UI-Venus-2-9B: وكيل الواجهات الرسومية (GUI) من Ant Group بحجم 9B صدر دون ورقة بحثية، ودون إعلان، وبأرقام تقارب مستوى SOTA

نُشر UI-Venus-2-9B على Hugging Face في 26 أغسطس 2026 مع غياب كل ما يرافق عادةً إطلاق نموذج. لا منشور إعلاني. لا بيان صحفي. لا تقرير تقني — شارة arXiv في ملف README تشير إلى رابط مؤقت، وكتلة الاستشهاد تحمل عبارة صريحة: TODO: حدِّث معرّف arXiv بمجرد نشر تقرير UI-Venus-2. رابط صفحة المشروع مؤقت أيضًا. وفي وقت كتابة هذا النص، لم يكن للمستودع أي تنزيلات، ولم يحصل سوى على إعجاب واحد، والشرائح الأربع بصيغة safetensors الموجودة داخله تصف وكيل واجهات رسومية (GUI) متعدد الأغراض يهزم، وفقًا لبطاقة النموذج الخاصة به، Q​wen3.6-27B على AndroidWorld وOSWorld-Verified، ويهزم Claude Opus 4.6 على WebVoyager، ويهزم O​penAI Operator على Online-Mind2Web، ويخفض معدل نجاح هجمات OSBlind من أكثر من 90% المعتادة في الوكلاء الرسوميين السابقين إلى 18.5%. وتنسب بطاقات نماذج InclusionAI هذه العائلة إلى فريق Venus التابع لـ Ant Group، ما يجعل هذا دخول Ant Group الهادئ إلى سباق استخدام الحاسوب مفتوح الأوزان — وأهدأ ما في الأمر أنه لم تتم إعادة إنتاج أيٍّ من هذه الأرقام بشكل مستقل بعد.

ما الذي تم شحنه فعليًا

يُسمى المستودع inclusionAI/UI-Venus-2-9B، وهو موسوم بأنه image-text-to-text مع qwen3_5 كوسم معمارية. النموذج هو 9 مليارات معامل مُهيأ من Q​wen3.5-9B، ومُصدَر تحت رخصة Apache-2.0 بصيغة BF16. وهو وكيل أساسي لواجهات المستخدم الرسومية: يراقب الواجهة، ويحلل حالة المهمة، وينفذ إجراءً، ويدمج التغذية الراجعة الناتجة في القرار التالي — حلقة مغلقة من المراقبة–التحليل–التنفيذ–التغذية الراجعة، والتي تقول البطاقة إنها مُدرَّبة لتغطية تطبيقات الهاتف المحمول، ومنصات الويب، وأنظمة تشغيل سطح المكتب في نقطة تفتيش واحدة.

• المعلمات — 9B، مهيأة من Q​wen3.5-9B، BF16، أربعة أجزاء.

• الترخيص — Apache-2.0.

• السياق — استدعاء vLLM الرسمي يحدد --max-model-len 262144 (256K رمزًا)، وهو مقدار سجل لقطات الشاشة الذي يمكن للوكيل الاحتفاظ به في حلقة واحدة.

• الخدمة — دعم من الدرجة الأولى لـ vLLM مع نقطة نهاية متوافقة مع OpenAI وعلامة --reasoning-parser qwen3، مما يعني أن النموذج يصدر رموز التفكير قبل إجراءه، بأسلوب Qwen3.

• Reach — تدّعي البطاقة أنها توفر تغطية تدريبية لأكثر من 170+ تطبيق جوال متعدد اللغات (100+ صيني، 70+ إنجليزي)، و50k+ موقع ويب حي، وأنظمة تشغيل سطح المكتب الأصلية مع 50+ تطبيق احترافي.

تفاصيل محلل الاستدلال (reasoning-parser) أهم مما تبدو عليه. وكيل واجهة رسومية يفكر قبل أن يتصرف ليس جديدًا، لكن إطلاق واحد يتصل بـ vLLM القياسي مع واجهة متوافقة مع O​penAI ومحلل استدلال Qwen الجاهز يعني أن قصة التشغيل مملة بالمعنى الجيد — أمر واحد ويكون جاهزًا، وهو أمر ناضج بشكل غير معتاد لنموذج أُنشئ بالأمس.

الأرقام، وما هي ليست

كل ما يلي مُبلَّغ عنه من قِبل البائع. بطاقة النموذج تنشر جداول مقارنة مع خطوط أساس قوية منشورة، والصف الذي يقرأ بشكل أفضل لـ UI-Venus-2-9B هو AndroidWorld 80.2 — أعلى من Q​wen3.6-27B عند 70.3، وMAI-UI-8B عند 70.7، وGUI-Owl-1.5-32B-Instruct عند 69.8. على OSWorld-Verified يسجّل النموذج 9B رقم 70.8، متقدماً مرة أخرى على Q​wen3.6-27B عند 62.0 لكن خلف Kimi K2.6 عند 73.1. وفي التنقّل عبر الويب، تسرد البطاقة WebVoyager 90.8، أعلى من Claude Opus 4.6 عند 88.0 وSeed-2.0 عند 85.1، وOnline-Mind2Web 74.0 مقابل 61.3 لـ O​penAI Operator.

المقارنة الداخلية الأكثر لفتًا للنظر هي مقارنة النموذج بقاعدته الأصلية. على DeskCraft، حقق UI-Venus-2-9B درجة 48.0 بينما حقق Q​wen3.5-9B الذي بُني عليه درجة 14.6 — أي قفزة بمقدار 33.4 نقطة، وهي الحجة الكاملة لوصفة التدريب، ويتكرر الأمر في CAPTCHA: MCA-Bench 75.7 مقابل 30.4 للقاعدة، وNextGen-CAPTCHAs 47.6 مقابل 2.8. أرقام CAPTCHA تستحق التوقف عندها بمفردها، لأنها أوضح دليل على أن النموذج صُمم للعمل على مواقع ويب حقيقية ومعادية للإنتاج بدلًا من صفحات المعايير النظيفة.

• موبايل — AndroidWorld 80.2, MobileWorld 65.8, VenusBench-Mobile 46.5.

• استخدام الكمبيوتر — OSWorld-Verified 70.8، DeskCraft 48.0.

• الويب — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys 77.3.

• إرساء واجهة المستخدم الرسومية — ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5, UI-Vision 53.2.

• CAPTCHA — Spatial-CAPTCHA-Bench 42.8، MCA-Bench 75.7، NextGen-CAPTCHAs 47.6، OpenCaptcha 50.7.

• الأمان — معدل نجاح هجوم OSBlind 18.5%، مقابل 73.0 لدى Claude 4.5 Sonnet و93.3 لدى GPT-4o على نفس البطاقة.

الوصفة: خمس عائلات من المهام، ثلاث مراحل

خط أنابيب التدريب الذي تصفه البطاقة هو السبب وراء كون فروقات النموذج الأساسي كبيرة جدًا. يتم تدريب UI-Venus-2 على مزيج متكامل عمدًا من خمس عائلات مهام — Grounding، CAPTCHA، Mobile، Web، Computer — عبر ثلاث مراحل. أولًا، تدريب وسيط متعدد الوسائط قائم على المسارات على نطاق واسع عبر بيئات محاكاة للجوال والويب وأنظمة التشغيل، مع تحقق تعاوني بين الإنسان والمميِّز لتصفية التفاعلات غير الصالحة، بالإضافة إلى إشراف مُولَّد برمجيًا لـ Grounding وCAPTCHA. ثانيًا، تعلم تعزيزي غير متصل على مستوى الخطوات لمهام Mobile وOS وWeb يعمل على تحسين اختيار الإجراءات المدرك للحالة، مع تضمين أمثلة موثقة لـ CAPTCHA وGrounding في واجهات واقعية لتعليم التحديد الدقيق تحت الفوضى البصرية. ثالثًا، تقطير متعدد المعلّمين على السياسة يدمج معلّمين متخصصين في مجالاتهم في سياسة موحدة.

طبقة التحقق هي الجزء الأكثر تميزًا. يُقيَّم إنجاز المهمة بناءً على نقاط بصرية رئيسية مرتبطة بالمهمة بدلًا من فحص سطحي للشاشة النهائية، وتصوّت نماذج متعددة لتجميع حُكّام غير متجانسين — وهو تصميم يهدف إلى جعل إشارة المكافأة في التعلم المعزز قوية أمام اختراق نظام المكافآت. ثم تُقطَّر التغذية الراجعة المُتحقَّق منها إلى التدريب بوصفها إشرافًا تأمليًا، فتمكّن الوكيل من التمييز بين التقدم الجزئي والاكتمال الحقيقي والتعافي أثناء التفاعل طويل المدى. لا شيء من هذا مُتحقَّق منه باستقلالية، والبطاقة لا تقدم أي نتائج مُعاد إنتاجها يمكن الإشارة إليها — إنه الادعاء الذي من المفترض أن تدعمه الورقة.

العائلة، والارتباط بمجموعة Ant Group

UI-Venus-2-9B هو الجيل الثالث من عائلة ظلت inclusionAI تطرحها بهدوء طوال الوقت. ظهر التقرير الفني الأصلي لـ UI-Venus في أغسطس 2025 مع نقطتي تفتيش 7B و72B؛ تلاه UI-Venus 1.5 في فبراير 2026 مع متغيرات 2B و8B و30B-A3B. قسم الاقتباس على البطاقة الجديدة ينسب الفضل إلى "فريق فينوس، Ant Group"، وهي الطريقة التي تُذكر بها علاقة inclusionAI بـ Ant Group على لسانها — إنه مختبر الذكاء الاصطناعي لـ Ant Group ينشر باسم inclusionAI. الرهان التأسيسي للعائلة هو أن وكيل الواجهة الرسومية يجب أن يعمل من البكسلات وحدها: مراقبة الشاشة عبر لقطات الشاشة بدلاً من أشجار DOM أو XML إمكانية الوصول أو تفريغات واجهة المستخدم، وهذا ما يجعله قابلاً للنقل إلى الشريحة الواسعة من تطبيقات الهاتف المحمول الصينية والإنجليزية التي لا تعرض أي بيانات واجهة مستخدم منظمة. إطار عمل فينوس المصاحب، من GitHub الخاص بالعائلة، يقود أتمتة أندرويد ويدعم التحكم المتوازي في أجهزة متعددة.

ما لا نعرفه بعد

القراءة الصادقة لهذا المستودع هي أن الفجوة بين الادعاءات والأدلة ما تزال واسعة. لا يوجد تقرير تقني عام لـ UI-Venus-2 — الشارة مجرد عنصر نائب، والملف README يقول إن التقرير «غير عام» — لذا فإن جداول المعايير تبقى أرقامًا من البائع نفسه دون وثيقة منهجية ودون إعادة تشغيل مستقلة. لا توجد صفحة مشروع حية. لا يوجد إعلان رسمي، مما يعني عدم وجود تسعيرة رسمية، ولا واجهة برمجة تطبيقات مستضافة، ولا خارطة طريق مؤكدة. جداول البطاقة نفسها تذكر مرارًا طراز UI-Venus-2-27B — 84.0 على AndroidWorld، و80.5 على OSWorld-Verified، و12.3 على OSBlind — وهو غير موجود على Hugging Face حتى وقت كتابة هذا النص، لذا فإن النموذج الرائد للعائلة يُشار إليه دون أن يُطرح. ومع عدم وجود أي تنزيلات بعد، لم يشغّل أحد خارج المختبر نقطة التحقق هذه حتى الآن.

كيف ستشغّله فعليًا

على الرغم من كل المجهولات، فإن الشيء الوحيد الملموس هو تقديم النموذج (serving). توثّق البطاقة أمر vLLM واحدًا يُشغّل النموذج بنافذة سياق تبلغ 256K وواجهة برمجة تطبيقات متوافقة مع O​penAI:

vllm serve inclusionAI/UI-Venus-2-9B --port 8000 --tensor-parallel-size 1 --max-model-len 262144 --reasoning-parser qwen3

هذا يجعل المسار العملي هو الاستضافة الذاتية — تُنزِّل الأوزان، وتُشغِّل vLLM، وتُوجِّه بيئة وكيلك إلى localhost. وهنا تحديدًا تبرِّر طبقة التوجيه وجودها في المكدس المحيط بدلًا من وكيل الواجهة الرسومية نفسه: النموذج الذي يكتب خطة المهمة، ونموذج الرؤية الذي يتحقق من حالة الشاشة، ونموذج النسخ الذي يسجِّل ما حدث — جميعها تعمل عبر OrcaRouter بسعر قائمة المزوّد مع هامش ربح 0% وتبديل تلقائي عند الفشل، لذا يمكنك إنشاء نموذج أولي بالاعتماد على نموذج صدر قبل يوم واحد دون أن تراهن عليه بخط إنتاجي. وفي اليوم الذي يصل فيه checkpoint لوكيل واجهة رسومية من هذا القبيل إلى مزوّد موجَّه، سيظهر بسعر قائمة المزوّد مع نفس التمرير المباشر، وتنعكس تخفيضات أسعار البائع على جانبنا في اليوم نفسه. وحتى ذلك الحين، فإن أوزان Apache-2.0 هي القصة كلها.

ماذا تشاهد بعد ذلك

ثلاثة أمور ستحدد ما إذا كانت هذه السفينة الهادئة ستتحول إلى خبر: ما إذا كان نموذج UI-Venus-2-27B الذي يملأ جداول البطاقة سيظهر فعليًا على Hugging Face، وما إذا كان سيحمل معه رقم OSBlind 12.3، وما إذا كان التقرير الفني سيُنشر ويصمد أمام أول إعادة إنتاج مستقلة، وما إذا كانت مجموعة Ant Group ستقرر أن المرحلة الهادئة قد انتهت — لأن وكيلًا مفتوح الأوزان بحجم 9B مع أرقام الجداول هذه وسياق 256K ليس شيئًا سيظل عند صفر تنزيلات لفترة طويلة.