SingVL_S1_4B 對比 MiniCPM-V 4.7 1B：45.4 億參數且無授權

這場對決中最有用的數字，不在任何一方的模型卡上。它是 15.5 億：MiniCPM-V 4.7 1B的張量總量；這是 OpenBMB 於 2026 年 10 月 12 日在 Apache 2.0 授權下發布的裝置端視覺模型，GGUF、AWQ、GPTQ、int4 與 FP8 版本皆已發布，並已移植到 iOS、Android 與 HarmonyOS。與之相對的是SingVL_S1_4B，這是 inclusionAI 的 45.4 億參數決策模型，於 2026 年 11 月 11 日上傳，沒有公告、沒有授權檔案，也沒有任何量化變體。權重大約是它的三倍，卻落在手機記憶體預算的錯誤一側，從事的工作大多也不是同一回事。無論如何，這項比較仍值得做，因為它揭露出規格表無法回答的一個問題：模型除了輸出之外，還欠你什麼？

每個模型會回傳什麼，以及因此它能存在於何處

MiniCPM-V 4.7 1B 是傳統意義上的指令微調多模態模型。它能讀取單張影像、多張影像或影片，並產生答案——包括圖說、轉錄、視覺問答與多輪對話。OpenBMB 為它推出專用的 DSpark 推測解碼頭，於模型發布三天後釋出，並在 SGLang、vLLM、llama.cpp 與 Ollama 上支援它，同時可透過 SWIFT 與 LLaMA-Factory 進行微調。另有線上示範空間與公開 cookbook。上述每一項都是讓廠商以外的人實際運行該模型的管道。

SingVL_S1_4B 不會生成。你交給它一個狀態——文字、JSON、最多四張圖片——以及一組帶有宣告型別的具名問題，它會針對你提供的每個選項回傳機率。Choice 會挑選一個候選項，noul 回傳一個是/否命題成立的機率，score 回傳二到十個有序等級上的分布，外加一個期望等級。一次前向傳遞，不取樣，不生成自然語言文字。該儲存庫自帶的快速入門會在 8173 埠啟動 FastAPI 伺服器，並將 JSON POST 到 /v1/systemone。

所以，部署問題在基準測試問題被提出之前就已自行解答。MiniCPM-V 4.7 1B 有與 ONNX 相鄰的布局、手機移植版與晶片廠商支援，因為它從設計上就是要放在裝置上。SingVL_S1_4B 有 Python 伺服器，因為它從設計上就是要放在某人所擁有的 GPU 上。如果你的產品要出貨的是應用程式，那麼其中之一是元件，另一個則是服務依賴。

效率就是其中一方的全部論點

OpenBMB 的 1B 變體存在，是為了在效能與推論時間的曲線上佔據一個位置，而模型卡明確指出，這項主張（而非原始準確率）才是重點。此架構以兩種方式取得該定位：取自 LLaVA-UHD v4 系列的 ViT 內部早期壓縮，會在視覺編碼器內精簡視覺 token，讓後續層的工作量減少；以及混合 4x/16x 視覺 token 壓縮，讓呼叫端能依任務在細節與成本之間取捨。在此之上，還有 DSpark 推測頭，以及一份明列的首日支援清單，涵蓋從 Rockchip、Houmo 到 Intel、AMD 與 Arm。

廠商實際上針對這個變體所公布的比較對象是 Qwen3.5 0.8B：依廠商自身測量，在 Instruct 模式下有更好的整體分數與更好的推論效率。這是來自打造該模型之同一實驗室的狹隘宣稱，而這正是產品所圍繞的宣稱。

SingVL_S1_4B 完全沒有提出任何效率主張。這份模型卡並未報告延遲、輸送量、記憶體佔用量或每秒 token 數。它間接報告的，是一種應該能在不同任務上展現效率的設計：一次前向傳遞就能回傳請求中每個問題的每個答案，而生成式模型每輸出一個 token 就需要一次傳遞。對於五選項分類，這是很大的結構性優勢。對於圖說則不是比較，因為根本沒有圖說。

值得指出的是：設定把輸入契約固定為「所有輸入都在第一個答案之前；單輪；不思考」，而 README 指出文字為 65,536 個輸入 token，或含圖片時為 10,000 個。能在手機上運行的 1B 模型，和需要 10,000 token 圖片預算的 4.5B 模型，是在解決不同的限制條件。這兩個數字都沒有錯；它們是對不同問題的回答。

授權差距是這項比較中落差最大的部分

MiniCPM-V 4.7 1B 採用 Apache 2.0。這不是行銷細節——這正是其周邊生態系得以存在的原因。發布後四週內，就出現了來自多個發布者的社群 GGUF 量化版本、一個 MNN 移植版、一個 Rockchip RKLLM 版本、一個 NPU 版本、一項 ComfyUI 整合，以及 Hub 上至少一個微調模型。若授權不明確，這些都不可能發生，因為那些人全都無法重新發佈權重。

SingVL_S1_4B 的模型卡中繼資料沒有授權欄位，儲存庫中也沒有 LICENSE 檔案。在預設著作權規範下，這意味著 inclusionAI 以外的任何人，都無權重新散布它、將其量化並發布結果，或在沒有另行協議的情況下把它隨產品出貨。該組織已發布許多附有明確條款的模型——LemonDecider 採用 Apache 2.0，SingProbe 系列採用 Qwen 的社群授權——因此這項遺漏看起來像是尚未完成的發布，而非刻意設下的限制。但解讀並不等于授權。

實際後果是：凡是會牽涉到客戶、採購流程或應用程式商店的場景，MiniCPM-V 4.7 1B 這週就能派上用場，而 SingVL_S1_4B 還不行。光是這一行，就比兩張卡上任何一列基準測試成績更能左右真實的部署決策。

不得放在同一欄的基準

這裡沒有共通的衡量尺規，值得把原因說清楚，而不是彼此互抛數字。

MiniCPM-V 4.7 1B 的評測結果以圖表形式發布——包括整體效能比較、效能對推論時間的前緣——而非模型卡中的逐資料集表格。數字確實存在，其呈現框架具比較性且視覺化，而主要宣稱是定位性的：在前緣上優於 Qwen3.5 0.8B。

SingVL_S1_4B 公布了一張密集表格：在 Decision Index 的文字面板上為 69.76，在視覺面板上為 73.94，並逐一列出全部四十三個文字資料集與十一個視覺資料集。這些分數來自對提供的選項進行評分並取最大機率，這比生成自由形式的答案供評分器比對要容易得多；而 Decision Index 明確表示，其數字經過機率校正與覆蓋率調整，因此亂猜得不到任何分數。

把「73.94 vision」放在 MiniCPM-V 的前沿圖表旁，會是包裝成比較的範疇錯誤。唯一誠實的說法是：這兩組數字都是廠商自行回報，皆未經中立實驗室重現；而 SingVL_S1_4B 的數字還已是兩天前的資料，且尚未提交至 Decision Index 的公開重現套件——卡片上附有提交說明，這顯示的是意圖，而非結果。

1B 模型自身數字變得有趣之處

SingVL_S1_4B 的 Decision Index 細項比其總合更具揭示性，而它恰好描述出 1B 模型也競逐的任務概況。在文件式視覺工作上，SingVL_S1_4B 在 InfographicVQA 回報 96.31，並在 CORD-plus-FUNSD 關鍵資訊集上回報 95.82。在高難度學術推理上，它在 MMMU-Pro 視覺回報 50.17，並在 R-Bench-M 回報 49.77。Moderation 為 71.64，並在技能提示下降至 43.28。

那個輪廓——擅長版面與文件擷取、不擅長審慎推理、在主观判斷上對提示框架敏感——正是你對一個 4.5B 分類器（配備視覺編碼器且沒有生成步驟）會有的預期，而它也對應到 MiniCPM-V 4.7 1B 所主打的一樣工作：文件、螢幕、裝置端 OCR。因此，這兩個模型在任務上確實重疊，儘管它們的輸出形態不同。團隊真正面對的問題是：它需要的是擷取出的值，還是擷取出的答案。

如果管線需要的是欄位、數字、標籤——SingVL_S1_4B 的輸出就已經是你想要的東西，你可以跳過解析。如果管線需要的是將頁面以保留結構的方式呈現為文字，或需要解釋該欄位為何有歧義，MiniCPM-V 4.7 1B 是兩者中唯一能產出這些的模型。

中間路線，以及它的代價

這兩個方案都不必在第一天就成為架構上的承諾，而較便宜的那個實驗並不是顯而易見的選項。MiniCPM-V 4.7 1B 可在筆記型電腦上執行，因此測試它只需花一個下午，別無其他成本。SingVL_S1_4B 光是要測試就得付出 GPU 與 9.1 GB 下載的成本，而且其授權狀況意味著，這項測試若要成為部署，就得先展開一場對話，而 inclusionAI 目前沒有人公開進行這樣的對話。

如果你想知道的是，具型別決策評分究竟對你的任務有沒有幫助——在你投入資源託管新的檢查點之前——這個模式已經可以直接呼叫。OrcaRouter 提供 TypeSafe Jev 1.14，價格為每百萬輸入 token 0.042 美元並與同一把金鑰上的 200 多個其他模型並列，供應商列表價格以 0% 加成原樣轉嫁，且若供應商中斷會自動容錯移轉。這讓你有一個可用的決策端點，能以你自己的標籤做基準測試，並與你會保留來處理其他所有事項的生成式模型並列。SingVL_S1_4B 不在 OrcaRouter 上，而且任何地方都沒有它的託管端點，所以這裡沒有任何內容是在聲稱它可用；重點是，設計問題和供應商問題可以分開，而且只有其中一個需要 GPU。

誠實的摘要，依照決策制定的順序

• 它能否合法地用於產品中——MiniCPM-V 4.7 1B，Apache 2.0，今天即可。SingVL_S1_4B，不行，要等到有授權出現為止。

• 它能否在產品實際運作的環境中運行——{{1}}MiniCPM-V 4.7 1B{{/1}}，在手機與邊緣晶片上。{{2}}SingVL_S1_4B{{/2}}，在你自行營運的 GPU 伺服器上。

• 它是否回傳管線所需的內容——若答案是標籤與信心分數，則使用 SingVL_S1_4B；若答案是文字、結構或說明，則使用 MiniCPM-V 4.7 1B。

• 兩者是否有任何一方經過獨立驗證——沒有。這兩組數字都來自廠商。MiniCPM-V 4.7 1B 已有四週的第三方使用紀錄；SingVL_S1_4B 則只有兩天，且下載次數為零。

• 我會先評估哪一個——MiniCPM-V 4.7 1B，因為試用不需要成本，也不能在書面審查上被排除。接著是針對已部署端點驗證決策模式，最後才是新檢查點，前提是這個模式能證明划算。

那個排序並不是對這個 45 億參數模型的評判。它是在說明：一個沒有授權、沒有論文、也沒有公告的發布，能向一個陌生人要求些什麼——而能要求的並不多。這個成品確實存在，設計也很有趣；這兩件事可以同時為真，而「我們該不該用它」的答案，在接下來一段時間裡仍然會是否定的。