WeVisOne-VL-2B مقابل UI-Venus-2-9B: فجوة الحجم التي يخفيها الاسم

تسعة مليارات من المعاملات ليست ما توحي به المقارنة. فبالصيغة التي يكتب بها معظم الناس — WeVisOne-VL-2B vs UI-Venus 2.9B — تبدو الثنائية كنموذجين بصريين صغيرين بالحجم نفسه تقريبًا، في مواجهة عادلة بين نقطة حفظ جديدة بحجم 2B من فريق WeChat Vision التابع لـ Tencent وشيء أكبر قليلًا من inclusionAI التابع لـ Ant Group. النصف الثاني من هذا الافتراض غير صحيح. إن UI-Venus-2-9B هو UI-Venus 2 بـ 9 مليارات معامل، مُهيأ ابتداءً من Qwen3.5-9B؛ والـ"2" تشير إلى الجيل، لا إلى الحجم. أما WeVisOne-VL-2B، الذي نُشر على Hugging Face في 22 أكتوبر 2026، فهو 2 مليار معامل على بنية Qwen3-VL الأساسية. لذا فالمقارنة الحقيقية هي مع نموذج أصغر بأربع مرات ونصف، على جيل أقدم من البنية الأساسية، ويقدّم نوعًا مختلفًا تمامًا من الإجابات.

وصل أيضًا دون إطلاق. هناك مستودع على Hugging Face، ومستودع على GitHub يحمل إيداعًا أوليًا واحدًا، وورقة على arXiv، وصفحة مشروع بحثي — ولا إعلان من الجهة المورّدة، ولا منشور مدوّنة، ولا صفحة تسعير تربط بينها. وهذا يشكّل ما يمكن لهذا المقال أن يفعله بأمانة. فالأوزان والبنية ونص الترخيص وجداول الورقة قابلة للتحقق اليوم. أما التقييم المستقل والإنتاجية وزمن الاستجابة والسعر فليست كذلك، لأن أياً منها غير موجود بعد. لا تنشر بطاقة نموذج Tencent أي أرقام معيارية على الإطلاق؛ وكل درجة تُنسب إلى WeVisOne-VL-2B أدناه تأتي من جداول المهام السبع الخاصة بمؤلفيها أنفسهم وتُوسم بهذه الصفة. أما UI-Venus-2-9B فهو أقدم وأفضل توثيقًا، لكن أرقامه هي تمامًا كما أبلغ عنها أصحابها.

ما الذي يصفه الاسمان فعليًا

WeVisOne-VL-2B هو نموذج إدراك. أعطِه صورة وعبارة، وسيعيد لك هندسة: مربع إحاطة، أو نقطة، أو عددًا، أو قناعًا ثنائيًا، أو مات ألفا متصلًا. يصدر جانبه اللغوي الإحداثيات كرموز مخصصة تمتد من <0> إلى <1000>، ومطبعة على الصورة، ويغلق كل مربع في المهام الكثيفة برمز <OBJ> خاص عند المعرّف 152,678. تلك الرموز مجرد علامات حتى يقرأ mask_decoder.pt الحالة المخفية التي تقف خلفها — وهو عنصر مطلوب ذو 9,511,460 معاملًا، يُشحن كملف ثانٍ، وتصفه البطاقة بأنه "مكوّن أساسي مطلوب، وليس إضافة اختيارية." بدونه تحصل على مربعات. ومعه تحصل على أقنعة وmat alpha بخطوة 1.

UI-Venus-2-9B وكيل. سلّمه لقطة شاشة ومهمة، وسيعيد إجراءً: النقرة التالية أو النقر أو ضغطة المفتاح، إضافة إلى رموز الاستدلال التي أنتجته، ضمن حلقة مغلقة من الملاحظة والاستدلال والفعل. دُرِّب على التفاعل المعتمد على لقطات الشاشة فقط عبر الإسناد، وCAPTCHA، والجوال، والويب، واستخدام الحاسوب، وتقرن وصفة vLLM المنشورة له الحد الأقصى لطول النموذج البالغ 262,144 بمحلل استدلال Qwen3 لأن أثر الاستدلال يظهر قبل كل إجراء.

ضع الاثنين جنبًا إلى جنب، وسيظهر عدم التطابق على الفور:

• ما الذي يعود — مربعات ونقاط وأعداد وامتدادات OCR وأقنعة وalpha mattes من WeVisOne-VL-2B؛ إجراء شاشة واحد مع مسار الاستدلال الخاص به من UI-Venus-2-9B.

• المعاملات — 2B لـ WeVisOne-VL-2B بالإضافة إلى مفكك الترميز المنفصل بحجم 9.5M؛ و9B كثيف لـ UI-Venus-2-9B، أي نحو 4.5 أضعاف حجم الأوزان.

• العمود الفقري — Qwen3-VL لـ WeVisOne-VL-2B، 28 طبقة نصية بحجم مخفي 2,048؛ Qwen3.5-9B لـ UI-Venus-2-9B. أجيال مختلفة، ومكدسات نصية مختلفة.

• الأوزان على القرص — bfloat16 لكليهما، لكن نحو 4GB للطراز 2B مقابل أربعة أجزاء BF16 بإجمالي نحو 18.8GB للطراز 9B.

• سقف السياق — 262,144 موضعًا لكلٍّ منهما، كما هو مقروء من إعدادات WeVisOne-VL-2B ومن أمر التشغيل الخاص بـ UI-Venus-2-9B. لا يُظهر أيٌّ من المورّدين استخدام أي شيء مماثل له.

• الأدلة المنشورة — سبعة جداول مهام في ورقة Tencent ولا شيء منها على بطاقة النموذج؛ وقائمة طويلة من معايير القياس الخاصة بالمورّد على بطاقة inclusionAI ولا توجد جداول في الورقة.

• الترخيص — Apache 2.0 للشيفرة التي ألّفتها Tencent؛ «بانتظار التأكيد النهائي» لأوزان UI-Venus-2-9B.

النتيجة العملية هي أنه لا يمكنك استبدال أحدهما بالآخر، وأي مقال يقدّم لك فائزًا إنما يجيب عن سؤال لم تطرحه. نموذج إدراكي يعيد قناع عزل مثاليًا يظل عاجزًا عن الضغط على زر. وكيل يتنقل في تطبيق بإتقان تام يظل عاجزًا عن تسليمك العنصر المقتطع الذي أردته للقطة منتج.

الحجة المؤيدة للنموذج الأصغر أقوى مما توحي به المقارنة بين 2B و9B.

الغريزة عند رؤية نموذج 2B بجانب نموذج 9B هي أن الصغير هو الحل الوسط الاقتصادي. أما فيما يتعلق بالعمل الذي دُرّب عليه، فورقة Tencent ترى خلاف ذلك، وإحدى نتائجها هي نفسها تحتج ضد إصدارها الأكبر. جميع الأرقام هنا هي أرقام المؤلفين أنفسهم، وشُغّلت بواسطة المؤلفين، ولم يُعِد إنتاجها أحد.

• الكشف بدون أمثلة — متوسط F1 قدره 55.2 على COCO، و53.3 على LVIS، و61.4 على Dense200، و40.4 على VisDrone. أما النموذج الأساسي Qwen3-VL-2B فيسجل 45.2 و40.8 و10.0 و23.1 في الجدول نفسه. والفجوة في Dense200 هي الجديرة بالملاحظة: ستة أضعاف النموذج الأساسي في المشاهد المزدحمة.

• العدّ — تطابق تام عند 90.9 و88.1 على تقسيمي PixMo-Count، لكن 27.5 و26.9 على CLOC، و29.5 و32.4 على KubriCount، و47.9 على CountQA. العدّ ليس مهارة واحدة، وهذا التشتت هو أصدق ما في الورقة.

• توطين OCR — متوسط F1 قدره 30.5 على HierText، و42.6 على ICDAR2015، و42.5 على TotalText، و62.1 على SROIE، عند عتبة IoU قدرها 0.5. هذه درجات توطين مرفقة بإحداثيات، وليست دقة نسخ، لذا فهي غير قابلة للمقارنة برقم OCRBench الذي يُذكر عادةً لنماذج VLM الاستهلاكية.

• التجزئة بالإشارة — 79.7 IoU تراكمي على تحقق RefCOCO، و73.1 على RefCOCO+، و74.4 على RefCOCOg، و60.9 gIoU على ReasonSeg.

• استخراج القناع القابل للتوجيه بالمطالبات — 6.6 متوسط فرق مطلق على P3M-500-NP باستخدام مطالبة بصندوق مقابل 15.4 لـ SAM2-Matting؛ و5.7 مقابل 12.1 على AM-2K؛ و15.8 مقابل 23.0 لمسار Qwen3-VL-8B مع SAM2-Matting على تقسيم الإحالة WeRefMat الأصعب. الأقل أفضل في كل الحالات.

نتيجة إزالة الخلفية هي الموضع الذي تنقلب فيه حجة الحجم. في اختبار P3M-500-NP نفسه القائم على الموجه الصندوقي، تسجل نسخة 2B درجة 6.6 بينما تسجل نسخة 4B الشقيقة من Tencent درجة 7.3. النموذج الأصغر هو الأفضل في إزالة الخلفية بين الاثنين، ولا تشرح Tencent السبب، ومع ذلك تنشر الورقة ذلك. إذا كانت مهمتك تقتطع الكائنات من الصور، فإن أرخص نسخة في العائلة ليست تراجعًا في المستوى — بل هي حاليًا الخيار الأفضل من حيث القياسات.

ما لا تُظهره الورقة يستحق المعرفة بالقدر نفسه. لا يوجد أي MMMU، ولا MMBench، ولا DocVQA، ولا أي معيار تقييم للتسميات التوضيحية في أي مكان ضمن الجداول السبعة، ويعترف قسم القيود بأن بيانات التدريب المحدودة للأغراض العامة «قد تُضعف القدرات العامة مقارنةً بالنموذج الأساسي». وقد يكون الضبط الدقيق الذي جعله جيدًا في الإدراك قد جعله مساعدًا عامًا أسوأ، ولا شيء في الإصدار يختبر ذلك. كما لا يوجد أي إخراج لسلسلة التفكير، ولا ذاكرة متعددة الأدوار، ولا دعم للفيديو — إذ يرفض مُفكِّك الترميز البكسي شبكات الفيديو رفضًا قاطعًا.

المعيار الوحيد الذي سيحسم هذا الأمر غير موجود

ضع مجموعتي التقييم جنبًا إلى جنب، وسيتوقف عدم القابلية للمقارنة عن كونه تفصيلًا تقنيًا. النتائج الرئيسية لـ UI-Venus-2-9B هي معدلات نجاح الحالة النهائية في بيئة ما: AndroidWorld 80.2، وOSWorld-Verified 70.8، وWebVoyager 90.8، وOnline-Mind2Web 74.0، وMobileWorld 65.8 ضمن ميزانية الخطوات الافتراضية للبطاقة و75.2 عند 100 خطوة. تقيس هذه النتائج ما إذا كانت المهمة قد أُنجزت، وتطوي الإدراك والتخطيط والذاكرة واستعادة الأخطاء في رقم واحد.

أقرب شيء إلى محور مشترك هو إرساء واجهة المستخدم الرسومية — تحديد موقع عنصر واجهة صغير في لقطة شاشة عالية الدقة. تسجّل UI-Venus-2-9B قيمة 73.0 على ScreenSpot-Pro. ولا تُبلغ WeVisOne-VL-2B عن أي نتيجة على ScreenSpot-Pro، ولا على ScreenSpot-V2، ولا عن أي اختبار تقييم لواجهة المستخدم الرسومية من أي نوع، لا على بطاقة النموذج ولا في ورقتها ولا على صفحة مشروعها. وفي الاتجاه المقابل، تُبلغ WeVisOne-VL-2B عن تحديد مواقع OCR والإشارة الكثيفة، بينما لا تُبلغ UI-Venus-2-9B عن أيٍّ منهما.

ثمة تفصيل دقيق يجعل الاقتران الوارد في العنوان يبدو أغرب مما سبق. فـ inclusionAI تطرح بالفعل نموذجًا بحجم 2B مبنيًا على Qwen3-VL — هو UI-Venus-1.5-2B — وتُبلِغ بطاقته عن 57.7 على ScreenSpot-Pro، مقابل 68.4 لشقيقه 8B و69.6 للنموذج 30B-A3B. ذلك هو النظير الحقيقي المطابق في الحجم لـ WeVisOne-VL-2B، ضمن عائلة العمود الفقري نفسها، ومقاسًا على المعيار الوحيد الذي يهم كلا الخطين. غير أنه ببساطة ليس النموذج المذكور في هذه المواجهة.

الموقف الصادق هنا ضيّق. لا يوجد أي رقم منشور يقارن WeVisOne-VL-2B بـ UI-Venus-2-9B على أي مهمة، ولم يُشغّل أحد نموذج الإدراك بحجم 2B على مجموعة تأسيس واجهات رسومية. تشغيل WeVisOne-VL-2B على ScreenSpot-Pro هو القياس الغائب الأكثر فائدة في هذه المقارنة: فهو سيخبرك ما إذا كان متخصص الإدراك بحجم 2B يجد عناصر الواجهة بشكل أفضل أم أسوأ من وكيل بحجم 9B، وإلى أن يشغّله أحد، فإن أي ترتيب لهذين النموذجين في العثور على الأشياء إنما هو استقراء من البنية المعمارية.

ما الذي يفعله كل واحد منها عندما لا يكون العنصر موجودًا

سلوك الجسم الغائب هو حيث تفشل نماذج الإدراك بهدوء. اطلب طفاية الحريق في غرفة لا توجد فيها أي طفاية، وسيضع نموذج يجيب دائمًا مربعًا بثقة حول المدفأة — وفي خط معالجة آلي يصبح ذلك جسمًا مُهلوسًا في مكتبة أصول، أو نقرة خاطئة التوجيه في حلقة وكيل.

يجيب WeVisOne-VL-2B بـ None بدلًا من ذلك، وتُبلغ الورقة عن الرفض كمقياس خاص به إلى جانب الدقة. وعلى RefCOCOg، تُبلغ عن معدل رفض قدره 50.2 لاستعلامات الأجسام الغائبة، مقابل 0.5 لـ Rex-Omni-3B و0.6 لـ LocateAnything-3B في الجدول نفسه. هذا هدف تصميمي مختلف عن تعظيم الاستدعاء، وهو الرقم الذي يجعل نموذجًا صغيرًا صالحًا للاستخدام كمكوّن: فجزء هندسي يقول "غير موجود" آمن لتغذيته إلى مخطط، بينما جزء يختلق صندوقًا يفسده بصمت.

تأتي UI-Venus-2-9B إلى المشكلة نفسها من جانب الإجراء، بوراثة قدرة إرساء واعية بالرفض من سلسلة UI-Venus — فهي مدرَّبة على الامتناع عندما لا يكون العنصر المطلوب على الشاشة بدلًا من تخمين إحداثيات معقولة. ويُظهر جدول السلامة الخاص بها الأثر الذي تدّعيه: معدل نجاح هجوم 11.3% على OSHarm مقابل 25.3% لقاعدة Qwen3.5-9B، و48.8% على OSBlind مقابل 79.4%. كما توضح البطاقة صراحةً أن هذا لا يزيل خطر الإجراءات الضارة، وتوصي بتأكيد بشري إضافة إلى ضمانات على مستوى التطبيق. اختار الفريقان الامتناع على التغطية؛ ولم يُقَس هذا الاختيار بشكل مستقل لأيٍّ منهما.

تشغيل نموذج 2B بجانب نموذج 9B

العلاقة الصادقة بين هذين النموذجين ليست تنافسًا بل تسلسلًا. أحدهما يُرجع هندسة، والآخر يتصرف بناءً عليها. إذا كنت تبني نظام أتمتة للشاشة، فإن بنية معقولة تضع WeVisOne-VL-2B في المقدمة بوصفه المكوّن الذي يبلّغ عمّا يوجد وأين — صناديق، ونطاقات OCR، وأقنعة — وتضع UI-Venus-2-9B خلفه بوصفه المكوّن الذي يقرر ما يجب فعله. هذا تركيب، لا منافسة، وهو الإطار الوحيد الذي يصبح فيه هذا الاقتران منطقيًا من الناحية التشغيلية.

تجعل الذاكرة تلك التركيبة رخيصة على جهاز واحد. عند bfloat16 يبلغ العمود الفقري 2B نحو 4GB من الأوزان قبل وحدة فك الترميز، بينما يبلغ النموذج 9B نحو 18.8GB موزعة على أربع شظايا. يتسع كلاهما على بطاقة واحدة سعة 24GB مع مساحة متبقية للسياق؛ أما النموذج 2B وحده فيتسع على بطاقة سعة 8GB، وهي الحقيقة الأكثر إثارة للاهتمام. تتفق سقوف السياق عند 262,144 موضعًا، لكنها تعني أشياء مختلفة: يستخدم الوكيل السياق الطويل كذاكرة للحلقات، فيحتفظ بسجل من لقطات الشاشة، بينما تجري التقييمات المنشورة لنموذج الإدراك عند نحو 1,960 رمزًا بصريًا لكل صورة. إن نافذة 256K على نموذج أحادي الدور وصوري فقط هي سقف، وليست قدرة مُثبتة.

التكلفة هي حيث تتباين الأشكال. لا ينشر أي من المورّدين سعرًا لكل رمز، لذا فالتكلفة الحقيقية لكليهما هي ساعات GPU على عتاد تستأجره أو تملكه. يدفع الوكيل مقابل تمريرة أمامية بحجم 9B إضافة إلى رموز الاستدلال في كل خطوة، والحلقة الواحدة تتضمن خطوات كثيرة — وهو رقم لا يمكنك التنبؤ به من البطاقة. ويدفع نموذج الإدراك مقابل تمريرة بحجم 2B إضافة إلى تمريرة فك ترميز أمامية لكل صورة، والصورة الواحدة هي استدعاء واحد. مئة ألف صورة منتج هي حساب متوقع لكل صورة؛ أما مهمة المتصفح فليست كذلك.

هذا أيضًا هو الموضع الذي تثبت فيه طبقة التوجيه قيمتها بدلًا من أن تكون مجرد شعار. لا يوجد أي من النموذجين على OrcaRouter اليوم — فقد تحققنا من الكتالوج الحي البالغ 209 نموذجًا، وتذكر بطاقة WeVisOne-VL-2B أنه لا ينشره أي مزوّد استدلال على الإطلاق. وبالنسبة للنماذج التي نقدّمها فعلًا، فإن الخصائص المفيدة هي نقطة نهاية واحدة متوافقة مع OpenAI، وهامش ربح 0% مع تمرير سعر قائمة المزوّد كما هو دون تغيير، ولغة DSL للتوجيه تُركّب عدة استدعاءات للنماذج خلف واجهة واحدة، وتجاوز تلقائي عند الفشل. وبالنسبة لمعمارية من مسارين مثل المذكورة أعلاه، تكون لغة DSL هي المكان الذي يعيش فيه التركيب، وحيث يمكن تبديل أي من المسارين دون إعادة كتابة المستدعي. وفي اليوم الذي يتوفر فيه أي من هذين النموذجين لدى أحد المزوّدين، ستكون هذه أرخص طريقة لمعرفة ما إذا كان ينتمي إلى مكدسك التقني.

الترخيص، والسعر، وما لم يؤكده أحد

بطاقة WeVisOne-VL-2B تمنح ترخيص Apache 2.0 لـ«الشيفرة التي كتبتها Tencent في هذا المستودع»، وهي الإجابة المتساهلة التي تريدها معظم الفرق. لكن هناك تفصيل واحد يعقّد الأمر: يُبلّغ GitHub API عن ترخيص المستودع بوصفه "Other" دون معرّف SPDX. هذه العبارات ليست بالضرورة متعارضة — فالمكوّنات الخارجية تحتفظ بشروطها الخاصة — لكن هذا يعني أن ملف الترخيص يستحق القراءة قبل أن يقترب هذا من منتج بدل أخذ الشارة على ظاهرها.

بطاقة UI-Venus-2-9B هي البطاقة غير المحسومة. تنصّ على أن رخصة أوزان النموذج معلّقة بانتظار التأكيد النهائي وستُضاف قبل الإصدار العام، وأن إعلان Apache-2.0 السابق لم يُنقل عمدًا لأن مواد المصدر الأعلى تحتوي على بيانات ترخيص متعارضة. تلك الجملة موجودة على البطاقة منذ أغسطس ولم تتغير. وهي لا تمنع التقييم أو معظم الاستخدام الداخلي، لكن أي منتج خارجي مبني على تلك الأوزان يكون مبنيًا على سؤال مفتوح، ولا تغلقه أي درجة معيارية.

لا يمتلك أيّ من الطرازين سعرًا تحدّده الجهة البائعة. فلا يوجد لدى WeVisOne-VL-2B مزوّد استدلال ولا قائمة أسعار. كما لا يملك UI-Venus-2-9B نقطة نهاية تابعة للطرف الأول ولا تسعيرًا منشورًا من inclusionAI، لذا فإن أي مبلغ يتقاضاه مضيف خارجي هو رقم ذلك المضيف، وليس رقم الفريق.

أيّ واحد تختار

القرار وصفٌ وظيفي، وليس تصنيفًا.

• اختر WeVisOne-VL-2B إذا كانت الإجابة التي تحتاجها هندسية — صناديق إلى مسار التعليق التوضيحي، أو أقنعة لأداة تحرير، أو حشوات ألفا لصور المنتجات، أو أعداد في إطار كثيف، أو OCR مصحوبًا بالإحداثيات — وخصوصًا إذا كنت تحتاج إليه على عتاد صغير. فهو النموذج الوحيد هنا الذي يُرجع حشوة مات من موجّه نصي، ويتفوّق على نظيره الأكبر في إنتاج الحشوات، ورخصته هي المحسومة.

• اختر UI-Venus-2-9B إذا كانت الإجابة التي تحتاجها هي مهمة مكتملة: نموذج تمت تعبئته، أو تطبيق تم التنقل فيه، أو اختبار CAPTCHA تم حله، أو سير عمل على سطح المكتب تم تنفيذه. أنت تشتري حلقة وكيل، ويجب أن تبدأ وأنت تعلم أن الترخيص غير محسوم وأن العمل المكتبي طويل الأمد لم يُحل عند هذا الحجم — فأرقام OSWorld 2.0 الخاصة بالبطاقة نفسها هي 7.5 جزئي و0.0 ثنائي.

• اختر UI-Venus-1.5-2B بدلًا من ذلك إذا كان ما أردته فعليًا هو نموذج تأريض GUI صغير. إنه النموذج بحجم 2B القائم على Qwen3-VL في سلسلة inclusionAI، ويُبلِغ عن 57.7 على ScreenSpot-Pro، وهو المقارِن المطابق في الحجم الذي يوحي به اسم هذه المواجهة لكنه لا يسمّيه.

• شغِّل كليهما بالتتابع إذا كنت تبني أتمتة شاشة تحتاج إلى الرؤية بدقة ثم التصرف — مرحلة الهندسة أولًا، ثم مرحلة الوكيل ثانيًا، على وحدة معالجة رسومات واحدة.

• انتظر، إذا كان رقم الإرساء في واجهة المستخدم الرسومية الخاص بـ WeVisOne-VL-2B هو ما يتوقف عليه قرارك. فهو غير موجود بعد، وليس تخمينه من أعداد المعاملات طريقة.

ما الذي سيغيّر هذه الإجابة؟

أربعة أمور، مرتبة حسب الفائدة. إجراء اختبار ScreenSpot-Pro أو ScreenSpot-V2 على WeVisOne-VL-2B سيحوّل الفجوة المركزية في هذا المقال إلى مقارنة، وبما أن النموذج عمره يوم واحد ومرخّص بموجب Apache 2.0، فإن ذلك يمثل عمل نهاية أسبوع لأي شخص لديه وحدة معالجة رسومات (GPU) وأداة التقييم. وحسم مسألة الترخيص بشأن UI-Venus-2-9B سيزيل العائق الوحيد الذي لا يمكن لأي رقم دقة أن يجادل فيه. وإدراج أي من النموذجين لدى مزوّد استدلال سيستبدل حسابات ساعات GPU بسعر فعلي. ومقارنة بين 4B و2B تشرح لماذا يحقق النموذج الأصغر أداءً أفضل ستخبر المشترين ما إذا كانت تسمية العائلة تعني أي شيء على الإطلاق.

حتى ذلك الحين، الطريقة المفيدة للتعامل مع هذين ليس باعتبارهما متنافسين على لوحة صدارة، بل باعتبارهما أداتين مختلفتين: واحدة تقيس الصورة وواحدة تؤثر في الشاشة. اسم هذه المواجهة يوحي بأنك تختار بين نموذجين صغيرين شبه متكافئين. أنت تختار بين متخصص بحجم 2B ووكيل بحجم 9B، والشيء الوحيد الذي يتشاركانه حقًا هو عادة قول لا.