LFM3-VL-2B vs. UI-Venus 2.9B: Das 2,9B-Modell, das eigentlich ein 9B-Modell ist

Es gibt kein Modell namens UI-Venus 2.9B. Der Checkpoint unter inclusionAI/UI-Venus-2-9B ist UI-Venus-2-9B – Version zwei von Ant Groups UI-Venus-Agent, mit 9 Milliarden Parametern, aufgebaut auf Qwen3.5-9B. Der Verzeichnisname liest sich wie eine Dezimalzahl und ist keine. Gegenüber LFM3-VL-2B mit 1,92 Milliarden Parametern macht das daraus einen 2B-gegen-9B-Vergleich, der das Etikett 2B-gegen-2B trägt.

Der Fehler wiegt schwer, weil er die Fragestellung verändert. Wären beide Modelle ungefähr 2B groß, würde man die Benchmark-Zeilen vergleichen und das bessere auswählen. Bei 9B gegenüber 2B tritt das kleinere Modell nicht auf derselben Hardware an, und das größere ist überhaupt kein allgemeines Vision-Modell. UI-Venus-2-9B ist ein GUI-Agent, der darauf trainiert ist, anhand von Screenshots Telefone, Browser und Desktops zu bedienen. LFM3-VL-2B ist ein allgemeines Vision-Language-Modell, das unter seinen 62 Benchmarks zufällig auch eine GUI-Kategorie umfasst. Die Überschneidung ist geringer, als die Benennung vermuten lässt.

Wie der Name entstellt wurde

Ant Groups Namenskonvention ist Familie-Version-Größe. UI-Venus-2-9B wird als UI-Venus, Generation 2, 9B Parameter gelesen. Ein Katalog oder ein Radar, der bei Bindestrichen trennt und nach einer Dezimalzahl sucht, liest „2-9“ als „2.9“, und so landet ein 9B-Modell neben 2B-Modellen. Dieselbe Konvention erzeugt UI-Venus-2-27B, das größere Geschwistermodell, und beide wurden Ende August 2026 gemeinsam veröffentlicht.

Das ist kein kosmetischer Fehler. Die Parameteranzahl ist der erste Filter bei jeder Deployment-Entscheidung, und wer mit der Erwartung eines {{1}}2,9B-Modells{{/1}} kommt, wird von einem {{2}}18,8 GB großen BF16-Checkpoint{{/2}} überrascht sein, der nicht zu dem Gerät passt, das man im Sinn hatte. Die Metadaten des Repositorys selbst sind eindeutig: {{3}}Qwen3.5-9B-Architektur, BF16, Bild-Text-zu-Text{{/3}}.

Zwei Aufgaben, nicht zwei Größen

LFM3-VL-2B nimmt Text, Bilder und Video mit 2 fps auf, erzeugt Text, unterstützt einen Denkmodus und deckt mit einem 128K-Kontext 16 Sprachen ab. Es ist ein Generalist: Dokumente, Diagramme, Grounding, verkörpertes Reasoning, GUI-Verständnis und Video erscheinen alle als Kategorien auf seiner Karte. Liquid AI veröffentlichte es am 19. Oktober 2026 auf Hugging Face und kündigte die Familie am 27. Oktober an, ohne API-Preis und ohne aufgeführten Inferenzanbieter.

UI-Venus-2-9B nimmt Screenshots und eine Aufgabenbeschreibung entgegen und gibt in einer geschlossenen Schleife aus Beobachten, Schlussfolgern und Handeln die nächste Aktion zurück. Sein Training erfolgt in drei Stufen: multimodales Mid-Training auf simulierten Trajektorien über mehr als 170 mobile Apps und mehr als 4.000 Web-Domains, offline Reinforcement Learning auf Schritt-Ebene über Grounding-, CAPTCHA-, Mobil-, Web- und Computeraufgaben, anschließend Multi-Teacher-On-Policy-Distillation in eine einzige Policy. Es läuft auf vLLM mit einem OpenAI-kompatiblen Endpunkt und einem Qwen3-Reasoning-Parser. Das ist eine Agenten-Laufzeitumgebung, kein Captioning-Modell.

Die praktische Konsequenz: Sie können sie nicht austauschen. LFM3-VL-2B beschreibt einen Screenshot und beantwortet Fragen dazu. UI-Venus-2-9B entscheidet, wo als Nächstes getippt werden soll, und erwartet das umgebende Harness — Aktionsparser, Prompts, Beispiele — aus dem GitHub-Repository des Projekts, um überhaupt nützlich zu sein.

Der eine Benchmark, der passt.

Beide Modelle melden ScreenSpot-Pro, was der seltene Fall ist, in dem der Vergleich legitim ist. LFM3-VL-2B erreicht 55,5 mit Thinking und 49,3 ohne. UI-Venus-2-9B erreicht 73,0. Das ist ein Abstand von 17,5 Punkten zugunsten des Modells, das fast fünfmal größer ist, und es ist die klarste Einzelzahl in diesem Duell.

Übertrage es nicht auf den Rest der GUI-Geschichte. UI-Venus-2-9B meldet außerdem AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0 und VenusBench-GD 77,1. LFM3-VL-2B meldet einen GUI-Kategoriedurchschnitt von 83,1 über einen anderen Satz von Aufgaben, und einen Kategoriedurchschnitt zu bilden ist nicht dasselbe wie einen einzelnen Benchmark zu bewerten. Die Kategorien sind nicht vergleichbar und sollten nicht voneinander abgezogen werden.

Eine Zahl auf der UI-Venus-Karte ist es wert, hervorgehoben zu werden, weil sie der Schlagzeile entgegenläuft: Bei OSWorld 2.0 erzielt das Modell 0,0 auf der binären Metrik und 7,5 auf der partiellen Metrik. Was auch immer das Harness-Problem ist – ein 9B-Agent, der bei OSWorld-Verified führt und auf dem Nachfolger-Benchmark nahe null erreicht, ist ein Modell mit einer Grenze, und die Karte berichtet das ehrlich.

Kontextfenster, die unterschiedliche Dinge messen

UI-Venus-2-9B gibt bis zu 256K Token Kontext an, und der nützliche Teil davon ist, was dieser Kontext enthält: einen Verlauf von Screenshots, sodass der Agent sich merken kann, wie der Bildschirm vor vier Schritten aussah. LFM3-VL-2B gibt 128K an, und in seiner Modellkarte werden weder das Bild-Token-Budget noch eine maximale Videolänge angegeben. Keine der beiden Zahlen verrät einem, wie viele Screenshots man in einer Schleife behalten kann, bevor das Modell den ersten verliert. Beides muss an der eigenen Auflösung und Schrittanzahl gemessen werden.

Der Unterschied der Art ist weiterhin wichtig. Eine lange Screenshot-Historie ist eine Speicheranforderung für einen Agenten, der mehrere Minuten lang läuft. Ein 128K-Kontext bei einem allgemeinen VLM ist eine Dokument- oder Videoanforderung. Die Zahlen wirken vergleichbar und beantworten unterschiedliche Fragen.

Bereitstellung: 4 GB gegenüber 19 GB

LFM3-VL-2B hat 1,92 Mrd. Parameter, rechnerisch etwa 3,84 GB Gewichte in BF16, und es sind bereits GGUF-, MLX-4-Bit- und ONNX-Builds veröffentlicht. UI-Venus-2-9B umfasst in BF16 rund 18,8 GB und wird über vLLM bereitgestellt; es gibt ein Community-GGUF, aber der Serving-Pfad des Herstellers setzt eine GPU mit Platz für den vollständigen Checkpoint voraus. Diese konkurrieren nicht um denselben Platz. Das eine ist ein Edge-Kandidat; das andere ein serverseitiger Agent.

Dieser Unterschied, nicht die Benchmark-Lücke, ist der Grund, warum das Paar interessant ist. Ein Team, das GUI-Verständnis auf einem Gerät will, hat hier genau eine Option. Ein Team, das einen GUI-Agenten mit nahezu modernsten Ergebnissen will, hat die andere und braucht eine GPU, um sie auszuführen.

Die Lizenzfrage, die niemand beantwortet hat

LFM3-VL-2B verwendet die LFM Open License v1.0: Die kommerzielle Nutzung ist nur lizenziert, solange der Lizenznehmer unter 10 Millionen US-Dollar Jahresumsatz bleibt. Das ist restriktiv, aber nachvollziehbar, und der Text ist veröffentlicht.

Bei UI-Venus-2-9B ist das weniger klar. Das Coderepository des Projekts gibt Apache 2.0 an; die Modellkarte besagt, dass die Lizenz für die Gewichte noch der endgültigen Bestätigung bedarf, da die Angaben aus vorgelagerten Quellen widersprüchlich sind. Stand 28. Oktober 2026 ist das noch nicht geklärt. Eine ausstehende Lizenz ist kein Hindernis für die Forschung, aber ein echtes Hindernis für einen kommerziellen Einsatz, der seine Bedingungen kennen muss, bevor er ausgeliefert wird. Wer plant, auf UI-Venus-2-9B aufzubauen, sollte die Antwort schriftlich einholen, statt sie aus einem Repository-Tag abzuleiten.

Wo OrcaRouter passt, wenn überhaupt

OrcaRouter stellt keinen der beiden Checkpoints bereit, und dieser Beitrag behauptet auch nicht, dass wir das tun. Was wir haben, ist eine Routing-DSL, die mehrere Modelle in einem einzigen Aufruf zusammenführen kann – hier nützlich, weil die naheliegende Architektur nicht darin besteht, „eins auszuwählen“. Ein kleines allgemeines VLM kann den Bildschirm lesen und entscheiden, ob es sich um eine Dokumentfrage oder eine Interaktion handelt; ein größerer GUI-Spezialist kann die Interaktionsschritte übernehmen. Die Weiterleitung zwischen ihnen nach Aufgabentyp ist eine Konfiguration, keine zweite Integration.

Das ist ein ehrlicherer Umgang mit dem Vergleich, als so zu tun, als wären die beiden Modelle Alternativen. Sie sind zwei Stufen derselben Pipeline, mit einem Parameterunterschied von 5× zwischen ihnen.

Welche willst du eigentlich?

• LFM3-VL-2B, wenn es um Verstehen statt Handeln geht, wenn Sie Video- oder Dokumenteingaben benötigen oder wenn das Modell mit etwa 4 GB laufen muss. Akzeptieren Sie die Lizenz mit Umsatzobergrenze und die Tatsache, dass niemand außerhalb von Liquid es bewertet hat.

• UI-Venus-2-9B, wenn die Aufgabe darin besteht, eine Benutzeroberfläche durchgängig zu bedienen, wenn Sie 19 GB GPU-Speicher und einen vLLM-Serving-Stack bereitstellen können und wenn Sie warten können, bis die Lizenz für die Gewichte bestätigt ist. Akzeptieren Sie, dass es sich um einen Spezialisten mit einem Harness handelt, nicht um einen Allgemeinassistenten.

• Keines von beiden, wenn Sie ein 2,9B-Modell wollten. Dieses Modell existiert nicht, und die beiden tatsächlichen Optionen sind beide spezialisierter, als der Name vermuten ließ.

Die Korrektur ist die zentrale Erkenntnis. Eine Parameteranzahl in einem Ordnernamen ist keine Spezifikation, und in diesem Fall hat sie einen fünffachen Größenunterschied und eine völlig andere Aufgabe verborgen. Lies das Architekturfeld vor dem Slug.