UI-Venus-2-9B: Ant Groups 9B-GUI-Agent ohne Paper, ohne Ankündigung und mit nahezu SOTA-Werten veröffentlicht

UI-Venus-2-9B erschien am 26. August 2026 auf Hugging Face – ohne all das, was normalerweise einen Modell-Launch begleitet. Kein Ankündigungsbeitrag. Keine Pressemitteilung. Kein technischer Bericht – das arXiv-Abzeichen in der README verweist auf eine Platzhalter-URL, und der Zitierblock enthält ein explizites TODO: arXiv-Kennung aktualisieren, sobald der UI-Venus-2-Bericht veröffentlicht ist. Auch der Link zur Projektseite ist nur ein Platzhalter. Zum Zeitpunkt dieses Schreibens hat das Repository null Downloads und ein Like, und die vier darin enthaltenen Safetensors-Shards beschreiben einen universellen GUI-Agenten, der laut seiner eigenen Modellkarte Q​wen3.6-27B auf AndroidWorld und OSWorld-Verified schlägt, Claude Opus 4.6 auf WebVoyager übertrifft, O​penAI Operator auf Online-Mind2Web hinter sich lässt und die Erfolgsquote von OSBlind-Angriffen von den für frühere GUI-Agenten typischen über 90 % auf 18,5 % senkt. Die Modellkarten von InclusionAI führen die Familie auf das Venus Team bei Ant Group zurück – was dies zu dem leisen Einstieg von Ant Group in das Rennen um Open-Weight-Computer-Use-Modelle macht – und das Leiseste daran ist, dass noch keine dieser Zahlen unabhängig reproduziert wurde.

Was tatsächlich ausgeliefert wurde

Das Repository heißt inclusionAI/UI-Venus-2-9B, als image-text-to-text gekennzeichnet mit einem qwen3_5 Architektur-Tag. Das Modell hat 9B Parameter, wurde von Q​wen3.5-9B initialisiert und unter Apache-2.0 in BF16 veröffentlicht. Es ist ein Foundation-GUI-Agent: Er beobachtet eine Oberfläche, analysiert den Aufgabenstatus, führt eine Aktion aus und bezieht das resultierende Feedback in die nächste Entscheidung ein — ein geschlossener Beobachten–Analysieren–Handeln–Feedback-Zyklus, der laut Karte darauf trainiert ist, mobile Anwendungen, Web-Plattformen und Desktop-Betriebssysteme in einem Checkpoint abzudecken.

• Parameter — 9B, initialisiert von Q​wen3.5-9B, BF16, vier Shards.

• Lizenz — Apache-2.0.

• Kontext — der offizielle vLLM-Aufruf setzt --max-model-len 262144 (256K Token), also so viel Screenshot-Verlauf, wie der Agent in einer Episode behalten kann.

• Bereitstellung — erstklassige vLLM-Unterstützung mit einem OpenAI-kompatiblen Endpoint und einem --reasoning-parser qwen3-Flag, was bedeutet, dass das Modell Reasoning-Tokens vor seiner Aktion im Qwen3-Stil ausgibt.

• Reach — die Karte behauptet Trainingsabdeckung über 170+ mehrsprachige mobile Apps (100+ Chinesisch, 70+ Englisch), 50k+ Live-Websites und native Desktop-Betriebssysteme mit 50+ professionellen Anwendungen.

Das Detail des Reasoning-Parsers ist wichtiger, als es aussieht. Ein GUI-Agent, der nachdenkt, bevor er handelt, ist nicht neu, aber einen auszuliefern, der sich in Standard-vLLM einklinkt, mit einer O​penAI-kompatiblen API und einem Standard-Q​wen-Reasoning-Parser, bedeutet, dass die Serving-Geschichte im guten Sinne langweilig ist — ein Befehl und er läuft, was ungewöhnlich ausgereift ist für ein Modell, das gestern erstellt wurde.

Die Zahlen und was sie nicht sind

Alles unten ist vom Anbieter gemeldet. Die Modellkarte veröffentlicht Vergleichstabellen mit starken publizierten Baselines, und die Zeile, die für UI-Venus-2-9B den besten Wert ausweist, ist AndroidWorld 80,2 — über Q​wen3.6-27B bei 70,3, MAI-UI-8B bei 70,7 und GUI-Owl-1.5-32B-Instruct bei 69,8. Bei OSWorld-Verified erreicht die 9B 70,8, wiederum vor Q​wen3.6-27B bei 62,0, aber hinter Kimi K2.6 bei 73,1. Bei der Webnavigation listet die Karte WebVoyager 90,8, über Claude Opus 4.6 bei 88,0 und Seed-2.0 bei 85,1, sowie Online-Mind2Web 74,0 gegenüber O​penAI Operators 61,3.

Der auffälligste interne Vergleich ist der mit der eigenen Basis des Modells. Auf DeskCraft erreicht UI-Venus-2-9B 48,0 Punkte, während das Q​wen3.5-9B, von dem es initialisiert wurde, 14,6 erreicht – ein Sprung um 33,4 Punkte, der das gesamte Argument für das Trainingsrezept darstellt, und er wiederholt sich bei CAPTCHA: MCA-Bench 75,7 gegenüber 30,4 der Basis, NextGen-CAPTCHAs 47,6 gegenüber 2,8. Die CAPTCHA-Zahlen verdienen für sich genommen einen Moment des Innehaltens, denn sie sind das deutlichste Zeichen dafür, dass das Modell gebaut wurde, um echte, feindselige Produktionswebsites zu bedienen, statt sauberer Benchmark-Seiten.

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

• Computernutzung — OSWorld-Verified 70,8, DeskCraft 48,0.

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

• GUI-Grounding — 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.

• Sicherheit — OSBlind-Angriffserfolgsrate 18,5 %, bei Claude 4.5 Sonnet mit 73,0 und GPT-4o mit 93,3 auf derselben Karte.

Das Rezept: fünf Aufgabenfamilien, drei Stufen

Die Trainingspipeline, die die Karte beschreibt, ist der Grund für die großen Deltas der Basismodelle. UI-Venus-2 wird über drei Stufen auf einer bewusst komplementären Mischung aus fünf Aufgabenfamilien trainiert – Grounding, CAPTCHA, Mobile, Web und Computer. Erstens: groß angelegtes, trajektorienbasiertes multimodales Mid-Training in simulierten Mobile-, Web- und OS-Umgebungen, wobei eine kollaborative Verifikation mit menschlichen Diskriminatoren ungültige Interaktionen herausfiltert, ergänzt durch programmatisch synthetisierte Grounding- und CAPTCHA-Supervision. Zweitens: Offline-Stepf-Level-Reinforcement-Learning für Mobile, OS und Web, das eine zustandsbewusste Aktionsauswahl optimiert, wobei verifizierte CAPTCHA- und Grounding-Instanzen in realistische Schnittstellen eingebettet sind, um präzise Lokalisierung unter visueller Unordnung zu lehren. Drittens: Multi-Teacher-On-Policy-Destillation, die domänenspezialisierte Lehrer in einer einheitlichen Policy konsolidiert.

{{1}}Die Verifikationsebene ist der markanteste Teil.{{/1}} {{2}}Die Aufgabenerfüllung wird anhand aufgabenrelevanter visueller Schlüsselpunkte beurteilt und nicht anhand eines groben Blicks auf den Endbildschirm, und mehrere Modelle stimmen ab, um heterogene Bewertungen zu aggregieren — ein Design, das darauf abzielt, das RL-Belohnungssignal gegen Reward Hacking robust zu machen.{{/2}} {{3}}Verifiziertes Feedback wird dann als Reflexions-Supervision zurück in das Training destilliert,{{/4}}damit der Agent Teilfortschritte von echter Vollendung unterscheiden und sich bei langfristigen Interaktionen erholen kann.{{/3}} {{5}}Nichts davon ist unabhängig verifiziert, und die Karte liefert keine Reproduktionen, auf die man verweisen könnte —{{/6}}es ist die Behauptung, die das Papier untermauern soll.{{/5}}

Die Familie und die Verbindung zu Ant Group

UI-Venus-2-9B ist die dritte Generation einer Modellfamilie, die inclusionAI die ganze Zeit über still und leise ausgeliefert hat. Der ursprüngliche UI-Venus Technical Report erschien im August 2025 mit 7B- und 72B-Checkpoints; UI-Venus 1.5 folgte im Februar 2026 mit 2B-, 8B- und 30B-A3B-Varianten. Der Zitierblock auf der neuen Karte nennt das „Venus Team, Ant Group“ – so beschreibt inclusionAI seine Beziehung zu Ant Group in eigenen Worten: Dies ist das KI-Labor von Ant Group, das unter dem Namen inclusionAI veröffentlicht. Die Gründungsthese der Familie lautet, dass ein GUI-Agent allein auf Basis von Pixeln funktionieren sollte: den Bildschirm über Screenshots beobachten statt über DOM-Bäume, Accessibility-XML oder UI-Dumps – das macht ihn für die große Zahl chinesischer und englischer Mobil-Apps portabel, die keine strukturierten UI-Daten bereitstellen. Das begleitende Venus Framework aus dem GitHub der Familie steuert die Android-Automatisierung und unterstützt die parallele Steuerung mehrerer Geräte.

Was wir noch nicht wissen

Die ehrliche Lektüre dieses Repos ist, dass die Kluft zwischen den Behauptungen und den Belegen weiterhin groß ist. Es gibt keinen öffentlichen technischen Bericht zu UI-Venus-2 – das Badge ist ein Platzhalter, und die README sagt, der Bericht sei „nicht öffentlich“ – die Benchmark-Tabellen stellen also nur die eigenen Zahlen des Anbieters dar, ohne Methodikdokument und ohne unabhängige Wiederholung. Es gibt keine Live-Projektseite. Es gibt keine Ankündigung, was bedeutet: keine offiziellen Preise, keine gehostete API und keine bestätigte Roadmap. Die Tabellen der Karte selbst listen wiederholt ein UI-Venus-2-27B auf – 84.0 bei AndroidWorld, 80.5 bei OSWorld-Verified, 12.3 bei OSBlind –, das zum Zeitpunkt des Schreibens nicht auf Hugging Face existiert; das Flaggschiff der Familie wird also referenziert, ist aber unveröffentlicht. Und bei null Downloads hat bisher niemand außerhalb des Labors diesen Checkpoint ausgeführt.

Wie du es tatsächlich ausführen würdest

Bei all den Unbekannten ist das Einzige, was konkret ist, das Serving. Die Karte dokumentiert einen einzelnen vLLM-Befehl, der das Modell mit einem 256K-Kontextfenster und einer OpenAI-kompatiblen API startet:

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

Das macht den praktischen Weg zum Self-Hosting — die Gewichte herunterladen, vLLM ausführen und deine Agent-Harness auf localhost ausrichten. Das ist der Fall, in dem sich eine Routing-Ebene im umgebenden Stack bezahlt macht und nicht im GUI-Agenten selbst: das Modell, das den Aufgabenplan schreibt, das Vision-Modell, das einen Bildschirmzustand gegenprüft, das Transkriptionsmodell, das protokolliert, was passiert ist — alle diese Modelle laufen über OrcaRouter zum Listenpreis des Anbieters, mit 0 % Aufschlag und automatischem Failover. So kannst du mit einem erst einen Tag alten Modell Prototypen bauen, ohne eine Produktions-Pipeline darauf zu setzen. An dem Tag, an dem ein GUI-Agent-Checkpoint wie dieser einen gerouteten Anbieter erreicht, erscheint er zum Listenpreis des Anbieters mit demselben Pass-through, und Preissenkungen des Anbieters kommen am selben Tag bei uns an. Bis dahin sind die Apache-2.0-Gewichte die ganze Geschichte.

Was als Nächstes ansehen

Drei Dinge werden entscheiden, ob aus diesem stillen Schiff Neuigkeiten werden. Ob die UI-Venus-2-27B, die die Tabellen der Karte füllt, tatsächlich auf Hugging Face erscheint und ob sie die OSBlind-Zahl 12.3 mit sich führt. Ob der technische Bericht erscheint und der ersten unabhängigen Reproduktion standhält. Und ob die Ant Group entscheidet, dass die ruhige Phase vorbei ist — denn ein Open-Weights-Agent mit 9B Parametern, diesen Tabellenzahlen und einem 256K-Kontext bleibt nicht lange bei null Downloads.