MiniCPM-V 4.7 1B против UI-Venus 2 9B: первый помещается в карман, второй требует стойку

Сравнение MiniCPM-V 4.7 1B и UI-Venus 2 9B — заведомо неравное, и именно это в нём полезно. MiniCPM-V 4.7 1B — это универсальная визуально-языковая модель с 1,55 млрд параметров от OpenBMB, загруженная 6 октября 2026 года, датированная 12 октября в примечаниях к выпуску поставщика, под лицензией Apache 2.0 и достаточно малая, чтобы работать внутри мобильного приложения. UI-Venus 2 9B — это GUI-агент с 9,41 млрд параметров от inclusionAI, выпущенный 26 августа 2026 года, специально обученный смотреть на экран и определять, куда нажать, что ввести или где провести свайп, и он рассчитывает на GPU с сервером vLLM перед ним. Документированные сбои ИИ и инциденты с агентами, связанные с подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень достоверности и флаг спорности.

Помещать их в одно предложение — значит провоцировать неправильный вопрос: какая из них лучше, тогда как правильный вопрос — для чего предназначена каждая. Универсальная визуальная модель, помещающаяся в 1,8 ГБ квантованной памяти, и экранный агент, набирающий 73,0 балла на ScreenSpot-Pro, не заменяют друг друга. Это два разных уровня стека мобильной автоматизации, и самое интересное — где на самом деле проходит граница между этими уровнями.

Две работы, которые издалека кажутся похожими

Обе модели могут принимать скриншот и возвращать текст о нём. На этом сходство заканчивается.

MiniCPM-V 4.7 1B читает изображение и описывает, транскрибирует, извлекает данные или отвечает. Спросите его, какова итоговая сумма в чеке, что содержит поле формы, растёт ли график вверх или что написано на странице PDF, — и он выдаст ответ. В нём есть управление нарезкой для изображений высокого разрешения, переключаемая степень сжатия визуальных токенов 4×/16× и параметры выборки кадров для видео. Его документация охватывает чат с одним изображением, чат с несколькими изображениями, видео, OCR, разбор PDF и визуальную привязку — рабочий сценарий чтения документов и экранов.

UI-Venus 2 9B считывает экран и выдаёт действие. Его карточка описывает замкнутый цикл: наблюдать за интерфейсом, рассуждать о состоянии задачи, выполнять действие, включать обратную связь среды в следующее решение. Выходные данные — это точки и последовательности действий, а не текст. Вокруг него inclusionAI поставляет справочные промпты, парсеры действий и запускаемые примеры для мобильных устройств, компьютера, браузера, задач grounding и CAPTCHA. Модель — это политика, и обвязка вокруг неё — половина продукта.

Это различие определяет архитектуру ещё до того, как будет учтён какой-либо бенчмарк. Мобильное приложение, которому нужно прочитать чек, использует первый вариант. Система, которой нужно выполнить задачу внутри приложения — пройти оформление заказа нажатиями, заполнить форму, решить слайдер-CAPTCHA — использует второй и не может заменить первый, каким бы хорошим ни был её OCR.

Лицензия — это первый фильтр, а не эталон.

Карточка UI-Venus 2 9B содержит раздел о статусе выпуска, который большинство обзоров пропустило. В разделе «Model weights» указано, что веса включены; в разделе «License» указано, что лицензия на веса модели ожидает окончательного подтверждения и будет добавлена до публичного релиза, а заявление об Apache-2.0 намеренно не перенесено, поскольку исходные материалы содержат противоречивые заявления о лицензии.

Перечитайте это дважды. Веса можно скачать, бенчмарки опубликованы, технический отчёт есть на arXiv, а статус лицензии не определён. Для исследовательской команды это нормально. Но для компании, которая планирует поставлять screen-агента в составе коммерческого продукта, это означает, что юридическая проверка не может быть завершена. Модель может в итоге оказаться под Apache 2.0, а может и нет, и по артефактам, доступным сегодня, это невозможно узнать.

MiniCPM-V 4.7 1B поставляется под лицензией Apache 2.0, и никакой подобной двусмысленности здесь нет. Эта единственная строка исключает одну из двух моделей для широкого класса коммерческих задач — не потому, что она хуже, а потому, что неурегулированная лицензия — это риск для сроков, который никто не закладывает в бюджет.

Аппаратная арифметика — ещё до всякого счёта

• Веса — 1,55 млрд плотных параметров, около 3,1 ГБ в BF16, 0,67 ГБ в Q4_K_M плюс визуальный проектор на 0,90–1,11 ГБ против 9,41 млрд, примерно 18,8 ГБ в BF16 в четырёх шардах safetensors • Где работает — приложения для iOS, Android и HarmonyOS; поддержка чипов с первого дня от Rockchip, Houmo, Intel, AMD и Arm против GPU-пути обслуживания, задокументированного с vLLM при --max-model-len 262144 и --reasoning-parser q​wen3 • Контекст — 262 144 токена номинально, причём KV-кэш на полной длине обходится дороже самих весов, против 262 144 токенов, унаследованных от базы Qwen3.5-9B • Стек зрения — 27-слойный энкодер со скрытой размерностью 1152 на плитках по 980 пикселей с внутриэнкодерной компрессией токенов против визуальной башни Qwen3.5-9B, перенесённой из базовой модели • Лицензия — Apache 2.0 против ожидающей подтверждения, причём декларация об Apache-2.0 явно не приводится • Стиль оценки — пять числовых показателей в тексте плюс сравнения только по графикам против полного числового приложения по мобильным устройствам, компьютерам, вебу, grounding, CAPTCHA и безопасности • Независимая оценка — на момент написания отсутствует у обеих моделей против отсутствия, хотя технический отчёт на arXiv 2609.00028 — это существенный артефакт, проверяемый третьей стороной

Разрыв здесь составляет примерно порядок величины по памяти: 1,8 ГБ в квантованном виде против 18,8 ГБ в BF16, или около 5 ГБ при 4 битах, если квантовать. Это разница между приложением и сервисом. Именно поэтому эти две модели обычно обсуждают в разных статьях — одна относится к вопросу развёртывания на периферийных устройствах, а другая — к вопросу стоимости инференса.

Где 9B оправдывает свой размер

Цифры UI-Venus 2 9B — все заявленные производителем в её карточке и техническом отчёте — ставят её почти на вершину класса GUI-моделей с менее чем 10 млрд параметров. На ScreenSpot-Pro, который измеряет локализацию элементов на высокоразрешающих скриншотах профессионального ПО, она показывает 73,0. На VenusBench-GD — 77,1. На OSWorld-G-R — 78,5. На AndroidWorld — 80,2. На обновлённом разбиении WebVoyager из 595 задач — 90,8. На OSWorld-Verified — 70,8. На собственном VenusBench-CAPTCHA — 78,1 pass@1 по восьми типам взаимодействия.

Это не те числа, которые выдаёт универсальная модель на 1B параметров, и они не задуманы такими. Что делает их правдоподобными, а не декоративными, — это описание обучения: мобильный пул из более чем 170 многоязычных приложений, веб-пул из более чем 4 000 доменов в 19 категориях, три этапа обучения (мультимодальный промежуточный этап, офлайн-RL по пяти семействам задач, on-policy дистилляция от нескольких учителей) и схема проверки, построенная на релевантных задаче визуальных ключевых точках с голосованием нескольких моделей, а не на единственном судье, смотрящем на финальный экран. В карточке также приводятся результаты по безопасности — доля успешных атак 11,3% на OSHarm и 48,8% на OSBlind против 25,3% и 79,4% у базовой модели Qwen3.5-9B — и они подаются как сравнение с этой базой, а не как утверждение об абсолютной устойчивости, что является правильной подачей.

Ничто из этого не переносится на модель размером 1B. Агентность в GUI формируется обучением, а не возникает как эмерджентное свойство общей визуальной компетентности, и никакая точность OCR не заменит политику, которая знает, что делает кнопка «Далее».

Где 1B всё равно выигрывает

Три места, и это не утешительные призы.

Задержка и доступность. У локальной 1B-модели нет сетевого кругового обмена, очереди, сбоев провайдера и платы за запрос. Для функции сканирования, используемой пятьдесят раз в день, это и есть весь пользовательский опыт продукта. 9B-модель за сервером vLLM работает быстро — но она быстра так же, как быстра любая размещённая модель, и перестаёт быть быстрой, когда пропадает соединение.

Конфиденциальность на уровне архитектуры. Чек, удостоверение личности, медицинская форма или скриншот личной переписки могут оставаться на устройстве. Это не маркетинговый лозунг; это разница между функцией, которую можно выпустить в регулируемой отрасли, и функцией, которую нельзя. Собственная оценка безопасности UI-Venus 2 9B касается некорректного поведения модели на стороне сервера. Свойство конфиденциальности 1B заключается в том, что изображение никогда не покидает телефон.

Стоимость на пределе. Чтение скриншота с помощью облачной модели на 9B стоит денег за каждый запрос — за каждый запрос, всегда. Чтение его локальной моделью на 1B расходует батарею. При малом объёме облачный вариант дешевле; при большом — сканер в полевом приложении, инструмент доступности, пакет из десяти тысяч чеков — локальная модель единственная, чья предельная стоимость приближается к нулю.

Стек, который в итоге реально собирает большинство команд

Это не выбор между этими двумя. Это их наложение.

Встроенная модель на 1B отвечает за восприятие: читает экран, извлекает текст, находит поле, описывает, что там находится. В большинстве случаев этого достаточно, и запрос никогда не покидает телефон. Когда задача требует действия — нажать здесь, свайпнуть там, пройти этот сценарий — работа передаётся агенту, а агенту нужна более крупная модель со словарём действий.

Именно на такой передаче маршрутизирующий слой оправдывает себя, и стоит точно понимать, что он делает, а чего не делает. OrcaRouter предоставляет более 200 размещённых моделей через одну совместимую с OpenAI конечную точку с наценкой 0%, передавая цену по прайс-листу каждого провайдера без изменений, с автоматическим переключением при сбое и DSL маршрутизации, который позволяет в одном вызове задать основную и резервную модели. Паттерн, который это позволяет реализовать, небросок и полезен: телефон пробует свою локальную модель на 1B, приложение передаёт сложные случаи размещённой визуальной модели через тот же ключ, который использует для всего остального, а неудачный день у провайдера превращается в событие переключения при сбое, а не в простой. Ни MiniCPM-V 4.7 1B, ни UI-Venus 2 9B нет в этом каталоге — обе представляют собой чекпоинты, которые вы запускаете сами, — поэтому маршрутизатор — это слой вокруг стека, а не способ обращения к любой из этих моделей.

Два режима отказа, которые стоит предусмотреть

Первый — это универсальная модель на 1B, используемая как агент. Она правильно прочитает экран, но потом не будет знать, что с ним делать. Если вашему продукту нужно завершить сценарий, а не описать его, 1B — неподходящий инструмент, и никакой промпт этого не исправит.

Второй — это 9B-агент, выпущенный с лицензионным статусом, указанным в карточке модели. В карточке UI-Venus 2 9B сказано, что лицензия находится на рассмотрении и что заявление об Apache-2.0 было намеренно отложено. Пока этот вопрос не решится, модель остаётся исследовательским артефактом для коммерческих целей, каким бы хорошим ни был показатель ScreenSpot-Pro. Команды, которые строят планы на том, что «вероятно, будет Apache 2.0», берут на себя риск по срокам, который они не учли.

К чему на самом деле сводится выбор

Если вопрос звучит так: «можно ли прочитать этот скриншот на телефоне, офлайн, бесплатно, с лицензией, которую можно поставлять вместе с продуктом» — MiniCPM-V 4.7 1B отвечает да: около 1,8 ГБ в квантованном виде, под Apache 2.0, и единственное, что вам нужно проверить, — это запас памяти вашего собственного устройства.

Если вопрос в том, «может ли эта модель управлять интерфейсом, а не описывать его», — то UI-Venus 2 9B — это та модель, у которой есть обучение, бенчмарки и тестовый стенд, и ей в первую очередь нужны GPU и решение по лицензии, а уже потом всё остальное.

Если вопрос звучит как «оба, в одном продукте», то вы строите двухуровневую систему: модель 1B отвечает за восприятие на устройстве, а агент — за действия на сервере, и инженерная работа заключается в стыковке между ними, а не в выборе между ними.

Сравнение выглядит неравным — потому что оно такое и есть. Универсальная модель на 1B и специалист по GUI на 9B — это не один весовой класс, не один класс развёртывания и не одна лицензионная позиция. Ошибкой было бы прочитать это как «одна лучше». Они отвечают на разные вопросы, и самый быстрый способ выбрать — записать, на какой вопрос вы на самом деле отвечаете.