WeVisOne-VL-2B vs. UI-Venus-2-9B: Die Größenlücke, die der Name verbirgt

Neun Milliarden Parameter sind nicht das, was der Vergleich nahelegt. So geschrieben, wie die meisten es schreiben – WeVisOne-VL-2B vs. UI-Venus 2.9B –, liest sich die Paarung wie zwei kleine Vision-Modelle mit ungefähr demselben Gewicht, ein fairer Kampf zwischen einem frischen 2B-Checkpoint aus dem WeChat-Vision-Team von Tencent und etwas etwas Größerem von Ant Groups inclusionAI. Die zweite Hälfte dieser Annahme ist falsch. UI-Venus-2-9B ist UI-Venus 2 mit 9 Milliarden Parametern, initialisiert aus Qwen3.5-9B; die „2“ steht für die Generation, nicht für die Größe. WeVisOne-VL-2B, am 22. Oktober 2026 auf Hugging Face veröffentlicht, hat 2 Milliarden Parameter auf einem Qwen3-VL-Backbone. Der tatsächliche Vergleich ist daher ein Modell, das viereinhalbmal kleiner ist, auf einer älteren Backbone-Generation, und das eine völlig andere Art von Antwort liefert.

Es kam ebenfalls ohne Launch. Es gibt ein Hugging-Face-Repository, ein GitHub-Repository mit einem einzigen Initial-Commit, ein Paper auf arXiv und eine Forschungsprojektseite – und keine Herstellerankündigung, keinen Blogbeitrag und keine Preisseite, die sie miteinander verbindet. Das bestimmt, was dieser Artikel ehrlicherweise leisten kann. Die Gewichte, die Architektur, der Lizenztext und die Tabellen des Papers sind heute überprüfbar. Unabhängige Evaluierung, Durchsatz, Latenz und Preis sind es nicht, denn nichts davon existiert bisher. Die Model Card von Tencent enthält überhaupt keine Benchmarkzahlen; jede unten WeVisOne-VL-2B zugeschriebene Punktzahl stammt aus den sieben Aufgabentabellen der Autoren selbst und ist entsprechend gekennzeichnet. UI-Venus-2-9B ist älter und besser dokumentiert, aber seine Zahlen sind exakt die selbst berichteten.

Was die beiden Namen tatsächlich beschreiben

WeVisOne-VL-2B ist ein Wahrnehmungsmodell. Übergibt man ihm ein Bild und eine Phrase, liefert es Geometrie: eine Bounding Box, einen Punkt, eine Anzahl, eine binäre Maske oder eine kontinuierliche Alpha-Matte. Seine Sprachseite gibt Koordinaten als dedizierte Tokens aus, die von <0> bis <1000> reichen und auf das Bild normalisiert sind, und schließt jede Box in dichten Aufgaben mit einem speziellen <OBJ>-Token an ID 152.678 ab. Diese Tokens sind nur Marker, bis mask_decoder.pt den dahinterliegenden Hidden State liest – ein erforderliches Artefakt mit 9.511.460 Parametern, das als zweite Datei ausgeliefert wird und das die Karte als „eine erforderliche Kernkomponente, kein optionales Add-on“ beschreibt. Ohne es erhält man Boxen. Mit ihm erhält man Masken und Alpha-Matten mit Stride 1.

UI-Venus-2-9B ist ein Agent. Man übergibt ihm einen Screenshot und eine Aufgabe, und er gibt eine Aktion zurück: den nächsten Tipp, Klick oder Tastendruck sowie die Reasoning-Tokens, die dazu geführt haben – innerhalb einer geschlossenen Schleife aus Beobachten, Denken und Handeln. Er wurde auf Interaktion ausschließlich über Screenshots trainiert, über Grounding, CAPTCHA, Mobilgeräte, Web und Computer-Use hinweg, und sein veröffentlichtes vLLM-Rezept kombiniert eine maximale Modelllänge von 262.144 mit dem Qwen3-Reasoning-Parser, weil die Reasoning-Spur vor jeder Aktion ausgegeben wird.

Stellt man die beiden nebeneinander, fällt die Diskrepanz sofort auf:

• Was zurückkommt — Boxen, Punkte, Zählungen, OCR-Spans, Masken und Alpha-Mattes von WeVisOne-VL-2B; eine Bildschirmaktion samt zugehörigem Reasoning-Trace von UI-Venus-2-9B.

• Parameter — 2B für WeVisOne-VL-2B plus den separaten 9,5M-Decoder; 9B dicht für UI-Venus-2-9B, etwa das 4,5-Fache der Gewichte.

• Backbone — Qwen3-VL für WeVisOne-VL-2B, 28 Textschichten bei einer Hidden Size von 2.048; Qwen3.5-9B für UI-Venus-2-9B. Unterschiedliche Generationen, unterschiedliche Text-Stacks.

• Gewichte auf der Festplatte — bfloat16 für beide, aber rund 4 GB für das 2B-Modell gegenüber vier BF16-Shards mit insgesamt etwa 18,8 GB für das 9B-Modell.

• Kontext-Obergrenze — 262.144 Positionen bei beiden, aus der Konfiguration von WeVisOne-VL-2B und aus dem Serving-Befehl von UI-Venus-2-9B ausgelesen. Keiner der Anbieter zeigt, dass er etwas Derartiges verwendet.

• Veröffentlichte Belege — sieben Aufgabentabellen in Tencents Paper und keine auf der Modellkarte; eine lange Liste von Anbieter-Benchmarks auf inclusionAIs Karte und keine Tabellen im Paper.

• Lizenz — Apache 2.0 für von Tencent verfassten Code; „endgültige Bestätigung steht noch aus“ für die Gewichte von UI-Venus-2-9B.

Die praktische Konsequenz ist, dass man das eine nicht gegen das andere austauschen kann, und jeder Artikel, der Ihnen einen Sieger präsentiert, beantwortet eine Frage, die Sie nicht gestellt haben. Ein Wahrnehmungsmodell, das eine perfekte Maske liefert, kann trotzdem keinen Knopf drücken. Ein Agent, der eine App perfekt navigiert, kann Ihnen trotzdem nicht den Freisteller liefern, den Sie für ein Produktfoto wollten.

Die Argumente für das kleinere Modell sind stärker, als 2B versus 9B vermuten lässt.

Wenn man ein 2B neben einem 9B sieht, liegt der Instinkt nahe, dass das kleinere der Budget-Kompromiss ist. Für die Arbeit, für die es trainiert wurde, argumentiert Tencent's Paper anders, und eines seiner eigenen Ergebnisse spricht gegen die eigene größere Veröffentlichung. Alle Zahlen hier stammen von den Autoren selbst, wurden von den Autoren erhoben und von niemandem reproduziert.

Zero-Shot-Erkennung — mittlerer F1-Wert von 55,2 auf COCO, 53,3 auf LVIS, 61,4 auf Dense200 und 40,4 auf VisDrone. Die Qwen3-VL-2B-Baseline erzielt 45,2, 40,8, 10,0 und 23,1 in derselben Tabelle. Der Dense200-Abstand ist der, den man beachten sollte: sechsmal das Basismodell bei überfüllten Szenen.

• Zählen — 90,9 und 88,1 exakte Übereinstimmung auf den beiden PixMo-Count-Splits, aber 27,5 und 26,9 auf CLOC, 29,5 und 32,4 auf KubriCount und 47,9 auf CountQA. Zählen ist keine einzelne Fähigkeit, und die Streuung ist das Ehrlichste im Paper.

• OCR-Lokalisierung – mittlerer F1-Wert von 30,5 auf HierText, 42,6 auf ICDAR2015, 42,5 auf TotalText und 62,1 auf SROIE bei einem IoU-Schwellenwert von 0,5. Dies sind Lokalisierungswerte mit angehängten Koordinaten, keine Transkriptionsgenauigkeit, daher sind sie nicht mit dem OCRBench-Wert vergleichbar, der für Consumer-VLMs üblicherweise angegeben wird.

• Referenzsegmentierung — 79,7 kumulative IoU bei der RefCOCO-Validierung, 73,1 bei RefCOCO+, 74,4 bei RefCOCOg und 60,9 gIoU bei ReasonSeg.

• Promptfähiges Matting — 6,6 mittlere absolute Abweichung auf P3M-500-NP mit einem Box-Prompt gegenüber 15,4 für SAM2-Matting; 5,7 gegenüber 12,1 auf AM-2K; 15,8 gegenüber 23,0 für eine Qwen3-VL-8B-plus-SAM2-Matting-Pipeline auf dem schwierigeren Referring-Split von WeRefMat. Durchgängig gilt: niedriger ist besser.

Beim Matting-Ergebnis kehrt sich das Größenargument um. Im selben P3M-500-NP-Box-Prompt-Test erzielt das 2B-Modell 6,6 und das eigene 4B-Geschwistermodell von Tencent 7,3. Das kleinere Modell liefert von beiden das bessere Matting, Tencent erklärt nicht, warum, und das Paper druckt es trotzdem ab. Wenn Ihre Aufgabe darin besteht, Objekte aus Bildern auszuschneiden, ist die günstigste Variante der Familie kein Rückschritt — sie ist derzeit die am besten gemessene Wahl.

Was das Paper nicht zeigt, ist ebenso wissenswert. In keinem der sieben Tabellen findet sich MMMU, MMBench, DocVQA oder ein Captioning-Benchmark, und im Abschnitt zu den Einschränkungen wird eingeräumt, dass begrenzte allgemeine Trainingsdaten „die allgemeinen Fähigkeiten im Vergleich zum Basismodell beeinträchtigen können“. Das Fine-Tuning, das dieses Modell gut in der Wahrnehmung gemacht hat, könnte es zu einem schlechteren allgemeinen Assistenten gemacht haben, und nichts in der Veröffentlichung testet das. Ebenso wenig gibt es Chain-of-Thought-Ausgaben, Mehrrunden-Gedächtnis oder Unterstützung für Video – der Pixel-Decoder lehnt Video-Raster rundweg ab.

Der eine Benchmark, der das klären würde, existiert nicht.

Stellt man die beiden Evaluations-Suites nebeneinander, ist die Unvergleichbarkeit keine bloße Formalie mehr. Die zentralen Ergebnisse von UI-Venus-2-9B sind Erfolgsquoten für den Endzustand in einer Umgebung: AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0, MobileWorld 65,8 beim Standard-Schrittbudget der Karte und 75,2 bei 100 Schritten. Diese messen, ob eine Aufgabe abgeschlossen wurde, und fassen Wahrnehmung, Planung, Gedächtnis und Fehlerwiederherstellung in einer einzigen Zahl zusammen.

Was einer gemeinsamen Achse am nächsten kommt, ist GUI-Grounding – das Auffinden eines kleinen Schnittstellenelements in einem hochauflösenden Screenshot. UI-Venus-2-9B erzielt 73,0 auf ScreenSpot-Pro. WeVisOne-VL-2B meldet kein ScreenSpot-Pro-Ergebnis, kein ScreenSpot-V2-Ergebnis und überhaupt kein GUI-Benchmark-Ergebnis – weder auf seiner Model Card noch in seinem Paper noch auf seiner Projektseite. Umgekehrt meldet WeVisOne-VL-2B OCR-Lokalisierung und Dense Pointing, während UI-Venus-2-9B keines von beiden meldet.

Es gibt einen Haken, der die im Titel genannte Paarung noch seltsamer erscheinen lässt. inclusionAI liefert bereits ein 2B-Modell auf Basis von Qwen3-VL aus – UI-Venus-1.5-2B –, und seine Modellkarte meldet 57,7 auf ScreenSpot-Pro, gegenüber 68,4 für sein 8B-Geschwistermodell und 69,6 für das 30B-A3B. Das ist das echte, größenmäßig passende Gegenstück zu WeVisOne-VL-2B, auf derselben Backbone-Familie und gemessen auf dem einen Benchmark, der beiden Produktlinien wichtig ist. Es ist einfach nicht das Modell, das in dieser Gegenüberstellung genannt wird.

Die ehrliche Einschätzung fällt eng aus. Es gibt keine veröffentlichte Zahl, die WeVisOne-VL-2B auf irgendeiner Aufgabe mit UI-Venus-2-9B vergleicht, und niemand hat das 2B-Wahrnehmungsmodell auf einem GUI-Grounding-Datensatz laufen lassen. WeVisOne-VL-2B auf ScreenSpot-Pro laufen zu lassen, ist die nützlichste fehlende Messung in diesem Vergleich: Sie würde zeigen, ob ein 2B-Wahrnehmungsspezialist Schnittstellenelemente besser oder schlechter findet als ein 9B-Agent, und bis jemand sie durchführt, extrapoliert jeder, der diese beiden beim Finden von Dingen einordnet, aus der Architektur.

Was jedes einzelne davon tut, wenn das Objekt nicht vorhanden ist

Das Verhalten bei fehlenden Objekten ist der Punkt, an dem Wahrnehmungsmodelle unbemerkt versagen. Fragt man nach dem Feuerlöscher in einem Raum, in dem es keinen gibt, zieht ein Modell, das immer antwortet, selbstsicher eine Bounding Box um den Heizkörper – und in einer automatisierten Pipeline wird daraus ein halluziniertes Objekt in einer Asset-Bibliothek oder ein fehlgeleiteter Tipp in einer Agenten-Schleife.

WeVisOne-VL-2B antwortet stattdessen mit None, und das Paper berichtet Ablehnung als eigene Metrik neben der Genauigkeit. Für RefCOCOg wird eine Ablehnungsrate von 50,2 bei Abfragen nach nicht vorhandenen Objekten berichtet, gegenüber 0,5 für Rex-Omni-3B und 0,6 für LocateAnything-3B in derselben Tabelle. Das ist ein anderes Designziel als die Maximierung des Recall, und es ist die Zahl, die ein kleines Modell als Komponente nutzbar macht: Ein Geometrie-Zweig, der „nicht vorhanden“ sagt, kann sicher in einen Planer eingespeist werden, während einer, der eine Box erfindet, ihn stillschweigend korrumpiert.

UI-Venus-2-9B nähert sich demselben Problem von der Aktionsseite und übernimmt refusal-aware Grounding aus der UI-Venus-Reihe – es ist darauf trainiert, abzulehnen, wenn das angeforderte Element nicht auf dem Bildschirm ist, statt eine plausible Koordinate zu raten. Seine Sicherheitstabelle zeigt die behauptete Wirkung: eine Angriffserfolgsrate von 11,3 % bei OSHarm gegenüber 25,3 % für die Basis Qwen3.5-9B und 48,8 % bei OSBlind gegenüber 79,4 %. Die Karte stellt außerdem ausdrücklich klar, dass dies das Risiko schädlicher Aktionen nicht beseitigt, und empfiehlt menschliche Bestätigung sowie Schutzvorkehrungen auf Anwendungsebene. Beide Teams entschieden sich für Enthaltung statt Abdeckung; bei keinem von beiden wurde diese Entscheidung unabhängig gemessen.

Ein 2B-Modell neben einem 9B-Modell ausführen

Die ehrliche Beziehung zwischen diesen beiden Modellen ist keine Rivalität, sondern eine Abfolge. Das eine liefert Geometrie, das andere handelt darauf basierend. Wenn Sie ein System zur Bildschirmautomatisierung bauen, sieht eine plausible Architektur WeVisOne-VL-2B vorne vor als die Komponente, die meldet, was wo ist – Boxen, OCR-Spans, Masken – und UI-Venus-2-9B dahinter als die Komponente, die entscheidet, was zu tun ist. Das ist Komposition, nicht Wettbewerb, und es ist der einzige Rahmen, in dem die Paarung operativ Sinn ergibt.

Der Speicherbedarf macht diese Zusammensetzung auf einer einzigen Maschine günstig. In bfloat16 umfasst das 2B-Backbone vor dem Decoder etwa 4 GB an Gewichten, und das 9B-Modell belegt über vier Shards hinweg etwa 18,8 GB. Beide passen auf eine einzelne 24-GB-Karte, mit Platz für Kontext; das 2B allein passt auf eine 8-GB-Karte, was die interessantere Tatsache ist. Die Kontextobergrenzen liegen übereinstimmend bei 262.144 Positionen, bedeuten aber Unterschiedliches: Der Agent nutzt langen Kontext als Episodengedächtnis und hält eine Historie von Screenshots, während die veröffentlichten Evaluierungen des Wahrnehmungsmodells mit etwa 1.960 visuellen Tokens pro Bild arbeiten. Ein 256K-Fenster bei einem rein bildbasierten Single-Turn-Modell ist eine Obergrenze, keine nachgewiesene Fähigkeit.

Bei den Kosten unterscheiden sich die Formen. Keiner der Anbieter veröffentlicht einen Preis pro Token, daher sind für beide {{1}}die tatsächlichen Kosten GPU-Stunden auf Hardware, die Sie mieten oder besitzen{{/1}}. Ein Agent zahlt bei jedem Schritt für einen {{2}}9B-Forward-Pass plus Reasoning-Tokens{{/2}}, und eine Episode besteht aus vielen Schritten – eine Zahl, die sich nicht anhand des Datenblatts prognostizieren lässt. Ein Wahrnehmungsmodell zahlt pro Bild für einen {{3}}2B-Pass plus einen Decoder-Forward{{/3}}, und ein Bild ist ein Aufruf. Hunderttausend Produktfotos sind {{4}}vorhersagbare Arithmetik pro Bild{{/4}}; eine Browser-Aufgabe ist das nicht.

Hier zeigt sich auch, warum eine Routing-Schicht ihren Platz verdient, statt nur ein Schlagwort zu sein. Keines der beiden Modelle ist heute auf OrcaRouter verfügbar – geprüft gegen den Live-Katalog mit 209 Modellen, und in der Modellkarte von WeVisOne-VL-2B steht, dass es von keinem Inference-Anbieter bereitgestellt wird. Für die Modelle, die wir tatsächlich anbieten, sind die nützlichen Eigenschaften ein OpenAI-kompatibler Endpunkt, 0 % Aufschlag, wobei der Listenpreis des Anbieters unverändert weitergegeben wird, eine Routing-DSL, die mehrere Modellaufrufe hinter einer Schnittstelle zusammenführt, und automatisches Failover. Für eine Zwei-Bein-Architektur wie die oben ist die DSL der Ort, an dem die Komposition lebt und an dem jedes der beiden Beine ausgetauscht werden kann, ohne den Aufrufer neu zu schreiben. Sobald eines dieser beiden Modelle bei einem Anbieter landet, ist das der günstigste Weg herauszufinden, ob es in deinen Stack gehört.

Lizenz, Preis und was niemand bestätigt hat

Die Model Card von WeVisOne-VL-2B gewährt Apache 2.0 für „von Tencent verfassten Code in diesem Repository“, was die permissive Antwort ist, die die meisten Teams wollen. Ein Detail erschwert die Sache: Die GitHub-API meldet die Repository-Lizenz als „Other“ ohne SPDX-Kennung. Diese Aussagen stehen nicht zwangsläufig im Widerspruch – Komponenten von Drittanbietern behalten ihre eigenen Bedingungen –, aber es bedeutet, dass es sich lohnt, die Lizenzdatei zu lesen, bevor dies in die Nähe eines Produkts gelangt, statt das Badge für bare Münze zu nehmen.

Die Karte von UI-Venus-2-9B ist die ungeklärte. Auf ihr heißt es, dass die Lizenz für die Modellgewichte noch der abschließenden Bestätigung bedarf und vor der öffentlichen Veröffentlichung ergänzt wird, und dass die frühere Apache-2.0-Erklärung bewusst nicht übernommen wurde, weil die vorgelagerten Materialien widersprüchliche Lizenzangaben enthalten. Dieser Satz steht seit August auf der Karte und hat sich nicht geändert. Er verhindert weder die Evaluierung noch die meisten internen Nutzungen, aber ein externes Produkt, das auf diesen Gewichten aufbaut, baut auf einer offenen Frage auf, und keine Benchmark-Punktzahl schließt sie.

Keines der beiden Modelle hat einen anbieterseitig festgelegten Preis. WeVisOne-VL-2B hat keinen Inferenzanbieter und keine Preisliste. UI-Venus-2-9B hat keinen First-Party-Endpunkt und keine von inclusionAI veröffentlichte Preisgestaltung, daher ist alles, was ein Drittanbieter-Host berechnet, die Zahl dieses Hosts, nicht die des Teams.

Welches soll man wählen?

Die Entscheidung ist eine Stellenbeschreibung, kein Ranking.

• Wählen Sie WeVisOne-VL-2B, wenn die Antwort, die Sie benötigen, Geometrie ist – Boxen in eine Annotationspipeline, Masken für ein Bearbeitungswerkzeug, Alpha-Mattes für Produktbilder, Zählungen in einem dichten Frame oder OCR mit angehängten Koordinaten – und insbesondere, wenn Sie es auf kleiner Hardware benötigen. Es ist das einzige Modell hier, das aus einem Text-Prompt eine Matte zurückgibt, es übertrifft sein eigenes größeres Schwestermodell beim Matting, und seine Lizenz ist die geklärte.

• Wählen Sie UI-Venus-2-9B, wenn die Antwort, die Sie benötigen, eine abgeschlossene Aufgabe ist: ein ausgefülltes Formular, eine navigierte App, ein gelöstes CAPTCHA, ein ausgeführter Desktop-Workflow. Sie kaufen eine Agent-Loop, und Sie sollten wissen, dass die Lizenz ungeklärt ist und Long-Horizon-Desktop-Arbeit in dieser Größenklasse nicht gelöst ist – die eigenen OSWorld-2.0-Werte der Karte sind 7,5 partiell und 0,0 binär.

• Wählen Sie stattdessen UI-Venus-1.5-2B, wenn Sie eigentlich einen kleinen GUI-Grounder wollten. Es ist das 2B-Modell auf Qwen3-VL-Basis in inclusionAIs Produktlinie, meldet 57,7 auf ScreenSpot-Pro und ist der größenmäßig passende Vergleichskandidat, den der Name dieses Matchups impliziert, aber nicht nennt.

• Führe beide nacheinander aus, wenn du eine Bildschirmautomatisierung baust, die präzise sehen und dann handeln muss – zuerst der Geometrie-Teil, dann der Agent-Teil, eine GPU.

• Moment, wenn eine GUI-Grounding-Zahl für WeVisOne-VL-2B das ist, wovon Ihre Entscheidung abhängt. Sie existiert noch nicht, und sie aus Parameterzahlen zu erraten, ist keine Methode.

Was würde diese Antwort ändern?

Vier Dinge, nach Nützlichkeit geordnet. Ein ScreenSpot-Pro- oder ScreenSpot-V2-Lauf von WeVisOne-VL-2B würde die zentrale Lücke in diesem Beitrag in einen Vergleich verwandeln, und da das Modell einen Tag alt und Apache 2.0 ist, ist das für jeden mit einer GPU und dem Evaluations-Harness ein Wochenendprojekt. Eine Lizenzklärung zu UI-Venus-2-9B würde den einen Blocker beseitigen, dem kein Genauigkeitswert etwas entgegensetzen kann. Eine Listung bei einem Inferenzanbieter für eines der beiden Modelle würde die GPU-Stunden-Rechnung durch einen tatsächlichen Preis ersetzen. Und ein 4B-zu-2B-Vergleich, der erklärt, warum das kleinere Modell besser abschneidet, würde Käufern sagen, ob die Namensgebung der Familie überhaupt etwas bedeutet.

Bis dahin besteht die sinnvolle Art, diese beiden zu betrachten, nicht darin, sie als Rivalen auf einer Bestenliste zu sehen, sondern als unterschiedliche Instrumente: eines, das das Bild misst, und eines, das auf dem Bildschirm handelt. Der Name dieses Duells legt nahe, dass Sie zwischen nahezu gleichwertigen kleinen Modellen wählen. Sie wählen zwischen einem 2B-Spezialisten und einem 9B-Agenten, und das Einzige, was sie wirklich gemeinsam haben, ist die Angewohnheit, Nein zu sagen.