WeVisOne-VL-4B مقابل UI-Venus-2-9B: أحدهما يُعيد قناعًا، والآخر يُعيد نقرة

إن تسليم لقطة الشاشة نفسها لصفحة إتمام الشراء إلى WeVisOne-VL-4B وإلى UI-Venus-2-9B يمنحك نوعين مختلفين من الإجابة. الأول يعطيك هندسة: صندوقًا حول أيقونة السلة، وقناع تقسيم حول حقل الخصم، وقناع ألفا يقتطع صورة المنتج من خلفيتها. والثاني يعطيك حركة: إحداثيات النقرة التالية، بالإضافة إلى الاستدلال الذي أنتجها. نشر فريق WeChat Vision التابع لـTencent نموذج WeVisOne-VL-4B على Hugging Face دون إعلان، وأرّخ ورقته التقنية بـ23 أكتوبر 2026؛ أما UI-Venus-2-9B من inclusionAI فهو متاح للتنزيل منذ 26 أغسطس 2026. يُصنَّفان تحت التسمية النمطية نفسها، وهما ليسا بديلين.

هذا يجعلها مقارنة تقع في مركزها مشكلة غير معتادة: فلا يوجد اختبار قياسي مشترك بين النموذجين. ولا تظهر أي نتيجة على بطاقتي النموذجين معًا. ولم يُقيَّم أيٌّ منهما تقييمًا مستقلًا، ولا يُشغِّل أيًّا منهما مزوّد استدلال، ولا يتوفر لأيٍّ منهما سعر منشور. وما يمكن مقارنته بصدق هو ما يُخرجه كل نموذج، وكيف دُرِّب كل منهما على الرفض، وتكلفة تشغيله، والترخيص الذي ستشحن بموجبه — وهذا ما تفعله هذه المقالة، وهي تُشير إلى الأرقام المعلنة من المورّد على أنها كذلك كلما ظهر أحدها.

النموذجان لا يجيبان على السؤال نفسه

WeVisOne-VL-4B هو نموذج إدراك. بُني على بنية Qwen3-VL الأساسية، ويضيف مفكك ترميز بكسل إلزاميًا بـ9.6 مليون معلمة — mask_decoder.pt، يُشحن كملف ثانٍ — يحوّل تنبؤات الصناديق لدى نموذج اللغة إلى أقنعة كائنات ثم إلى أقنعة ألفا بخطوة 1. تُصدَر الإحداثيات كرموز مخصصة تمتد من <0> إلى <1000>، ومُطبَّعة على الصورة، ويُغلق رمز <OBJ> خاص (المعرّف 152,678) كل صندوق في المهام الكثيفة. قائمة مهام الورقة هي قائمة بالهندسة: الكشف مفتوح المفردات، والتوطين الإشاري، والعد، والتأشير، وتوطين OCR، والتجزئة الإشارية، وalpha matting القابل للتلقيم.

UI-Venus-2-9B وكيل. يُهيَّأ انطلاقًا من Qwen3.5-9B ويُدرَّب على التفاعل عبر لقطات الشاشة فقط ضمن خمس عائلات من المهام — الإرساء وCAPTCHA والجوال والويب والحاسوب — عبر التدريب المتوسط، والتعلم المعزز غير المتصل على مستوى الخطوات، والتقطير على السياسة متعدد المعلمين. ومخرجه إجراء ضمن حلقة مغلقة من الملاحظة والاستدلال والتنفيذ، ووصفة vLLM الخاصة به تقرن --max-model-len 262144 بـ --reasoning-parser qwen3 لأنه يصدر رموز استدلال قبل كل إجراء.

ضع المواصفات جنبًا إلى جنب وستظهر الفروق فورًا:

• ما الناتج — مربعات ونقاط وأقنعة و«alpha mattes» من WeVisOne-VL-4B؛ إجراء واحد مع أثر استدلاله من UI-Venus-2-9B.

• العمود الفقري — Qwen3-VL لـ WeVisOne-VL-4B؛ Qwen3.5-9B لـ UI-Venus-2-9B. أجيال مختلفة، وعائلات مختلفة من مكدس النصوص.

• الحجم — 5B معامل مُدرجة في المستودع رغم اسم "4B"، إضافةً إلى مفكّك ترميز منفصل بـ 9.6M معامل؛ و9B كثيفة لـ UI-Venus-2-9B موزّعة على أربع شظايا BF16، بنحو 18.8 GB.

• تنسيق الأوزان — ملفات safetensors بصيغة F32 على بطاقة WeVisOne-VL-4B، وهو أمر غير معتاد عند هذا الحجم ويجعل التنزيل أكبر مما يوحي به عدد المعاملات؛ وBF16 لـ UI-Venus-2-9B.

• الترخيص — Apache 2.0 لـ WeVisOne-VL-4B؛ "بانتظار التأكيد النهائي" لـ UI-Venus-2-9B.

النتيجة العملية هي أنك لا تستطيع استبدال أحدهما بالآخر، وأي مقال يمنحك فائزًا إنما يجيب عن سؤال لم تسأله. فنموذج إدراكي يعيد قناعًا مثاليًا يظل عاجزًا عن النقر. والوكيل الذي ينقر بإتقان يظل عاجزًا عن تسليمك طبقة المات التي أردتها لتصوير المنتج.

حيث يتداخلان فعليًا: كلا الفريقين علّم نموذجه أن يقول لا

هذا هو قرار التصميم الوحيد الذي اتخذته كلتا الإصدارتين، وهو أكثر ما يثير الاهتمام في هذه المزاوجة. تفشل نماذج التوطين ذات المفردات المفتوحة بطريقة محددة ومكلفة: اطلب طفاية الحريق في غرفة لا توجد فيها واحدة، وسيقوم نموذج يجيب دائمًا بوضع إطار واثق حول المدفأة. وفي المراحل اللاحقة، يعني ذلك كائنًا مُهلوسًا في خط أصولك أو نقرة خاطئة التوجيه في حلقة الأتمتة لديك.

يتعامل WeVisOne-VL-4B معها بإرجاع None، وتُورد الورقة معدل الرفض كمقياس مستقل إلى جانب الدقة. على RefCOCOg يبلغ النموذج 4B معدل رفض 67.4 بينما يقع أساسه Qwen3-VL-4B عند 18.8. وعلى WeRef-Bench الداخلي لدى WeChat يسجل 96.4 رفضًا مقابل 61.9 للنموذج الأساس، وعلى Ref-ZOM يسجل 86.0 مقابل 0.3 لـ UniPixel-7B. هذه أرقام مُبلَّغ عنها ذاتيًا من ورقة نُشرت اليوم، ومعايير الرفض إلى حد كبير من إعداد المؤلفين أنفسهم — اعتبر الاتجاه موثوقًا والفجوة الدقيقة غير مُتحقَّق منها.

تأتي UI-Venus-2-9B إلى المشكلة نفسها من جهة الوكيل، مورثةً التأريض الواعي بالرفض من سلسلة UI-Venus: يُدرَّب النموذج على الامتناع عندما لا يكون العنصر المطلوب على الشاشة بدلًا من تخمين موقع معقول. أرقام التأريض الخاصة به — ScreenSpot-Pro 73.0 وVenusBench-GD 77.1 وOSWorld-G-R 78.5 — مُبلَّغ عنها من الجهة المورِّدة، وتوضح البطاقة صراحةً أن هذا لا يزيل خطر الإجراءات الضارة وتوصي بتأكيد بشري إلى جانب ضمانات على مستوى التطبيق. ويُظهر جدول السلامة الخاص به الأثر الذي يدّعيه: معدل نجاح هجوم 11.3% على OSHarm مقابل 25.3% لقاعدة Qwen3.5-9B، و48.8% على OSBlind مقابل 79.4%.

لذا فقد بُني كلا النموذجين بواسطة فرق كانت قد شاهدت محدِّد مواقع يكذب، واختار كلاهما الامتناع بدلًا من التغطية. إذا كان نمط الفشل في تطبيقك هو "الخطأ بثقة"، فإن هذه الأولوية المشتركة تهم أكثر من أعداد المعاملات.

الأرقام التي لا تُظهرها بطاقة نموذج Tencent

كل ما كُتب عن WeVisOne-VL-4B حتى الآن قال الشيء نفسه، عن حق: بطاقة النموذج لا تنشر أي معايير تقييم. أما الورقة التقنية فتنشرها، وقد صدرت في 23 أكتوبر 2026، وهذا ما يجعلها الجزء من القصة الذي لم ينتشر بعد. كلها مُبلَّغ عنها ذاتيًا من المؤلفين، ولم يُعَد إنتاج أي منها بشكل مستقل، والنموذج عمره يوم واحد — لذا اقرأ هذه كادعاءات لها شكل، لا كنتائج مستقرة.

مقارنةً بقاعدته الخاصة Qwen3-VL-4B، فإن الفجوات كبيرة بما يكفي لتكون مثيرة للاهتمام حتى بعد خصم كبير:

• الكشف، متوسط F1 للتصنيف الصفري على COCO — 57.1 لـ WeVisOne-VL-4B مقابل 48.7 لـ Qwen3-VL-4B، و55.3 مقابل 44.0 على LVIS.

• الكشف، متوسط F1 على Dense200 — 71.3 مقابل 15.2. هذا ليس خطأً مطبعيًا في جدول الورقة؛ فمشاهد الأجسام الصغيرة الكثيفة هي حيث ينهار النموذج الأساسي.

• الكشف الإشاري، RefCOCOg val — 80.8 مقابل 74.1، مع معدل الرفض عند 67.4 مقابل 18.8.

• العدّ، التطابق التام في مجموعة التحقق PixMo-Count — 93.7 مقابل 69.6؛ وفي مجموعة التحقق MixCount، 42.0 مقابل 3.5.

• Pointing، PointBench F1 — 71.9 مقابل 57.1.

• تحديد المواقع في OCR، متوسط F1 في SROIE — 68.1 مقابل 40.4، ويتقدّم على 58.6 الخاص بـ PP-OCRv5.

• تجزئة الإشارة، ReasonSeg val gIoU — 71.2، مقابل 65.0 لـ LISA-13B.

• عزل الخلفية القابل للتوجيه، MAD لتوجيه الصندوق في AM-2K — 5.0 مقابل 12.1 لـ SAM2-Matting؛ وعلى المطالبات المرجعية في WeRefMat، 9.8 مقابل 51.9.

نتيجة إزالة الخلفية هي التي تستحق التوقف عندها، لأنها القدرة التي لا يقدّمها أي شيء آخر في هذه الفئة السعرية عبر مطالبة نصية. فطلب "الشخص، كقناع ألفا" من نموذج لغوي بصري والحصول على مخرجات بخطوة 1 تتفوق على خط أنابيب إزالة الخلفية في SAM2 وفق مقياس MAD هو منتج مختلف عن رأس كشف مرفق به قناع. وهو أيضًا الموضع الذي يكون فيه البحث أقل مجاملة لنموذجه 4B: فعلى مطالبات الصندوق في P3M-500-NP يسجّل نموذج 2B قيمة 6.6 على MAD مقابل 7.3 لنموذج 4B، أي أن النسخة الأكبر ليست أفضل على نحو موحد، وينشر المؤلفون ذلك.

ما الذي تقيسه أرقام UI-Venus-2-9B، ولماذا لن تنتقل

ضع مجموعتي الاختبارات المعيارية جنبًا إلى جنب، فلن يبقى عدم القابلية للمقارنة مجرد تفصيل تقني. نتائج UI-Venus-2-9B الرئيسية كلها معدلات نجاح للحالة النهائية ضمن بيئة: AndroidWorld 80.2، وOSWorld-Verified 70.8، وWebVoyager 90.8، وOnline-Mind2Web 74.0، وMobileWorld 65.8 عند ميزانية الخطوات الافتراضية المذكورة في البطاقة و75.2 عند 100 خطوة. تقيس تلك الأرقام ما إذا كانت المهمة قد أُنجزت، مما يدمج الإدراك والتخطيط والذاكرة والتعافي من الأخطاء في رقم واحد.

أقرب شيء إلى محور مشترك هو الإرساء في واجهة المستخدم الرسومية. تسجّل UI-Venus-2-9B نتيجة 73.0 على ScreenSpot-Pro، وهو معيار لتحديد موقع عناصر واجهة صغيرة في لقطات شاشة عالية الدقة — ولا تبلغ عنه WeVisOne-VL-4B. وتسجّل WeVisOne-VL-4B نتائج توطين OCR والإشارة الكثيفة، ولا تبلغ عنها UI-Venus-2-9B. لذا فإن الموقف الصادق هو أن الرقم الوحيد الأكثر فائدة لهذه المقارنة غير موجود بعد: تشغيل WeVisOne-VL-4B على ScreenSpot-Pro سيبين لك ما إذا كان متخصص إدراك بحجم 5B يتفوق على وكيل بحجم 9B في العثور على زر، وإلى أن يشغّله أحد، فإن أي ترتيب لهذين النموذجين على أساس الإرساء إنما هو تخمين.

تحمل حزمة الاختبارات الخاصة بالوكيل نفسها أيضًا نقطة ضعفه إلى العلن. على OSWorld 2.0، يسجّل النموذج 9B نتيجة 7.5 في التقييم الجزئي و0.0 في التقييم الثنائي؛ ويبلغ نظيره 27B نتيجة 13.2 في التقييم الجزئي و2.8 في التقييم الثنائي. لم تُحلّ أعمال سطح المكتب طويلة المدى عند هذا الحجم، وبطاقة النموذج تقول ذلك.

تقديم الخدمة لهم يمثل فجوة أكبر من فجوة المعيار المرجعي.

بالنسبة لفريق يقرر ما الذي سيشغّله الأسبوع المقبل، سيُهمّ الفرق التشغيلي أكثر من أي درجة. UI-Venus-2-9B هو نموذج واحد تبدأه بأمر vLLM واحد، ويكشف نقطة نهاية متوافقة مع OpenAI مع توازٍ تنسوري بقيمة 1. ويحتاج WeVisOne-VL-4B إلى حزمة الاستدلال الخاصة به من GitHub بالإضافة إلى مخرَج فك الترميز المنفصل، ويُستدعى عبر غلافه الخاص WeVisOneVL(...) مع وسيط مهمة — predict(image, task="matting", query="person", temperature=0.0). توثّق البطاقة مسارات Transformers وvLLM وSGLang، لكن فك ترميز البكسل ليس اختياريًا: لا يمكن لنموذج اللغة وحده إنتاج قناع.

الذاكرة أقرب مما توحي به أعداد المعاملات. عند bf16 يبلغ العمود الفقري 5B نحو 10 غيغابايت قبل وحدة فك الترميز، مقابل نحو 18.8 غيغابايت لأجزاء UI-Venus-2-9B الأربعة. كلاهما يتسعان على بطاقة واحدة بسعة 24 غيغابايت من حيث الأوزان؛ وما يختلف هو مقدار المساحة المتبقية للسياق.

وفيما يتعلق بالسياق، يتفق التكوينان على نحو يسهل المبالغة في قراءته. يأتي تكوين WeVisOne-VL-4B مزوّدًا بـ max_position_embeddings بقيمة 262,144 — وهو السقف نفسه الذي يقدّمه UI-Venus-2-9B بطول نموذج أقصى يبلغ 262,144. لكنهما يستخدمانه لغرضين مختلفين: إذ يتعامل الوكيل مع السياق الطويل كذاكرة حلقة، فيحتفظ بتاريخ لقطات شاشة المهمة، بينما تُجرى التقييمات المنشورة لنموذج الإدراك عند 1,960 رمزًا بصريًا لكل صورة. إن نافذة 256K على نموذج أحادي الدور ومعتمد على الصور فقط هي سقف، وليست قدرة مُثبتة، كما تُدرج بطاقة النموذج شبكات الفيديو على أنها مرفوضة مباشرةً من مفكك ترميز البكسل.

الترخيص: أحد هذه محسوم والآخر ليس كذلك

WeVisOne-VL-4B متاح بموجب Apache 2.0، مع شيفرة من تأليف Tencent بموجب الشروط نفسها. يمكنك قراءته، وإنشاء نسخة متفرعة منه، وتضمينه في منتج دون التحدث إلى محامٍ بشأن ذلك.

تنص بطاقة UI-Venus-2-9B على أن ترخيص أوزان النموذج معلّق بانتظار التأكيد النهائي وسيُضاف قبل الإصدار العام، وأن إقرار Apache-2.0 السابق لم يُنقل عمدًا لأن مواد المنبع تحتوي على بيانات ترخيص متعارضة. تلك الجملة موجودة على البطاقة منذ أغسطس ولم تتغير. وهي لا تمنعك من تقييم النموذج، ولا تمنع الاستخدام الداخلي في معظم المؤسسات — لكنها تعني أن أي منتج خارجي مبني على تلك الأوزان مبني على مسألة غير محسومة، ولا تُصلح ذلك أي درجة معيارية مهما بلغت. إذا كنت تختار بين هذين الاثنين لشيء تنوي إطلاقه، فإن عمود الترخيص يحسم الأمر أسرع من عمود الدقة.

كم تبلغ تكلفة كل واحد، علمًا بأن لا سعر لأيٍّ منهما.

لا يوجد سعر لكل توكن تحدده الجهة البائعة لأي من الطرازين. تقول صفحة WeVisOne-VL-4B إنه غير مُشغَّل من أي مزوّد استدلال؛ ولا يملك UI-Venus-2-9B نقطة وصول تابعة للجهة المطوِّرة ولا قائمة أسعار نشرتها inclusionAI، لذا فأي سعر يفرضه مضيف خارجي عليه هو رقم ذلك المضيف، لا رقم الفريق. بالنسبة لكليهما، التكلفة هي ساعات GPU على عتاد تستأجره أو تملكه، ما يعني أن المقارنة ليست «سعر الإدخال مقابل سعر الإخراج» بل «كم بطاقة أحتاج وكم صورة في الثانية يعالجها».

لا تنشر أي من الورقتين معدّل الإنتاجية أو زمن الاستجابة، لذا فإن الرقم الثاني غير معروف لكلتيهما. ما يمكن معرفته هو الشكل: يدفع UI-Venus-2-9B ثمن تمريرة أمامية بحجم 9B إضافةً إلى رموز الاستدلال في كل خطوة من الحلقة، وحلقة الوكيل تتكوّن من خطوات كثيرة. ويدفع WeVisOne-VL-4B ثمن تمريرة بحجم 5B إضافةً إلى تمريرة أمامية لفك التشفير لكل صورة، والصورة الواحدة تعادل نداءً واحدًا. إذا كان عبء عملك مئة ألف صورة منتج، فإن اقتصاديات نموذج الإدراك تُحتسب لكل صورة وهي قابلة للتنبؤ؛ أما إذا كان مهمة متصفح، فإن كلفة الوكيل تتزايد بحسب عدد الإجراءات التي تتطلبها المهمة، وهو الرقم الذي لا يمكنك التنبؤ به من بطاقة المواصفات.

هنا أيضًا تستحق طبقة التوجيه مكانها بدلًا من أن تكون مجرد شعار. لا يوجد أي من الطرازين على OrcaRouter اليوم، وهذا المقال لن يتظاهر بغير ذلك — فلا يوجد لـ WeVisOne-VL-4B مزود استدلال على الإطلاق، بينما تُقدَّم UI-Venus-2-9B عبر استضافة طرف ثالث لا من كتالوجنا الخاص. ما يقدمه OrcaRouter للطرازات التي يخدمها فعلًا هو نقطة نهاية واحدة متوافقة مع OpenAI عبر 200+ منها بهامش ربح 0%، مع تمرير سعر قائمة المزود دون تغيير، بحيث يصلك تخفيض سعر البائع في يوم حدوثه لا عند تجديد العقد التالي. بالنسبة لبنية تستدعي نموذج إدراك ونموذج وكيل بالتتابع، فإن لغة التوجيه DSL هي المكان الذي يعيش فيه هذا التركيب — استدعاءان للنموذج، ومكان واحد لتبديل أي من الطرفين — والتحويل التلقائي عند الفشل هو ما يبقي حلقة الوكيل حية عندما يتدهور النموذج الذي يقف خلفها في منتصف الحلقة. في اللحظة التي يتوفر فيها أي من هذين لدى مزود، ستكون تلك أرخص طريقة لمعرفة ما إذا كان ينتمي إلى حزمتك التقنية.

أيّ واحد تختار

القرار وصفٌ وظيفي، وليس تصنيفًا.

• اختر WeVisOne-VL-4B إذا كان الناتج الذي تحتاجه هو الهندسة — صناديق الإحاطة إلى خط أنابيب التعليق التوضيحي، أو الأقنعة لأداة تحرير، أو alpha mattes لصور المنتجات، أو عدّ الأشياء في إطار جوي كثيف، أو OCR مرفقًا بإحداثيات. لا شيء آخر في فئة 5B المفتوحة يُرجع matte من موجه نصي، وأرقام matting في الورقة مقابل خط أنابيب SAM2 هي أقوى ادعاء في الإصدار.

• اختر UI-Venus-2-9B إذا كان الناتج الذي تحتاجه هو مهمة مكتملة — نموذج مملوء، أو تطبيق تم التنقل فيه، أو اختبار CAPTCHA تم حله، أو سير عمل على سطح المكتب يُدار من لقطات الشاشة. فهو يُشحن بأمر vLLM واحد مع نقطة نهاية متوافقة مع OpenAI، وهذا عمل يوم واحد بدلًا من أسبوع، ونتائجه في AndroidWorld وWebVoyager هي الأرقام التي ينبغي التحقق منها مقابل بيئتك الخاصة.

• لا تختر أيًّا منهما بعد إذا كنت بحاجة إلى أدلة مستقلة، أو سعر منشور، أو ترخيص محسوم لمنتج جاهز للطرح. semua الثلاثة غائبة عن ترخيص UI-Venus-2-9B وعن الاختبارات المعيارية لكلا النموذجين.

• ضع كلا النموذجين في الاعتبار إذا كنت تبني وكيلًا يجب عليه معالجة الصور بدلًا من مجرد النقر عبر الشاشات. التركيبة هي الجانب المثير للاهتمام: يقرر UI-Venus-2-9B أين يتصرف، وينتج WeVisOne-VL-4B الناتج الدقيق على مستوى البكسل الذي كان الإجراء يستهدفه. يكلف ذلك استدعاءَي نموذج لكل خطوة، ويمنح دقة لا يملكها أي من النموذجين بمفرده.

ما الذي سيغيّر هذه الإجابة؟

أربعة أشياء، مرتبة بحسب مقدار ما يمكنها تحريكه.

تشغيل ScreenSpot-Pro على WeVisOne-VL-4B. إنه المعيار الوحيد الذي يمكن أن يخضع له الطرفان بشكل معقول، وسيحسم ما إذا كان متخصص إدراك بنصف الحجم يتفوق في التوطين على وكيل واجهة مستخدم مخصص. يستطيع أي شخص يملك GPU وبعد ظهر واحد أن ينتجه، ولم يفعل ذلك أحد.

تقييم مستقل لأيٍّ من النموذجين. كل رقم في هذه المقالة يعود إلى بطاقة نموذج أو ورقة بحثية كتبها الفريق الذي بنى هذا الشيء. هذا أمر طبيعي في يوم الإصدار، لكنه يظل غيابًا.

ترخيص محسوم على UI-Venus-2-9B. عبارة «بانتظار التأكيد النهائي» موجودة على البطاقة منذ ثمانية أسابيع. إذا انتهى الأمر إلى ترخيص متساهل، يصبح التوصية بالوكيل في الأعمال التجارية أسهل بكثير؛ وإذا لم يحدث ذلك، فسيكون ذلك إجابةً عن السؤال في الاتجاه المعاكس.

نقطة نهاية من طرف أول لأي منهما. لا يقدّم أي من البائعين نموذجه الخاص اليوم، مما يحدّ من الجمهور إلى الفرق المستعدة لتشغيل مكدس خدمة، وعلى جانب WeVisOne-VL-4B إلى الفرق المستعدة لتشغيل حزمة استدلال مخصصة. ومن شأن تعرفة ينشرها البائع أن تغيّر مقارنة التكلفة من حسابات إلى بند تكلفة.

حتى ذلك الحين، الخلاصة المنصفة هي هذه: أطلقت Tencent مجموعة أدوات للإدراك تفعل شيئًا لم يفعله أي نموذج مفتوح صغير من قبل، وبهدوء يكفي أن جداول المعايير الخاصة بها لم تُقرأ بعد؛ بينما أطلقت Ant Group وكيلًا قبل ذلك بشهر ونصف، وهو أسهل تشغيلًا وأصعب ترخيصًا. هما ليسا متنافسين. وسيكون الخطأ أن تختار أحدهما لأن الآخر سجّل نتيجة أعلى على معيار لا يتشاركانه.