MiniCPM-V 4.7 1B vs UI-Venus 2 9B: Den ena får plats i fickan, den andra kräver ett rack

Jämförelsen mellan MiniCPM-V 4.7 1B och UI-Venus 2 9B är inte jämn, och det är just det som är det användbara med den. MiniCPM-V 4.7 1B är en allmän vision-språkmodell med 1,55 miljarder parametrar från OpenBMB, uppladdad den 6 oktober 2026, daterad den 12 oktober i leverantörens versionsinformation, licensierad under Apache 2.0, och tillräckligt liten för att köras i en mobilapp. UI-Venus 2 9B är en GUI-agent med 9,41 miljarder parametrar från inclusionAI, släppt den 26 augusti 2026, specifikt tränad för att titta på en skärm och avgöra var den ska trycka, skriva eller svepa, och den förväntar sig en GPU med en vLLM-server framför sig. De dokumenterade AI-felen och agentincidenterna bakom releaser som denna samlas i the OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Att sätta dem i samma mening väcker fel fråga – vilken som är bättre – när den rätta frågan är vad var och en är till för. En allmän visionsmodell som får plats i 1,8 GB kvantiserat minne och en skärmagent som får 73,0 på ScreenSpot-Pro är inte utbytbara. De är två olika lager i en stack för mobilautomatisering, och det intressanta är var gränsen mellan dessa lager faktiskt går.

Två jobb som ser lika ut på avstånd

Båda modellerna kan ta emot en skärmbild och returnera text om den. Det är där likheten slutar.

MiniCPM-V 4.7 1B läser en bild och beskriver, transkriberar, extraherar eller svarar. Fråga den vad summan på ett kvitto är, vad ett formulärfält innehåller, om ett diagram har en uppåtgående trend eller vad en sida i en PDF säger, så ger den ett svar. Den har uppdelningskontroller för högupplösta bilder, ett växlingsbart komprimeringsförhållande för visuella token på 4×/16× samt parametrar för bildrutesampling för video. Dokumentationen omfattar chatt med en bild, chatt med flera bilder, video, OCR, PDF-tolkning och visuell grounding – en arbetsbelastning för dokument- och skärmläsning.

UI-Venus 2 9B läser en skärm och avger en åtgärd. Dess kort beskriver en sluten loop: observera gränssnittet, resonera kring uppgiftens tillstånd, utför en åtgärd och införliva miljöns återkoppling i nästa beslut. Utdata är punkter och åtgärdssekvenser, inte prosa. Runt omkring den tillhandahåller inclusionAI referenspromptar, åtgärdstolkare och körbara exempel för mobil-, dator-, webbläsar-, grounding- och CAPTCHA-uppgifter. Modellen är en policy, och ramverket runt den är halva produkten.

Den distinktionen avgör arkitekturen innan man ens tittar på något benchmark. En telefonapp som behöver läsa ett kvitto använder det första tillvägagångssättet. Ett system som behöver slutföra en uppgift i en app – trycka sig igenom en kassa, fylla i ett formulär, lösa en slider-CAPTCHA – använder det andra och kan inte ersätta det första, hur bra OCR det än har.

Licensen är det första filtret, inte måttstocken.

Modellkortet för UI-Venus 2 9B innehåller ett avsnitt om utgivningsstatus som den mesta bevakningen har hoppat över. Under "Modellvikter" står det att vikterna ingår; under "Licens" står det att licensen för modellvikterna är i väntan på slutlig bekräftelse och kommer att läggas till före offentliggörandet, samt att Apache-2.0-deklarationen medvetet inte fördes över eftersom uppströmsmaterialet innehåller motstridiga licensutlåtanden.

Läs det två gånger. Vikterna går att ladda ned, benchmarkresultaten är publicerade, den tekniska rapporten finns på arXiv och licensen är oklar. För ett forskningsteam är det okej. För ett företag som planerar att leverera en skärmagent i en kommersiell produkt innebär det att den juridiska granskningen inte kan slutföras. Modellen kan komma att bli Apache 2.0, eller så blir den inte det, och det går inte att veta utifrån de artefakter som finns tillgängliga i dag.

MiniCPM-V 4.7 1B levereras under Apache 2.0 utan någon sådan oklarhet. Den där enda raden eliminerar en av de två modellerna för en stor klass av kommersiellt arbete – inte för att den är sämre, utan för att en ännu ej beviljad licens är en tidsplanerisk som ingen budgeterar för.

Maskinvaruarithmetiken, före någon poäng

• Vikt — 1,55B dense, cirka 3,1 GB BF16, 0,67 GB vid Q4_K_M plus en visionsprojektor på 0,90–1,11 GB mot 9,41B, ungefär 18,8 GB BF16 över fyra safetensors-shards • Var den körs — iOS-, Android- och HarmonyOS-appar; chipstöd från dag ett från Rockchip, Houmo, Intel, AMD och Arm mot en GPU-serveringsväg, dokumenterad med vLLM vid --max-model-len 262144 och --reasoning-parser qwen3 • Kontext — 262 144 token på pappret, med en KV-cache som kostar mer än vikterna vid full längd mot 262 144 token, ärvd från Qwen3.5-9B-basen • Vision-stack — en 27-lagers encoder med 1152 dolda enheter på 980-pixelrutor med tokenkomprimering inuti encodern mot Qwen3.5-9B:s vision-torn, övertagen från basmodellen • Licens — Apache 2.0 mot ej bekräftad, med Apache-2.0-deklarationen uttryckligen undanhållen • Utvärderingsstil — fem siffror i löptext plus jämförelser enbart i diagramform mot en fullständig numerisk bilaga för mobil, dator, webb, grounding, CAPTCHA och säkerhet • Oberoende utvärdering — ingen för någon av modellerna i skrivande stund mot ingen, även om den tekniska rapporten på arXiv 2609.00028 är en betydande artefakt som går att kontrollera av tredje part

Gapet här är ungefär en storleksordning i minne: 1,8 GB kvantiserat mot 18,8 GB i BF16, eller cirka 5 GB vid 4-bit om du kvantiserar. Det är skillnaden mellan en app och en tjänst. Det är också anledningen till att de två modellerna vanligtvis diskuteras i olika artiklar – den ena är en fråga om edge-driftsättning och den andra en fråga om inferenskostnad.

Där 9B gör skäl för sin storlek

UI-Venus 2 9B:s siffror, alla leverantörsrapporterade från dess modellkort och tekniska rapport, placerar den nära toppen av GUI-klassen under 10B. På ScreenSpot-Pro, som mäter elementlokalisering i högupplöst professionell programvara, rapporterar den 73.0. På VenusBench-GD, 77.1. På OSWorld-G-R, 78.5. På AndroidWorld, 80.2. På WebVoyagers uppdaterade split med 595 uppgifter, 90.8. På OSWorld-Verified, 70.8. På dess egen VenusBench-CAPTCHA, 78.1 pass@1 över åtta interaktionstyper.

De siffrorna är inte vad en 1B-generalist producerar, och de är inte avsedda att vara det. Det som gör dem trovärdiga i stället för dekorativa är träningsbeskrivningen: en mobil pool med över 170 flerspråkiga appar, en webbpool med över 4 000 domäner i 19 kategorier, tre träningsfaser (multimodal mellanträning, offline-RL över fem uppgiftsfamiljer, on-policy-distillation med flera lärare) och ett verifieringsupplägg som bygger på uppgiftsrelevanta visuella nyckelpunkter med röstning från flera modeller i stället för en enda domare som tittar på den slutliga skärmen. Kortet rapporterar också säkerhetsresultat – 11,3 % framgångsgrad för attacker på OSHarm och 48,8 % på OSBlind, jämfört med 25,3 % och 79,4 % för Qwen3.5-9B-basen – och framställer dem som en jämförelse mot den basen snarare än som ett absolut robusthetsanspråk, vilket är rätt inramning.

Inget av detta överförs till en 1B-modell. GUI-agens tränas, den uppstår inte ur allmän visuell kompetens, och ingen mängd OCR-noggrannhet kan ersätta en policy som vet vad en "next"-knapp gör.

Där 1B ändå vinner

Tre platser, och de är inte tröstpriser.

Latens och tillgänglighet. En lokal 1B-modell har ingen nätverksrundtur, ingen kö, inget leverantörsavbrott och ingen kostnad per begäran. För en skanningsfunktion som används femtio gånger om dagen är det hela produktupplevelsen. En 9B bakom en vLLM-server är snabb – men den är snabb på samma sätt som alla värdbaserade modeller är snabba, och den slutar vara snabb när anslutningen gör det.

Integritet genom konstruktion. Ett kvitto, ett ID-dokument, ett medicinskt formulär eller en skärmbild av en privat konversation kan stanna på enheten. Det är inte en marknadsföringsrad; det är skillnaden mellan en funktion som du kan leverera i en reglerad bransch och en som du inte kan. UI-Venus 2 9B:s egen säkerhetsutvärdering handlar om att modellen beter sig illa på serversidan. 1B:s integritetsegenskap är att bilden aldrig lämnar telefonen.

Kostnad i marginalen. Att läsa en skärmbild med en hostad 9B kostar pengar per förfrågan, varje förfrågan, för evigt. Att läsa den med en lokal 1B kostar batteriet. Vid låg volym är det hostade alternativet billigare; vid hög volym – en skanner i en fältapp, ett tillgänglighetsverktyg, ett parti på tiotusen kvitton – är den lokala modellen den enda vars marginalkostnad närmar sig noll.

Stacken som de flesta team faktiskt till slut bygger

Inte ett val mellan dessa två. Ett lagerläggande av dem.

Den lokala 1B-modellen hanterar perception: läser av skärmen, extraherar texten, hittar fältet, beskriver vad som finns där. För det mesta räcker det, och begäran lämnar aldrig telefonen. När uppgiften kräver en åtgärd – tryck här, swipa där, slutför det här flödet – går jobbet till en agent, och en agent behöver en större modell med ett åtgärdsvokabulär.

Den överlämningen är där ett routningslager gör nytta, och det är värt att vara precis om vad det gör och inte gör. OrcaRouter exponerar 200+ hostade modeller via en OpenAI-kompatibel endpoint med 0 % påslag, och skickar varje leverantörs listpris vidare oförändrat, med automatisk failover och ett routnings-DSL som kan ha en primär och en reserv i ett enda anrop. Mönstret som detta möjliggör är oglamoröst och användbart: telefonen provar sin lokala 1B, appen eskalerar de svåra fallen till en hostad visionsmodell med samma nyckel som den använder för allt annat, och en leverantör som har en dålig eftermiddag blir en failover-händelse i stället för ett avbrott. Varken MiniCPM-V 4.7 1B eller UI-Venus 2 9B finns i den katalogen — båda är checkpoints som du kör själv — så routern är lagret runt stacken, inte ett sätt att anropa någon av modellerna.

Två felmoder värda att planera för

Den första är en 1B-generalist som används som agent. Den läser av en skärm korrekt och har sedan ingen aning om vad den ska göra med den. Om din produkt behöver slutföra ett flöde i stället för att beskriva ett, är 1B fel verktyg och ingen prompt rättar till det.

Den andra är en 9B-agent som släpps utifrån licensstatusen i ett modellkort. Kortet för UI-Venus 2 9B anger att licensen är under behandling och att Apache-2.0-deklarationen medvetet har hållits tillbaka. Tills det är löst är modellen en forskningsartefakt i kommersiella sammanhang, hur bra ScreenSpot-Pro-siffran än är. Team som planerar utifrån "den blir förmodligen Apache 2.0" tar en tidplanerisk som de inte har prissatt.

Vad valet faktiskt handlar om

Om frågan är "kan jag läsa den här skärmbilden på en telefon, offline, gratis, med en licens jag kan distribuera" — svarar MiniCPM-V 4.7 1B ja, vid ungefär 1,8 GB kvantiserad, under Apache 2.0, och det enda du behöver kontrollera är minnesutrymmet på din egen enhet.

Om frågan är "kan den här modellen hantera gränssnittet i stället för att beskriva det" — är UI-Venus 2 9B den som har träningen, benchmarkarna och testramverket, och den behöver en GPU och ett licensbeslut innan den behöver något annat.

Om frågan är "båda, i en och samma produkt" – då bygger du ett tvåskiktat system, där 1B gör perception på enheten och agenten utför åtgärder på en server, och ingenjörsarbetet ligger i överlämningen mellan dem snarare än i valet mellan dem.

Jämförelsen ser ojämn ut eftersom den är det. En 1B-generalist och en 9B-GUI-specialist tillhör inte samma viktklass, samma driftsättningsklass eller samma licensieringsposition. Misstaget skulle vara att tolka det som "den ena är bättre." De besvarar olika frågor, och det snabbaste sättet att välja är att skriva ner vilken fråga du faktiskt ställer.