MiniCPM-V 4.7 1B vs UI-Venus 2 9B: ตัวหนึ่งพกใส่กระเป๋าได้ อีกตัวต้องใช้ตู้แร็ก

การเปรียบเทียบระหว่าง MiniCPM-V 4.7 1B กับ UI-Venus 2 9B ไม่ใช่การเปรียบเทียบที่ใกล้เคียงกัน และนั่นคือสิ่งที่มีประโยชน์เกี่ยวกับการเปรียบเทียบนี้ MiniCPM-V 4.7 1B เป็นโมเดลภาษาภาพอเนกประสงค์ขนาด 1.55 พันล้านพารามิเตอร์จาก OpenBMB อัปโหลดเมื่อวันที่ 6 ตุลาคม 2026 ระบุวันที่ 12 ตุลาคมในบันทึกการเปิดตัวของผู้จำหน่าย ใช้สัญญาอนุญาต Apache 2.0 และเล็กพอที่จะรันภายในแอปบนโทรศัพท์ UI-Venus 2 9B เป็นเอเจนต์ GUI ขนาด 9.41 พันล้านพารามิเตอร์จาก inclusionAI เปิดตัวเมื่อวันที่ 26 สิงหาคม 2026 ฝึกมาโดยเฉพาะเพื่อดูหน้าจอและตัดสินใจว่าจะแตะ พิมพ์ หรือปัดที่ใด และคาดว่าจะต้องใช้ GPU ที่มีเซิร์ฟเวอร์ vLLM อยู่ด้านหน้าความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวลักษณะนี้ ถูกรวบรวมไว้ใน คลังเหตุการณ์ AI ของ OrcaRouter โดยแต่ละรายการมีแหล่งอ้างอิงของตนเอง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้ง

การนำทั้งสองสิ่งมาไว้ในประโยคเดียวกันย่อมชวนให้เกิดคำถามที่ผิด — อันไหนดีกว่า — ในเมื่อคำถามที่ถูกต้องคือแต่ละอันมีไว้เพื่ออะไร โมเดลวิชันทั่วไปที่พอดีกับหน่วยความจำแบบควอนไทซ์ขนาด 1.8 GB กับสกรีนเอเจนต์ที่ได้คะแนน 73.0 บน ScreenSpot-Pro ไม่ใช่สิ่งที่ใช้แทนกันได้ ทั้งสองเป็นคนละชั้นของสแต็กระบบอัตโนมัติบนมือถือ และส่วนที่น่าสนใจคือเส้นแบ่งระหว่างชั้นเหล่านี้อยู่ตรงไหนกันแน่

สองงานที่ดูคล้ายกันเมื่อมองจากระยะไกล

โมเดลทั้งสองสามารถรับภาพหน้าจอและส่งคืนข้อความเกี่ยวกับภาพนั้นได้ ความคล้ายคลึงกันมีอยู่เพียงเท่านี้

MiniCPM-V 4.7 1B อ่านภาพแล้วอธิบาย ถอดความ ดึงข้อมูล หรือตอบคำถามได้ ถามว่ายอดรวมในใบเสร็จคือเท่าไร ช่องในแบบฟอร์มมีอะไรบ้าง กราฟมีแนวโน้มขึ้นหรือไม่ หรือหน้าใดหน้าหนึ่งของ PDF ระบุว่าอะไร มันก็จะให้คำตอบได้ โดยมีตัวควบคุมการแบ่งภาพ (slicing) สำหรับภาพความละเอียดสูง อัตราการบีบอัดโทเคนภาพที่สลับได้ระหว่าง 4×/16× และพารามิเตอร์การสุ่มเฟรมสำหรับวิดีโอ เอกสารประกอบครอบคลุมการแชตกับภาพเดี่ยว การแชตกับหลายภาพ วิดีโอ OCR การแยกวิเคราะห์ PDF และ visual grounding — ซึ่งเป็นภาระงานอ่านเอกสารและหน้าจอ

UI-Venus 2 9B อ่านหน้าจอและส่งออกการกระทำ การ์ดของมันอธิบายวงปิด: สังเกตอินเทอร์เฟซ ใช้เหตุผลเกี่ยวกับสถานะของงาน ดำเนินการ และนำผลตอบกลับจากสภาพแวดล้อมมาประกอบการตัดสินใจครั้งถัดไป เอาต์พุตเป็นจุดและลำดับการกระทำ ไม่ใช่ข้อความบรรยาย โดยรอบนั้น inclusionAI มีพรอมป์อ้างอิง ตัวแยกวิเคราะห์การกระทำ และตัวอย่างที่รันได้สำหรับงานมือถือ คอมพิวเตอร์ เบราว์เซอร์ grounding และ CAPTCHA โมเดลนี้คือ policy และ harness ที่ล้อมรอบมันคือครึ่งหนึ่งของผลิตภัณฑ์

ความแตกต่างนี้เป็นตัวกำหนดสถาปัตยกรรมก่อนจะพิจารณาเบนช์มาร์กใด ๆ แอปบนโทรศัพท์ที่ต้องอ่านใบเสร็จจะใช้แบบแรก ระบบที่ต้องทำงานให้เสร็จภายในแอป — เช่น กดดำเนินการผ่านขั้นตอนชำระเงิน กรอกแบบฟอร์ม แก้ CAPTCHA แบบเลื่อนแถบ — จะใช้แบบที่สอง และไม่สามารถใช้แบบแรกแทนได้ ไม่ว่า OCR จะดีเพียงใด

ใบอนุญาตเป็นเพียงตัวกรองขั้นแรก ไม่ใช่เกณฑ์มาตรฐาน

การ์ดของ UI-Venus 2 9B มีส่วนสถานะการเปิดตัวที่สื่อส่วนใหญ่ข้ามไป ภายใต้ "Model weights" ระบุว่ามีการรวมน้ำหนักโมเดลไว้ด้วย ส่วนภายใต้ "License" ระบุว่าสัญญาอนุญาตของน้ำหนักโมเดลอยู่ระหว่างการยืนยันขั้นสุดท้ายและจะเพิ่มเติมก่อนการเปิดตัวสู่สาธารณะ และการประกาศ Apache-2.0 นั้นตั้งใจไม่นำมาสืบทอดเนื่องจากเอกสารต้นทางมีข้อความเกี่ยวกับสัญญาอนุญาตที่ขัดแย้งกัน

อ่านข้อความนั้นสองครั้ง น้ำหนักโมเดลสามารถดาวน์โหลดได้ เบนช์มาร์กได้รับการเผยแพร่แล้ว รายงานทางเทคนิคอยู่บน arXiv และสัญญาอนุญาตยังไม่มีข้อยุติ สำหรับทีมวิจัยแล้วเรื่องนี้ไม่เป็นปัญหา สำหรับบริษัทที่วางแผนจะบรรจุเอเจนต์หน้าจอไว้ในผลิตภัณฑ์เชิงพาณิชย์ นั่นหมายความว่าการตรวจสอบทางกฎหมายไม่สามารถสรุปให้เสร็จสิ้นได้ โมเดลอาจลงเอยที่ Apache 2.0 หรืออาจไม่ใช่ และไม่มีทางรู้ได้จากอาร์ติแฟกต์ที่มีอยู่ในปัจจุบัน

MiniCPM-V 4.7 1B เผยแพร่ภายใต้ Apache 2.0 โดยไม่มีความกำกวมเช่นนั้น ประโยคเดียวนี้ตัดโมเดลหนึ่งในสองตัวออกไปสำหรับงานเชิงพาณิชย์ประเภทต่างๆ จำนวนมาก — ไม่ใช่เพราะมันด้อยกว่า แต่เพราะใบอนุญาตที่ยังอยู่ในระหว่างดำเนินการถือเป็นความเสี่ยงด้านกำหนดการที่ไม่มีใครกันงบประมาณเผื่อไว้

เลขคณิตของฮาร์ดแวร์ ก่อนจะมีคะแนนใด ๆ

• น้ำหนักโมเดล — แบบ dense ขนาด 1.55B ประมาณ 3.1 GB ใน BF16, 0.67 GB ที่ Q4_K_M บวกวิชันโปรเจกเตอร์ 0.90–1.11 GB เทียบกับ 9.41B ประมาณ 18.8 GB ใน BF16 กระจายอยู่สี่ shard ของ safetensors • ที่รันได้ — แอป iOS, Android และ HarmonyOS; การรองรับชิปตั้งแต่วันแรกจาก Rockchip, Houmo, Intel, AMD และ Arm เทียบกับเส้นทางการให้บริการด้วย GPU ซึ่งมีเอกสารประกอบด้วย vLLM ที่ --max-model-len 262144 และ --reasoning-parser q​wen3 • คอนเท็กซ์ — 262,144 โทเคนตามสเปก โดยมีแคช KV ที่กินหน่วยความจำมากกว่าน้ำหนักโมเดลเมื่อใช้ความยาวเต็ม เทียบกับ 262,144 โทเคนที่สืบทอดมาจากฐาน Qwen3.5-9B • ชุดวิชัน — เอนโคเดอร์ 27 เลเยอร์ ขนาดซ่อน 1152 บนไทล์ขนาด 980 พิกเซล พร้อมการบีบอัดโทเคนภายในเอนโคเดอร์ เทียบกับวิชันทาวเวอร์ของ Qwen3.5-9B ซึ่งยกมาจากโมเดลฐาน • สัญญาอนุญาต — Apache 2.0 เทียบกับสถานะรอยืนยัน โดยงดระบุประกาศ Apache-2.0 อย่างชัดเจน • รูปแบบการประเมิน — ตัวเลขในเนื้อความห้าค่า บวกการเปรียบเทียบเฉพาะในแผนภูมิ เทียบกับภาคผนวกตัวเลขเต็มรูปแบบครอบคลุมมือถือ คอมพิวเตอร์ เว็บ grounding, CAPTCHA และความปลอดภัย • การประเมินอิสระ — ยังไม่มีสำหรับทั้งสองโมเดล ณ เวลาที่เขียนนี้ เทียบกับไม่มีเช่นกัน แม้ว่ารายงานทางเทคนิคที่ arXiv 2609.00028 จะเป็นผลงานสำคัญที่บุคคลที่สามสามารถตรวจสอบได้

ช่องว่างตรงนี้อยู่ที่ประมาณหนึ่งลำดับขนาดในหน่วยความจำ: 1.8 GB แบบควอนไทซ์ เทียบกับ 18.8 GB ใน BF16 หรือประมาณ 5 GB ที่ 4 บิตหากทำควอนไทซ์ นั่นคือความแตกต่างระหว่างแอปกับบริการ และนี่ก็เป็นเหตุผลที่โมเดลทั้งสองมักถูกพูดถึงในบทความที่แตกต่างกัน — ตัวหนึ่งเป็นคำถามเรื่องการติดตั้งใช้งานที่ edge และอีกตัวเป็นคำถามเรื่องต้นทุนการอนุมาน

จุดที่ 9B ทำให้ขนาดของมันคุ้มค่า

ตัวเลขของ UI-Venus 2 9B ซึ่งเป็นข้อมูลที่ผู้จำหน่ายรายงานทั้งหมดจากเอกสารข้อมูลและรายงานทางเทคนิคของโมเดล จัดให้มันอยู่ใกล้จุดสูงสุดของกลุ่ม GUI ขนาดต่ำกว่า 10B บน ScreenSpot-Pro ซึ่งวัดการระบุตำแหน่งองค์ประกอบบนซอฟต์แวร์ระดับมืออาชีพที่มีความละเอียดสูง โมเดลรายงานค่า 73.0 บน VenusBench-GD ได้ 77.1 บน OSWorld-G-R ได้ 78.5 บน AndroidWorld ได้ 80.2 บนชุดแบ่งงาน 595 งานที่รีเฟรชของ WebVoyager ได้ 90.8 บน OSWorld-Verified ได้ 70.8 และบน VenusBench-CAPTCHA ของตัวเอง ได้ 78.1 pass@1 ในแปดประเภทการโต้ตอบ

นี่ไม่ใช่ตัวเลขที่โมเดลอเนกประสงค์ขนาด 1B สร้างออกมา และก็ไม่ได้มีเจตนาให้เป็นเช่นนั้น สิ่งที่ทำให้ตัวเลขเหล่านี้น่าเชื่อถือแทนที่จะเป็นแค่ของประดับคือคำอธิบายการฝึก ได้แก่ พูลแอปมือถือหลายภาษากว่า 170 แอป พูลเว็บกว่า 4,000 โดเมนใน 19 หมวดหมู่ สามขั้นตอนการฝึก (การฝึกกลางทางแบบมัลติโมดัล, RL แบบออฟไลน์ครอบคลุมตระกูลงานห้าประเภท, และการกลั่นแบบออนโพลิซีจากครูหลายตัว) และกลไกการตรวจสอบที่สร้างบนคีย์พอยต์ภาพที่เกี่ยวข้องกับงาน พร้อมการโหวตจากหลายโมเดล แทนที่จะใช้ผู้ตัดสินเพียงตัวเดียวที่ดูหน้าจอสุดท้าย การ์ดนี้ยังรายงานผลด้านความปลอดภัย — อัตราความสำเร็จของการโจมตี 11.3% บน OSHarm และ 48.8% บน OSBlind เทียบกับ 25.3% และ 79.4% สำหรับฐาน Qwen3.5-9B — และนำเสนอผลเหล่านี้เป็นการเปรียบเทียบกับฐานดังกล่าว มากกว่าจะเป็นการอ้างความทนทานแบบสัมบูรณ์ ซึ่งเป็นการนำเสนอกรอบที่ถูกต้อง

ไม่มีสิ่งใดในนี้ถ่ายโอนไปยังโมเดลขนาด 1B ได้ ความสามารถในการลงมือปฏิบัติการกับ GUI นั้นต้องได้รับการฝึก ไม่ได้เกิดขึ้นเองจากความสามารถด้านการมองเห็นทั่วไป และความแม่นยำของ OCR ไม่ว่าจะมากเพียงใดก็ไม่อาจทดแทนนโยบายที่รู้ว่าปุ่ม "next" ทำอะไรได้

ในจุดที่ 1B ชนะอยู่แล้ว

สามอันดับ และไม่ใช่รางวัลปลอบใจ

ความหน่วงและความพร้อมใช้งาน โมเดล 1B ที่รันอยู่ในเครื่องไม่มีการส่งข้อมูลไปกลับผ่านเครือข่าย ไม่มีคิว ไม่มีผู้ให้บริการล่ม และไม่มีค่าใช้จ่ายต่อคำขอ สำหรับฟีเจอร์การสแกนที่ใช้ห้าสิบครั้งต่อวัน นั่นคือประสบการณ์ผลิตภัณฑ์ทั้งหมด โมเดล 9B ที่อยู่เบื้องหลังเซิร์ฟเวอร์ vLLM นั้นเร็ว — แต่มันก็เร็วแบบเดียวกับที่โมเดลแบบโฮสต์ใด ๆ ก็เร็ว และมันจะเลิกเร็วทันทีเมื่อการเชื่อมต่อขาดหาย

ความเป็นส่วนตัวโดยการออกแบบ ใบเสร็จ เอกสารระบุตัวตน แบบฟอร์มทางการแพทย์ หรือภาพหน้าจอของการสนทนาส่วนตัวสามารถคงอยู่บนอุปกรณ์ได้ นั่นไม่ใช่ประโยคทางการตลาด แต่คือความแตกต่างระหว่างฟีเจอร์ที่คุณสามารถเปิดตัวได้ในอุตสาหกรรมที่มีการกำกับดูแล กับฟีเจอร์ที่คุณทำไม่ได้ การประเมินความปลอดภัยของ UI-Venus 2 9B เองนั้นเกี่ยวกับการที่โมเดลประพฤติผิดพลาดฝั่งเซิร์ฟเวอร์ ส่วนคุณสมบัติด้านความเป็นส่วนตัวของ 1B คือภาพไม่เคยออกจากโทรศัพท์เลย

ต้นทุนส่วนเพิ่ม การอ่านภาพหน้าจอด้วยโมเดล 9B แบบโฮสต์มีค่าใช้จ่ายต่อคำขอ ทุกคำขอ ตลอดไป การอ่านด้วยโมเดล 1B ภายในเครื่องมีค่าใช้จ่ายเป็นแบตเตอรี่ ที่ปริมาณต่ำ ตัวเลือกแบบโฮสต์ถูกกว่า ที่ปริมาณสูง — สแกนเนอร์ในแอปภาคสนาม เครื่องมือช่วยการเข้าถึง ชุดใบเสร็จหนึ่งหมื่นใบ — โมเดลภายในเครื่องเป็นตัวเดียวที่มีต้นทุนส่วนเพิ่มเข้าใกล้ศูนย์

สแต็กที่ทีมส่วนใหญ่สร้างขึ้นจริงในท้ายที่สุด

ไม่ใช่การเลือกอย่างใดอย่างหนึ่งในสองสิ่งนี้ แต่เป็นการซ้อนทับกันของทั้งสอง

โมเดล 1B บนอุปกรณ์จัดการการรับรู้: อ่านหน้าจอ ดึงข้อความออกมา ค้นหาช่องข้อมูล และอธิบายว่ามีอะไรอยู่ โดยส่วนใหญ่แล้วเท่านี้ก็เพียงพอ และคำขอไม่เคยออกจากโทรศัพท์ เมื่องานต้องมีการกระทำ เช่น แตะตรงนี้ ปัดตรงนั้น ทำขั้นตอนนี้ให้เสร็จ งานจะถูกส่งไปยังเอเจนต์ และเอเจนต์ต้องใช้โมเดลที่ใหญ่กว่าซึ่งมีคำศัพท์สำหรับการกระทำ

การส่งต่อนี้คือจุดที่ชั้นจัดเส้นทางพิสูจน์คุณค่าของตัวเอง และคุ้มค่าที่จะพูดให้ชัดเจนว่ามันทำอะไรและไม่ทำอะไร OrcaRouter เปิดให้เข้าถึง โมเดลแบบโฮสต์มากกว่า 200 รุ่น ผ่านเอนด์พอยต์เดียวที่เข้ากันได้กับ OpenAI โดยบวกเพิ่มในอัตรา 0% ส่งต่อราคาตามรายการของผู้ให้บริการแต่ละรายโดยไม่เปลี่ยนแปลง พร้อมระบบ failover อัตโนมัติและ DSL สำหรับจัดเส้นทางที่รองรับทั้งตัวหลักและตัวสำรองได้ในการเรียกครั้งเดียว รูปแบบการทำงานที่สิ่งนี้ทำให้เกิดนั้นดูไม่หวือหวาแต่มีประโยชน์: โทรศัพท์จะลองใช้โมเดล 1B ในเครื่องก่อน แอปจะยกระดับเคสยากไปยังโมเดลภาพแบบโฮสต์ผ่านคีย์เดียวกับที่ใช้กับทุกอย่างอื่น และการที่ผู้ให้บริการรายหนึ่งมีปัญหาช่วงบ่ายจะกลายเป็นเหตุการณ์ failover แทนที่จะเป็นการล่ม ทั้ง MiniCPM-V 4.7 1B และ UI-Venus 2 9B ไม่ได้อยู่ในแคตตาล็อกนั้น — ทั้งคู่เป็น checkpoint ที่คุณรันเอง — ดังนั้นเราเตอร์จึงเป็นชั้นที่อยู่รอบสแตก ไม่ใช่วิธีเรียกโมเดลใดโมเดลหนึ่งในสองนี้

สองโหมดความล้มเหลวที่ควรวางแผนรับมือ

ตัวแรกคือโมเดลอเนกประสงค์ขนาด 1B ที่ใช้เป็นเอเจนต์ มันจะอ่านหน้าจอได้อย่างถูกต้อง แต่หลังจากนั้นจะไม่รู้เลยว่าจะทำอะไรกับมัน หากผลิตภัณฑ์ของคุณต้องการทำให้โฟลว์เสร็จสมบูรณ์แทนที่จะเพียงอธิบายโฟลว์ 1B ก็เป็นเครื่องมือที่ผิด และไม่มีพรอมต์ใดแก้ไขได้

ตัวที่สองคือเอเจนต์ขนาด 9B ที่เปิดตัวโดยอิงสถานะสัญญาอนุญาตในโมเดลการ์ด การ์ดของ UI-Venus 2 9B ระบุว่าสัญญาอนุญาตยังอยู่ระหว่างดำเนินการ และการประกาศ Apache-2.0 ถูกระงับไว้โดยเจตนา จนกว่าจะคลี่คลาย ในเชิงพาณิชย์โมเดลนี้เป็นเพียงผลงานวิจัย ไม่ว่าตัวเลข ScreenSpot-Pro จะดีเพียงใดก็ตาม ทีมที่วางแผนโดยอิงว่า "มันน่าจะเป็น Apache 2.0" กำลังแบกรับความเสี่ยงด้านกำหนดการที่พวกเขายังไม่ได้ประเมินไว้

สิ่งที่แท้จริงแล้วตัวเลือกนี้ขึ้นอยู่กับ

ถ้าคำถามคือ “ฉันอ่านภาพหน้าจอนี้บนโทรศัพท์ แบบออฟไลน์ ฟรี และด้วยใบอนุญาตที่ฉันนำไปเผยแพร่ได้หรือไม่” — MiniCPM-V 4.7 1B ตอบว่าได้ โดยมีขนาดประมาณ 1.8 GB เมื่อทำควอนไทซ์ ภายใต้ Apache 2.0 และสิ่งเดียวที่คุณต้องตรวจสอบคือพื้นที่หน่วยความจำที่เหลืออยู่ของอุปกรณ์คุณเอง

หากคำถามคือ "โมเดลนี้สามารถควบคุมอินเทอร์เฟซได้จริง แทนที่จะเพียงอธิบายมันได้หรือไม่" — UI-Venus 2 9B คือตัวที่มีการเทรน มีเบนช์มาร์ก และมีฮาร์เนส และมันต้องการ GPU กับการตัดสินใจเรื่องไลเซนส์ก่อนสิ่งอื่นใด

หากคำถามคือ "ทั้งสองอย่าง ในผลิตภัณฑ์เดียว" — แสดงว่าคุณกำลังสร้างระบบสองชั้น โดยตัว 1B ทำการรับรู้บนอุปกรณ์ และเอเจนต์ดำเนินการบนเซิร์ฟเวอร์ และงานด้านวิศวกรรมคือการส่งต่อระหว่างทั้งสอง ไม่ใช่การเลือกระหว่างทั้งสอง

การเปรียบเทียบนี้ดูไม่สมดุลเพราะมันเป็นเช่นนั้นจริง โมเดลเอนกประสงค์ขนาด 1B กับโมเดลผู้เชี่ยวชาญด้าน GUI ขนาด 9B ไม่ได้อยู่ในระดับขนาดเดียวกัน ระดับการนำไปใช้งานเดียวกัน หรือสถานะด้านลิขสิทธิ์เดียวกัน ความผิดพลาดคือการตีความว่า "ตัวหนึ่งดีกว่า" พวกมันกำลังตอบคำถามคนละข้อ และวิธีที่เร็วที่สุดในการเลือกคือเขียนลงไปว่าคุณกำลังถามคำถามข้อไหนจริง ๆ