variante 1B da OpenBMB existe para ocupar uma posição em uma curva de desempenho versus tempo de inferência, e a ficha é explícita ao afirmar que é isso — e não a precisão bruta — que constitui a alegação. A arquitetura conquista essa posição de duas formas: compressão precoce intra-ViT, proveniente da linha LLaVA-UHD v4, que reduz tokens visuais dentro do codificador visual para que as camadas posteriores façam menos trabalho, e compressão mista de tokens visuais 4x/16x, que permite ao chamador trocar detalhe por custo por tarefa. Além disso, há as cabeças especulativas DSpark e uma lista declarada de suporte desde o primeiro dia que vai da Rockchip e Houmo à Intel, AMD e Arm.

A comparação que o fornecedor realmente publica para esta variante é com o Qwen3.5 0.8B: melhor pontuação geral e melhor eficiência de inferência no modo Instruct, segundo a própria medição do fornecedor. Trata-se de uma alegação restrita do mesmo laboratório que criou o modelo, e é a alegação em torno da qual o produto foi construído.

SingVL_S1_4B não faz nenhuma alegação de eficiência. O card não relata latência, vazão, consumo de memória ou tokens por segundo. O que ele relata, indiretamente, é um design que deveria ser eficiente em uma tarefa diferente: uma única passada direta retorna todas as respostas para todas as perguntas da requisição, enquanto um modelo generativo precisa de uma passada por token de saída. Para uma classificação de cinco opções, isso é uma grande vantagem estrutural. Para uma legenda, não é uma comparação, porque não há legenda.

Vale destacar: a configuração fixa o contrato de entrada como “all-input-before-first-answer; single-turn; no-thinking”, e o README informa 65.536 tokens de entrada para texto ou 10.000 com imagens. Um modelo de 1B que roda em um celular e um modelo de 4,5B que precisa de um orçamento de 10.000 tokens para imagens estão atendendo a restrições diferentes. Nenhum dos números está errado; são respostas para perguntas diferentes.

A lacuna de licenciamento é a parte mais ampla desta comparação.

MiniCPM-V 4.7 1B está sob Apache 2.0. Isso não é um detalhe de marketing — é a razão pela qual o ecossistema ao seu redor existe. Nas quatro semanas após o lançamento, havia quants GGUF da comunidade de vários publicadores, um porte para MNN, uma build para Rockchip RKLLM, uma build para NPU, uma integração com o ComfyUI e pelo menos um fine-tune no Hub. Nada disso poderia ter acontecido sob uma licença pouco clara, porque nenhuma dessas pessoas poderia redistribuir os pesos.

O SingVL_S1_4B é distribuído sem campo de licença nos metadados do seu model card e sem arquivo LICENSE no repositório. Sob o direito autoral padrão, isso significa que ninguém fora da inclusionAI tem permissão para redistribuí-lo, quantizá-lo e publicar o resultado, ou incluí-lo em um produto sem um acordo separado. A organização já publicou muitos modelos com termos explícitos — o LemonDecider traz Apache 2.0, a família SingProbe traz a licença comunitária do Qwen —, então a omissão parece um lançamento inacabado, e não uma restrição deliberada. Mas uma leitura não é uma concessão.

A consequência prática: para qualquer coisa que envolva um cliente, um processo de aquisição ou uma loja de aplicativos, o MiniCPM-V 4.7 1B é utilizável esta semana, e o SingVL_S1_4B não é. Essa única linha decide mais decisões reais de implantação do que cada linha de benchmark em qualquer uma das duas fichas.

Benchmarks que não devem ser colocados na mesma coluna

Não há aqui uma régua compartilhada, e vale a pena explicitar o motivo em vez de ficarmos citando números uns para os outros.

A avaliação do MiniCPM-V 4.7 1B é publicada como gráficos — uma comparação de desempenho geral e uma fronteira de desempenho versus tempo de inferência — em vez de como uma tabela por conjunto de dados na ficha do modelo. Os números existem, o enquadramento é comparativo e visual, e a afirmação de destaque é posicional: melhor na fronteira do que o Qwen3.5 0.8B.

SingVL_S1_4B publica uma tabela densa: 69,76 no painel de Texto do Decision Index e 73,94 no painel de Visão, com todos os quarenta e três conjuntos de dados de texto e onze conjuntos de dados de visão discriminados separadamente. Essas pontuações vêm de pontuar opções fornecidas e tomar a probabilidade máxima, o que é uma tarefa substancialmente mais fácil do que gerar uma resposta de formato livre para um avaliador comparar, e o Decision Index deixa explícito que seus números são corrigidos pelo acaso e ajustados pela cobertura, de modo que adivinhar não rende nada.

Colocar "73.94 vision" ao lado de um gráfico de fronteira do MiniCPM-V seria um erro de categoria disfarçado de comparação. A única afirmação honesta é que ambos os conjuntos de números são informados pelo fornecedor, nenhum deles foi reproduzido por um laboratório neutro, e os do SingVL_S1_4B têm ainda dois dias de idade, sem submissão ao kit público de reprodução do Decision Index — o cartão inclui as instruções para enviar uma, o que demonstra intenção em vez de resultado.

Onde os próprios números do modelo 1B ficam interessantes

A decomposição do Decision Index para o SingVL_S1_4B é mais reveladora do que o seu agregado e, por acaso, descreve um perfil de tarefa pelo qual o modelo 1B também concorre. Em trabalho de visão no estilo de documentos, o SingVL_S1_4B registra 96,31 no InfographicVQA e 95,82 no conjunto de informações-chave CORD-plus-FUNSD. Em raciocínio acadêmico difícil, registra 50,17 no MMMU-Pro vision e 49,77 no R-Bench-M. A moderação está em 71,64 e cai para 43,28 sob o prompt de habilidade.

Esse perfil — forte em layout e extração de documentos, fraco em raciocínio deliberativo, sensível ao enquadramento do prompt em julgamentos subjetivos — é exatamente o que se preveria de um classificador de 4,5B com um codificador de visão e sem etapa de geração, e corresponde ao mesmo trabalho para o qual o MiniCPM-V 4.7 1B é vendido: documentos, telas, OCR no dispositivo. Portanto, os dois modelos de fato se sobrepõem na tarefa, embora difiram no formato de saída. A pergunta que uma equipe realmente enfrenta é se precisa do valor extraído ou da resposta extraída.

Se o pipeline precisa do campo, do número, do rótulo — a saída do SingVL_S1_4B já é aquilo que você queria, e você pula o parsing. Se o pipeline precisa da página renderizada como texto com a estrutura preservada, ou de uma explicação de por que o campo era ambíguo, o MiniCPM-V 4.7 1B é o único dos dois capaz de produzi-la.

O caminho do meio, e o que ele custa

Nenhuma dessas opções precisa ser um compromisso arquitetural assumido no primeiro dia, e o experimento mais barato não é o óbvio. O MiniCPM-V 4.7 1B roda em um laptop, então testá-lo custa uma tarde e nada mais. O SingVL_S1_4B custa uma GPU e um download de 9,1 GB só para sequer ser testado, e sua situação de licença significa que o teste não pode se tornar uma implantação sem uma conversa que ninguém na inclusionAI está tendo em público no momento.

Se o que você quer saber é se a pontuação de decisão tipada ajuda sua tarefa de alguma forma — antes de investir em hospedar um novo checkpoint — o padrão já está disponível para chamada. O OrcaRouter oferece o TypeSafe Jev 1.14 a US$ 0,042 por milhão de tokens de entrada ao lado de mais de 200 outros modelos em uma única chave, com preços de tabela do provedor repassados com 0% de margem e failover automático se um provedor cair. Isso lhe dá um endpoint de decisão funcional para comparar com seus próprios rótulos, ao lado dos modelos generativos que você manteria para todo o resto. O SingVL_S1_4B não está no OrcaRouter e não há endpoint hospedado para ele em lugar nenhum, então nada aqui é uma afirmação sobre sua disponibilidade; o ponto é que a questão de design e a questão de fornecedor são separáveis, e apenas uma delas precisa de uma GPU.

O resumo honesto, na ordem em que as decisões são tomadas

• Pode entrar legalmente num produto — MiniCPM-V 4.7 1B, Apache 2.0, hoje. SingVL_S1_4B, não, até que apareça uma licença.

• Ele consegue rodar onde o produto roda — MiniCPM-V 4.7 1B, em celulares e silício de borda. SingVL_S1_4B, em um servidor com GPU que você opera.

• Retorna o que o pipeline precisa — SingVL_S1_4B se a resposta for um rótulo e uma confiança; MiniCPM-V 4.7 1B se for texto, estrutura ou explicação.

• Algum dos dois foi comprovado de forma independente — não. Ambos os conjuntos de números são dos fornecedores. O MiniCPM-V 4.7 1B tem quatro semanas de uso por terceiros por trás dele; o SingVL_S1_4B tem dois dias e zero downloads.

• Qual eu avaliaria primeiro — o MiniCPM-V 4.7 1B, porque não custa nada testar e não pode ser descartado com base na documentação. Depois, o padrão de decisão contra um endpoint servido e, só então, o novo checkpoint, se o padrão se pagar.

Essa ordenação não é um veredito sobre o modelo de 4,5 bilhões de parâmetros. É uma declaração sobre o que um lançamento sem licença, artigo ou anúncio pode exigir de um estranho, o que não é muita coisa. O artefato é real e o design é interessante; ambas as coisas podem ser verdadeiras enquanto a resposta a “devemos usá-lo?” continua sendo não por mais um tempo.