Molmo2-4B vs. UI-Venus-2-9B: Einer dieser Namen ist eine Größenangabe, und sie ist falsch

Das Modell heißt UI-Venus 2 mit 9B. Es hat nicht 2,9B, und es ist keine 9B-Version eines 2,9B-Modells. Die Zeichenfolge im Dateinamen ist eine Generationsnummer, die an eine Parameteranzahl geklebt wurde — inclusionAI/UI-Venus-2-9B —, und sie wurde von genügend Radar-Feeds und Listing-Seiten rückwärts gelesen, dass ein Vergleich mit Molmo2-4B jetzt wie zwei kleine Modelle derselben Gewichtsklasse aussieht. Ist es aber nicht. UI-Venus-2-9B ist ein 9B-GUI-Agent, initialisiert aus Qwen3.5-9B, etwa doppelt so groß wie Molmo2-4B mit 4,85B, und die beiden erledigen völlig unterschiedliche Aufgaben. Wenn du tatsächlich das kleine GUI-Modell aus dieser Familie willst, ist es UI-Venus-1.5-2B, wo die 2B-Zahl hingehört. Zwei Spezialmodelle mit unterschiedlichen Ausgabeverträgen sind ein Routing-Problem. kein Aufschlag auf den Listenpreis des Anbieters Failover deckt den Fall ab, dass eines von ihnen einen schlechten Nachmittag hat.

Beide Modelle sind älter, als die Darstellung nahelegt. Molmo2-4B wurde am 11. Dezember 2025 vom Allen Institute for AI angekündigt, und seine Gewichte wurden am 14. Dezember veröffentlicht. Die Gewichte von UI-Venus-2-9B erschienen am 26. August 2026 zusammen mit einem technischen Bericht, arXiv 2609.00028. Was sich auf der Molmo-Seite kürzlich geändert hat, betrifft eher die Tooling-Unterstützung als die Gewichte: Die native Transformers-Unterstützung wurde am 9. Oktober 2026 zusammengeführt und am 15. Oktober in v5.20.0 ausgeliefert, und ein Robotics-Fine-Tune, Molmo2-4B-tb, erschien am 5. November. Weder das eine noch das andere ist ein Launch, und keines davon macht Molmo2-4B zu einem GUI-Modell.

Was UI-Venus 2 mit 9B tatsächlich ist

Es ist ein Interface-Agent mit geschlossenem Regelkreis. Die Eingabe ist ein Screenshot; die Ausgabe ist eine begründete Aktion – hier tippen, das eingeben, scrollen – und der Loop läuft weiter, bis die Aufgabe erledigt ist. Das Training erfolgt in drei Phasen über fünf Aufgabenfamilien (Grounding, CAPTCHA, Mobile, Web und Computer) und endet in Multi-Teacher-On-Policy-Distillation, die Domänenspezialisten in einer einzigen Policy zusammenführt. Die Abdeckung der Umgebungen ist der Kern der Veröffentlichung: über 170 Mobile-Apps auf Chinesisch und Englisch, ein Web-Pool mit über 4.000 Domains in 19 Kategorien und eine Desktop-OS-Steuerung, die von Grund auf neu entwickelt wurde.

Die eigenen Zahlen des Anbieters, alle aus der Modellkarte und dem technischen Bericht:

• GUI-Grounding — ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5, UI-Vision 53,2.

• Mobile Agenten — AndroidWorld 80,2, MobileWorld 65,8 bei Standard-Schritten und 75,2 bei einem Budget von 100 Schritten, MobileGym 52,7, VenusBench-Mobile 46,5, KnowUBench 56,5, MemGUI 62,6.

Desktop — OSWorld-Verified 70,8, DeskCraft 48,0 und OSWorld 2.0 bei 0,0 binärer Genauigkeit mit einem Teilscore von 7,5 über 108 Aufgaben unter einem Budget von 150 Schritten. Diese Null sollte man sorgfältig lesen; sie ist eine harte binäre Metrik, kein Tippfehler.

• Web — WebVoyager 90,8, Online-Mind2Web 74,0, REAL 76,9, Odysseys 77,3 im Durchschnitt bei 62,0 perfekt.

Sicherheit — Angriffserfolgsrate 11,3 % bei OSHarm und 48,8 % bei OSBlind, gegenüber 25,3 % und 79,4 % für die Qwen3.5-9B-Basis.

Es gibt eine unabhängige Überprüfung. Der im Oktober 2026 veröffentlichte diagnostische Benchmark PointerBench bewertet UI-Venus-2-9B mit 64,2 bei Sheets, 25,8 bei Text und 73,6 bei Pro, einem Durchschnitt von 54,5, und beschreibt es als den stärksten nativen Spezialisten für GUI-Grounding, während er Grounding auf Textebene als seinen schwächsten Bereich kennzeichnet. Das ist ein Ergebnis eines Drittanbieters auf einer anderen Aufgabenmischung und eine nützliche Korrektur: Die Schlagzeile zu ScreenSpot-Pro ist nicht das ganze Bild.

Was Molmo2-4B tatsächlich ist

Ein Allzweck-Vision-Language-Modell mit Punktausgabe. 4.850.869.200 Parameter, ein SigLIP-2-so400m-Vision-Tower über Qwen3-4B-Instruct-2507, 36.864 Positionen, 19,42 GB float32-Gewichte verteilt auf vier Shards. Es verarbeitet Bilder, mehrere Bilder und Video und liefert Koordinaten skaliert auf 0–1000 der Bildbreite und -höhe, bei Videoeingabe mit Zeitstempeln. Sein Anbieter-Aggregatwert beträgt 62,8 über 15 akademische Benchmarks.

Was ihr fehlt, ist eine veröffentlichte GUI-Zahl. Molmo2-4B taucht weder in den Tabellen des technischen Berichts zu UI-Venus noch in der PointerBench-Evaluation noch mit einem ScreenSpot-Pro-Ergebnis auf seiner eigenen Karte auf. Der nächstliegende GUI-Wert der Molmo-Familie gehört zu einem anderen Modell: MolmoPoint-GUI-8B, ein auf GUI spezialisiertes 8B-Fine-Tune aus der MolmoPoint-Reihe vom März 2026, meldet 61,1 auf ScreenSpot-Pro. Dies als Molmo2-4B-Ergebnis zu zitieren, wäre ein Kategorienfehler, und es ist der wahrscheinlichste Fehler, den ein Leser beim Vergleich dieser beiden machen dürfte.

Die Überschneidung ist kleiner, als die Benennung vermuten lässt

• Größe — 4,85B dense für Molmo2-4B gegenüber einem 9B-dense-Modell, initialisiert aus Qwen3.5-9B.

• Eingaben — Bild, Mehrfachbild und Video für Molmo2-4B; ein Screenshot für UI-Venus-2-9B, in einer Schleife, wobei die vorherige Aktion zurückgespeist wird.

Ausgaben — spärliche Punkte in normalisierten Koordinaten für Molmo2-4B; eine strukturierte Aktion für UI-Venus-2-9B, geparst von einer Harness, die dann das Gerät steuert.

• Stärke — Grounding in natürlichen Bildern und Videos, Zählen und Tracking für Molmo2-4B; Elementlokalisierung und mehrstufige Navigation auf hochauflösenden Oberflächen für UI-Venus-2-9B.

• Veröffentlichtes GUI-Grounding — keines für Molmo2-4B; ScreenSpot-Pro 73,0 für UI-Venus-2-9B.

Lizenz — Apache-2.0-Gewichte mit einem Vorbehalt zu Drittanbieterdaten für Molmo2-4B; die Modellkarte von UI-Venus-2-9B gibt überhaupt kein Lizenzfeld an, was eine Lücke ist, die vor jeglicher kommerziellen Nutzung geschlossen werden muss.

Diese letzte Zeile ist kein Detail. Ein 9B-Modell, das von Qwen3.5-9B abgeleitet ist und auf seiner Modellkarte kein Lizenzfeld hat, ist nichts, was eine rechtliche Prüfung allein auf Basis einer README absegnen kann. Auch die Metadaten der Karte selbst helfen nicht weiter: Ihr Safetensors-Badge zeigt „1.47M params“ an, was für einen Checkpoint dieser Größe keine plausible Größe ist und wie ein Shard-Metadaten-Artefakt wirkt. Fragen Sie die Maintainer zu beidem, bevor Sie damit planen.

Wenn Sie GUI-Grounding aus der Molmo-Reihe möchten

Der ehrliche Weg ist nicht Molmo2-4B. Ai2s eigene GUI-Arbeit liegt in der MolmoPoint-Familie, wo MolmoPoint-GUI-8B auf ScreenSpot-Pro 61,1 meldet, gegenüber 73,0 bei UI-Venus-2-9B, und die beiden Zahlen stammen zumindest aus demselben Benchmark. Selbst dann ist der Vergleich harness-übergreifend: unterschiedliche Action-Scaffolds, unterschiedliche Screenshot-Vorverarbeitung und im Fall von UI-Venus eine dokumentierte Annahme, dass Reasoning deaktiviert und die Temperatur für direkte Punktlokalisierung auf null gesetzt ist. Eine Lücke von 12 Punkten bei einem Benchmark, der so empfindlich auf Harness-Entscheidungen reagiert, ist ein Signal, kein Urteil.

Wofür Molmo2-4B in einem Agenten-Stack tatsächlich gut ist, ist der Wahrnehmungsschritt, der kein Button ist. Das von einem Nutzer beschriebene Objekt in einem Kamerabild zu finden, es über ein Video hinweg zu zeigen, Instanzen zu zählen, etwas über die Zeit zu verfolgen — das sind die Ausgaben, für die das Modell trainiert wurde, und keine davon ist ein UI-Element auf einem 4K-Screenshot. Teams setzen am Ende oft beide Arten von Modellen ein: einen Spezialisten für die Schnittstelle, einen Generalisten für die Szene.

Das ist eher ein Routing-Problem als ein Modellierungsproblem. Die beiden Modelle haben inkompatible Ausgabekontrakte und unterschiedliche Hardwareprofile, und sie hinter einem einzigen Schlüssel für beide laufen zu lassen — mit Failover, wenn ein Endpunkt schlechter wird, und ohne Aufschlag auf den Listenpreis des Anbieters — entfernt den Teil des Stacks, der nichts mit Vision zu tun hat. Es lohnt sich auch, klar zu sagen, dass keines dieser Modelle im OrcaRouter-Katalog steht; beide sind Gewichte, die Sie selbst hosten, und die Routing-Schicht liegt um sie herum und nicht darunter.

Die Kurzfassung

Wenn die Aufgabe „diese App bedienen“ lautet, ist UI-Venus-2-9B der Spezialist und Molmo2-4B hat bei diesem Benchmark nichts zu bieten. Wenn die Aufgabe „auf das Ding in diesem Foto oder diesem Video zeigen“ lautet, hat UI-Venus-2-9B nichts zu bieten und Molmo2-4B ist der Grund, warum der Vergleich überhaupt existiert. Und wenn Sie eigentlich ein kleines GUI-Modell wollten, das sich kostengünstig betreiben lässt, war der richtige Vergleich nie dieser – sondern UI-Venus-1.5-2B mit 2B gegen den kompakten Generalisten, den Sie daneben unterbringen können.