SingVL_S1_4B vs MiniCPM-V 4.7 1B: พารามิเตอร์ 4.54 พันล้านตัว และไม่มีสัญญาอนุญาต

ตัวเลขที่มีประโยชน์ที่สุดในการเทียบคู่นี้ไม่ได้อยู่บนโมเดลการ์ดของฝั่งใดเลย มันคือ 1.55 พันล้าน ซึ่งเป็นจำนวนเทนเซอร์รวมของMiniCPM-V 4.7 1B โมเดลวิชันที่ทำงานบนอุปกรณ์ซึ่ง OpenBMB เปิดตัวเมื่อวันที่ 12 ตุลาคม 2026 ภายใต้สัญญาอนุญาต Apache 2.0 โดยมีบิลด์ GGUF, AWQ, GPTQ, int4 และ FP8 เผยแพร่แล้ว พร้อมพอร์ตไปยัง iOS, Android และ HarmonyOS เมื่อเทียบกับมันคือSingVL_S1_4B โมเดลตัดสินใจขนาด 4.54 พันล้านพารามิเตอร์ของ inclusionAI ที่อัปโหลดเมื่อวันที่ 11 พฤศจิกายน 2026 โดยไม่มีการประกาศ ไม่มีไฟล์สัญญาอนุญาต และไม่มีเวอร์ชันควอนไทซ์ใด ๆ เลย น้ำหนักมากกว่าราวสามเท่า อยู่ผิดฝั่งของงบหน่วยความจำในโทรศัพท์ และทำงานที่ส่วนใหญ่ไม่ใช่งานเดียวกัน การเปรียบเทียบนี้ก็ยังคุ้มค่าที่จะทำ เพราะมันเผยให้เห็นคำถามหนึ่งข้อที่สเปกชีตไม่สามารถตอบได้: โมเดลมีอะไรติดค้างคุณนอกเหนือจากผลลัพธ์ของมันบ้าง

สิ่งที่แต่ละโมเดลส่งคืน และด้วยเหตุนี้จึงกำหนดว่ามันสามารถอยู่ที่ใดได้

MiniCPM-V 4.7 1B เป็นโมเดลมัลติโมดัลที่ปรับแต่งด้วยคำสั่ง (instruct-tuned) ในความหมายตามปกติ โดยอ่านภาพเดียว หลายภาพ หรือวิดีโอ แล้วสร้างคำตอบ — คำบรรยายภาพ การถอดข้อความ การตอบคำถามเชิงภาพ และการสนทนาหลายรอบ OpenBMB มาพร้อมเฮด DSpark สำหรับ speculative decoding โดยเฉพาะสำหรับโมเดลนี้ ซึ่งเปิดตัวสามวันหลังจากตัวโมเดล และรองรับโมเดลนี้บน SGLang, vLLM, llama.cpp และ Ollama พร้อมการ fine-tuning ผ่าน SWIFT และ LLaMA-Factory มีสเปซเดโมแบบไลฟ์และ cookbook สาธารณะ ทุกช่องทางเหล่านี้ล้วนเป็นช่องทางที่คนอื่นนอกเหนือจากผู้พัฒนาของโมเดลได้ลองรันมันแล้ว

SingVL_S1_4B ไม่ได้สร้างข้อความ คุณป้อนสถานะให้มัน — ข้อความ, JSON, รูปภาพสูงสุดสี่รูป — พร้อมชุดคำถามที่มีชื่อกำกับและระบุชนิดไว้ และมันจะคืนค่าความน่าจะเป็นสำหรับทุกตัวเลือกที่คุณเสนอ Choice จะเลือกหนึ่งCandidate, noul คืนค่าความน่าจะเป็นที่ข้อเสนอแบบใช่/ไม่ใช่จะเป็นจริง และ score คืนการกระจายตัวบนระดับเรียงลำดับสองถึงสิบระดับพร้อมระดับคาดหวัง หนึ่ง forward pass ไม่มีการสุ่ม ไม่มีข้อความบรรยาย quickstart ของรีโพซิทอรีเองรันเซิร์ฟเวอร์ FastAPI บนพอร์ต 8173 และส่ง JSON ไปยัง /v1/systemone

คำถามเรื่องการดีพลอยจึงตอบตัวเองได้ก่อนที่คำถามเรื่อง benchmark จะถูกถามเสียอีก MiniCPM-V 4.7 1B มีเรื่องราวที่ใกล้เคียงกับ ONNX มีการพอร์ตลงมือถือ และได้รับการสนับสนุนจากผู้ผลิตชิป เพราะมันถูกออกแบบมาให้อยู่ในอุปกรณ์ SingVL_S1_4B มีเซิร์ฟเวอร์ Python เพราะมันถูกออกแบบมาให้อยู่ใน GPU ที่มีคนเป็นเจ้าของ หากผลิตภัณฑ์ของคุณส่งแอปออกสู่ตลาด หนึ่งในนี้คือคอมโพเนนต์ และอีกอันคือ dependency ของบริการ

ประสิทธิภาพคือแก่นของข้อโต้แย้งทั้งหมดในด้านหนึ่ง

รุ่น 1B ของ OpenBMB มีอยู่เพื่อยึดตำแหน่งบนเส้นโค้งสมรรถนะเทียบกับเวลาอนุมาน และการ์ดระบุชัดเจนว่าเรื่องนี้—ไม่ใช่ความแม่นยำดิบ—คือสิ่งที่ถูกอ้างเป็นจุดยืน สถาปัตยกรรมได้ตำแหน่งนี้มาในสองทาง ได้แก่ การบีบอัดระยะแรกภายใน ViT ซึ่งนำมาจากสาย LLaVA-UHD v4 และช่วยตัดโทเคนภาพภายในตัวเข้ารหัสภาพเพื่อให้เลเยอร์หลังจากนั้นทำงานน้อยลง กับการบีบอัดโทเคนภาพแบบผสม 4x/16x ซึ่งให้ผู้เรียกใช้แลกความละเอียดกับต้นทุนต่อแต่ละงานได้ เหนือสิ่งเหล่านั้นยังมีหัว speculative ของ DSpark และรายการสนับสนุนแบบ day-zero ที่ระบุไว้ ซึ่งครอบคลุมตั้งแต่ Rockchip และ Houmo ไปจนถึง Intel, AMD และ Arm

การเปรียบเทียบที่ผู้จำหน่ายเผยแพร่จริงสำหรับรุ่นย่อยนี้คือการเทียบกับ Qwen3.5 0.8B: คะแนนโดยรวมดีกว่าและประสิทธิภาพการอนุมานดีกว่าในโหมด Instruct ตามการวัดของผู้จำหน่ายเอง นั่นเป็นข้อกล่าวอ้างที่จำกัดจากห้องแล็บเดียวกันกับที่สร้างโมเดลนี้ และเป็นข้อกล่าวอ้างที่ผลิตภัณฑ์นี้ถูกสร้างขึ้นโดยยึดเป็นแกน

SingVL_S1_4B ไม่ได้อ้างเรื่องประสิทธิภาพเลย การ์ดโมเดลไม่ได้รายงานเวลาแฝง อัตราการประมวลผล หน่วยความจำที่ใช้ หรือจำนวนโทเคนต่อวินาที สิ่งที่รายงานโดยอ้อมคือการออกแบบที่ควรมีประสิทธิภาพกับงานอีกประเภทหนึ่ง กล่าวคือ forward pass หนึ่งครั้งจะคืนคำตอบทุกข้อสำหรับทุกคำถามในคำขอ ขณะที่โมเดลเชิงสร้างต้องใช้หนึ่งพาสต่อหนึ่งโทเคนของเอาต์พุต สำหรับการจำแนกแบบห้าตัวเลือก นี่เป็นข้อได้เปรียบเชิงโครงสร้างที่มาก而对于คำอธิบายภาพ มันไม่ใช่การเปรียบเทียบ เพราะไม่มีคำอธิบายภาพ

น่าตั้งข้อสังเกตว่า คอนฟิกกำหนดสัญญาอินพุตไว้ที่ "อินพุตทั้งหมดก่อนคำตอบแรก; เทิร์นเดียว; ไม่เปิดโหมดคิด" และ README ระบุว่าใช้โทเคนอินพุต 65,536 โทเคนสำหรับข้อความ หรือ 10,000 โทเคนเมื่อมีรูปภาพ โมเดล 1B ที่ทำงานบนโทรศัพท์กับโมเดล 4.5B ที่ต้องใช้งบโทเคนสำหรับรูปภาพ 10,000 โทเคนกำลังแก้ข้อจำกัดที่ต่างกัน ทั้งสองตัวเลขไม่ได้ผิด แต่เป็นคำตอบสำหรับคำถามที่ต่างกัน

ช่องว่างด้านการอนุญาตให้ใช้สิทธิเป็นส่วนที่กว้างที่สุดของการเปรียบเทียบนี้

MiniCPM-V 4.7 1B อยู่ภายใต้ Apache 2.0 นั่นไม่ใช่รายละเอียดทางการตลาด — แต่เป็นเหตุผลที่ระบบนิเวศรอบ ๆ โมเดลนี้มีอยู่ ภายในสี่สัปดาห์หลังเปิดตัว มี GGUF quants จากชุมชนซึ่งเผยแพร่โดยหลายราย มีพอร์ต MNN มีบิลด์ Rockchip RKLLM มีบิลด์ NPU มีการผสานรวม ComfyUI และมี fine-tune อย่างน้อยหนึ่งรายการบน Hub สิ่งเหล่านั้นไม่สามารถเกิดขึ้นได้ภายใต้สัญญาอนุญาตที่ไม่ชัดเจน เพราะคนเหล่านี้ไม่มีใครสามารถแจกจ่ายเวตได้

SingVL_S1_4B เผยแพร่โดยไม่มีฟิลด์สัญญาอนุญาตในเมทาดาทาการ์ดโมเดล และไม่มีไฟล์ LICENSE ในรีพอซิทอรี ภายใต้ลิขสิทธิ์ตามค่าเริ่มต้น นั่นหมายความว่าไม่มีใครนอก inclusionAI ที่ได้รับอนุญาตให้แจกจ่ายโมเดลนี้ซ้ำ ทำควอนไทซ์และเผยแพร่ผลลัพธ์ หรือบรรจุไว้ในผลิตภัณฑ์โดยไม่มีข้อตกลงแยกต่างหาก องค์กรได้เผยแพร่โมเดลจำนวนมากพร้อมเงื่อนไขที่ชัดเจน — LemonDecider ใช้ Apache 2.0 ครอบครัว SingProbe ใช้สัญญาอนุญาตชุมชนของ Qwen — ดังนั้นการละเว้นจึงดูเหมือนเป็นการเผยแพร่ที่ยังไม่เสร็จสมบูรณ์มากกว่าจะเป็นข้อจำกัดโดยเจตนา แต่การตีความเช่นนั้นไม่ใช่การให้สิทธิ์

ผลลัพธ์ในทางปฏิบัติ: สำหรับสิ่งใดก็ตามที่เกี่ยวข้องกับลูกค้า กระบวนการจัดซื้อจัดจ้าง หรือแอปสโตร์ MiniCPM-V 4.7 1B ใช้งานได้ภายในสัปดาห์นี้ ส่วน SingVL_S1_4B ยังใช้งานไม่ได้ ประโยคเดียวนี้มีผลต่อการตัดสินใจนำไปใช้งานจริงได้มากกว่าทุกแถวของ benchmark บนการ์ดทั้งสองใบ

เกณฑ์มาตรฐานที่ต้องไม่วางไว้ในคอลัมน์เดียวกัน

ตรงนี้ไม่มีไม้บรรทัดร่วมกัน และควรพูดให้ชัดเจนว่าทำไม มากกว่าจะยกตัวเลขมาโต้กันไปมา

การประเมินของ MiniCPM-V 4.7 1B เผยแพร่ในรูปแบบแผนภูมิ ได้แก่ การเปรียบเทียบประสิทธิภาพโดยรวม และเส้นแนวหน้าของประสิทธิภาพเทียบกับเวลาการอนุมาน มากกว่าที่จะเป็นตารางแยกรายชุดข้อมูลในการ์ดโมเดล ตัวเลขมีอยู่จริง การนำเสนอเป็นเชิงเปรียบเทียบและเชิงภาพ และข้อกล่าวอ้างหลักเป็นเชิงตำแหน่ง: ดีกว่าบนเส้นแนวหน้าดังกล่าวเมื่อเทียบกับ Qwen3.5 0.8B

SingVL_S1_4B เผยแพร่ตารางแบบละเอียด: 69.76 บนแผง Decision Index Text และ 73.94 บนแผง Vision โดยแยกชุดข้อมูลข้อความทั้งสี่สิบสามชุดและชุดข้อมูลภาพสิบเอ็ดชุดออกมา คะแนนเหล่านั้นได้มาจากการให้คะแนนตัวเลือกที่จัดเตรียมไว้และการเลือกความน่าจะเป็นสูงสุด ซึ่งเป็นงานที่ง่ายกว่าอย่างมีนัยสำคัญเมื่อเทียบกับการสร้างคำตอบแบบอิสระให้ผู้ตรวจจับคู่ และ Decision Index ระบุชัดเจนว่าตัวเลขของตนได้รับการแก้ไขตามโอกาส (chance-corrected) และปรับตามความครอบคลุม (coverage-adjusted) ดังนั้นการเดาจะไม่ได้คะแนนใด ๆ

การวาง "73.94 vision" ไว้ข้างแผนภูมิแนวหน้าของ MiniCPM-V จะเป็นความผิดพลาดเชิงหมวดหมู่ที่ถูกแต่งให้ดูเป็นการเปรียบเทียบ ข้อความที่ตรงไปตรงมาข้อเดียวคือ ตัวเลขทั้งสองชุดเป็นข้อมูลที่ผู้พัฒนารายงานเอง ไม่มีชุดใดถูกทำซ้ำโดยห้องแล็บที่เป็นกลาง และตัวเลขของ SingVL_S1_4B ยังมีอายุสองวันโดยไม่มีการส่งเข้าชุดเครื่องมือการทำซ้ำสาธารณะของ Decision Index — การ์ดดังกล่าวมีคำแนะนำสำหรับการยื่นเรื่อง ซึ่งแสดงให้เห็นเจตนามากกว่าผลลัพธ์

จุดที่ตัวเลขของโมเดล 1B เองน่าสนใจ

การแยกย่อยของ Decision Index สำหรับ SingVL_S1_4B เผยรายละเอียดได้มากกว่าค่าภาพรวม และบังเอิญว่าสิ่งนี้บรรยายถึงลักษณะงานที่โมเดล 1B ก็แข่งขันด้วยเช่นกัน ในงานด้านภาพแบบเอกสาร SingVL_S1_4B รายงานค่า 96.31 บน InfographicVQA และ 95.82 บนชุดข้อมูลสารสนเทศสำคัญ CORD-plus-FUNSD สำหรับการให้เหตุผลเชิงวิชาการที่ยาก รายงานค่า 50.17 บน MMMU-Pro vision และ 49.77 บน R-Bench-M ส่วน Moderation อยู่ที่ 71.64 และลดลงเหลือ 43.28 ภายใต้ skill prompt

โปรไฟล์นั้น — เก่งด้านเลย์เอาต์และการสกัดข้อมูลจากเอกสาร อ่อนด้านการให้เหตุผลเชิงใคร่ครวญ และไวต่อการกำหนดกรอบพรอมป์ตเมื่อต้องใช้วิจารณญาณเชิงอัตวิสัย — เป็นสิ่งที่คุณคาดการณ์ได้พอดีจากตัวแยกประเภทขนาด 4.5B ที่มีตัวเข้ารหัสภาพและไม่มีขั้นตอนการสร้าง และมันสอดคล้องกับงานแบบเดียวกับที่ MiniCPM-V 4.7 1B ถูกวางขายเพื่อทำ: เอกสาร หน้าจอ และ OCR บนอุปกรณ์ ดังนั้นสองโมเดลนี้จึงทับซ้อนกันในแง่งาน แม้จะต่างกันที่รูปแบบผลลัพธ์ คำถามที่ทีมต้องเผชิญจริง ๆ คือทีมต้องการค่าที่สกัดได้หรือคำตอบที่สกัดได้

ถ้าไปป์ไลน์ต้องการฟิลด์ ตัวเลข หรือป้ายกำกับ — เอาต์พุตของ SingVL_S1_4B ก็คือสิ่งที่คุณต้องการอยู่แล้ว และคุณก็ข้ามขั้นตอนการแยกวิเคราะห์ไปได้เลย ถ้าไปป์ไลน์ต้องการให้หน้าเพจถูกเรนเดอร์ออกมาเป็นข้อความโดยคงโครงสร้างเดิมไว้ หรือต้องการคำอธิบายว่าทำไมฟิลด์นั้นจึงกำกวม MiniCPM-V 4.7 1B คือหนึ่งเดียวในสองตัวนี้ที่สามารถสร้างสิ่งนั้นได้

ทางสายกลาง และราคาที่ต้องจ่าย

ทั้งสองอย่างนี้ไม่จำเป็นต้องเป็นการตัดสินใจเชิงสถาปัตยกรรมที่ต้องทำตั้งแต่วันแรก และการทดลองที่ถูกกว่าไม่ใช่ตัวเลือกที่เห็นได้ชัด MiniCPM-V 4.7 1B ทำงานบนแล็ปท็อปได้ การทดสอบจึงใช้เวลาแค่บ่ายเดียวและไม่มีค่าใช้จ่ายอื่นใด SingVL_S1_4B ต้องใช้ GPU และดาวน์โหลด 9.1 GB จึงจะทดสอบได้ และสถานการณ์ด้านไลเซนส์ของมันหมายความว่าการทดสอบไม่สามารถกลายเป็นการนำไปใช้งานจริงได้ หากไม่มีการหารือกัน ซึ่งขณะนี้ไม่มีใครที่ inclusionAI กำลังหารือเรื่องนี้ในที่สาธารณะ

หากสิ่งที่คุณต้องการรู้คือการให้คะแนนการตัดสินใจแบบระบุชนิด (typed-decision scoring) ช่วยงานของคุณได้จริงหรือไม่ — ก่อนที่คุณจะลงทุนโฮสต์เช็กพอยต์ใหม่ — รูปแบบนี้เรียกใช้ได้แล้วOrcaRouter ให้บริการ TypeSafe Jev 1.14 ในราคา $0.042 ต่อหนึ่งล้านโทเคนอินพุต พร้อมกับ โมเดลอื่นอีกกว่า 200 รายการบนคีย์เดียว โดยส่งผ่านราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% และมี failover อัตโนมัติหากผู้ให้บริการรายใดล่ม นั่นทำให้คุณมีเอนด์พอยต์การตัดสินใจที่ใช้งานได้สำหรับเปรียบเทียบกับเลเบลของคุณเอง ควบคู่กับโมเดลเจนเนอเรทีฟที่คุณจะเก็บไว้ใช้กับงานอื่น ๆ ทั้งหมด SingVL_S1_4B ไม่ได้อยู่บน OrcaRouter และไม่มีเอนด์พอยต์แบบโฮสต์สำหรับโมเดลนี้ที่ใดเลย ดังนั้นสิ่งที่กล่าวถึงตรงนี้จึงไม่ใช่การยืนยันถึงความพร้อมใช้งานของโมเดลนี้ ประเด็นคือ คำถามด้านการออกแบบกับคำถามด้านผู้จำหน่ายแยกออกจากกันได้ และมีเพียงคำถามเดียวเท่านั้นที่ต้องใช้ GPU

บทสรุปตามความเป็นจริง เรียงตามลำดับที่การตัดสินใจเกิดขึ้น

• สามารถนำไปใช้ในผลิตภัณฑ์ได้อย่างถูกกฎหมายหรือไม่ — MiniCPM-V 4.7 1B, Apache 2.0, วันนี้. SingVL_S1_4B, ไม่ได้, จนกว่าจะมีสัญญาอนุญาตปรากฏขึ้น.

• สามารถรันในสภาพแวดล้อมเดียวกับที่ผลิตภัณฑ์รันได้หรือไม่ — MiniCPM-V 4.7 1B บนโทรศัพท์และซิลิคอนสำหรับอุปกรณ์ปลายทาง ส่วน SingVL_S1_4B บนเซิร์ฟเวอร์ GPU ที่คุณดำเนินการ

• มันส่งคืนสิ่งที่ไปป์ไลน์ต้องการหรือไม่ — SingVL_S1_4B หากคำตอบเป็นป้ายกำกับและค่าความเชื่อมั่น; MiniCPM-V 4.7 1B หากเป็นข้อความ โครงสร้าง หรือคำอธิบาย

• มีตัวใดตัวหนึ่งได้รับการพิสูจน์อย่างอิสระหรือไม่ — ไม่มี ตัวเลขทั้งสองชุดเป็นของผู้ขายเอง MiniCPM-V 4.7 1B มีการใช้งานโดยบุคคลที่สามมาแล้วสี่สัปดาห์ ส่วน SingVL_S1_4B มีสองวันและมียอดดาวน์โหลดเป็นศูนย์

• ฉันจะประเมินตัวไหนก่อน — MiniCPM-V 4.7 1B เพราะการลองไม่มีค่าใช้จ่าย และไม่สามารถตัดออกได้เพียงจากเอกสาร จากนั้นจึงเป็นรูปแบบการตัดสินใจกับ endpoint ที่ให้บริการแล้ว และหลังจากนั้นเท่านั้นจึงจะเป็น checkpoint ใหม่ หากรูปแบบนั้นคุ้มค่ากับตัวเอง

การจัดอันดับนั้นไม่ใช่คำตัดสินเกี่ยวกับโมเดลขนาด 4.5 พันล้านพารามิเตอร์ มันเป็นคำกล่าวเกี่ยวกับสิ่งที่การเปิดตัวที่ไร้สัญญาอนุญาต ไร้เปเปอร์ และไร้ประกาศ สามารถเรียกร้องจากคนนอกได้ ซึ่งมีไม่มากนัก ชิ้นงานนี้มีอยู่จริงและการออกแบบก็น่าสนใจ ทั้งสองอย่างเป็นจริงได้ ในขณะที่คำตอบต่อคำถามว่า "เราควรใช้มันไหม" ยังคงเป็น "ไม่" ไปอีกระยะหนึ่ง