WeVisOne-VL-4B vs. UI-Venus-2-9B: Das eine liefert eine Maske, das andere einen Klick

Gibt man WeVisOne-VL-4B und UI-Venus-2-9B denselben Screenshot einer Checkout-Seite, erhält man zwei verschiedene Arten von Antwort. Das erste liefert Geometrie: eine Box um das Warenkorb-Symbol, eine Segmentierungsmaske um das Rabattfeld, eine Alpha-Matte, die das Produktfoto aus seinem Hintergrund freistellt. Das zweite liefert einen Zug: die Koordinaten des nächsten Taps plus die Begründung, die dazu geführt hat. Das WeChat-Vision-Team von Tencent hat WeVisOne-VL-4B ohne Ankündigung auf Hugging Face veröffentlicht und sein technisches Papier auf den 23. Oktober 2026 datiert; das UI-Venus-2-9B von inclusionAI ist seit dem 26. August 2026 herunterladbar. Sie werden unter demselben Modalitätslabel abgelegt, und sie sind kein Ersatz füreinander.

Das macht daraus einen Vergleich mit einem ungewöhnlichen Problem im Zentrum: Die beiden Modelle haben keinen gemeinsamen Benchmark. Kein einziger Wert erscheint auf beiden Modellkarten. Keines wurde unabhängig evaluiert, keines wird von einem Inferenzanbieter bereitgestellt, und keines hat einen veröffentlichten Preis. Ehrlich vergleichen lässt sich, was jedes Modell ausgibt, wie jedes darauf trainiert wurde, Ablehnungen zu äußern, was ihr Betrieb kostet und unter welcher Lizenz man sie ausliefern würde – also genau das tut dieser Beitrag, und er kennzeichnet vom Anbieter gemeldete Zahlen jedes Mal, wenn eine auftaucht, als vom Anbieter gemeldet.

Die beiden Modelle beantworten nicht dieselbe Frage.

WeVisOne-VL-4B ist ein Wahrnehmungsmodell. Es basiert auf einem Qwen3-VL-Backbone und ergänzt einen erforderlichen Pixel-Decoder mit 9,6 Millionen Parametern — mask_decoder.pt, als zweites Artefakt ausgeliefert —, der die Box-Vorhersagen des Sprachmodells in Instanzmasken und anschließend in Alpha-Mattes mit Schrittweite 1 umwandelt. Koordinaten werden als dedizierte Token im Bereich <0> bis <1000> ausgegeben, auf das Bild normalisiert, und ein spezielles <OBJ>-Token (ID 152.678) schließt in dichten Aufgaben jede Box. Die Aufgabenliste des Papers ist eine Liste geometrischer Aufgaben: Open-Vocabulary-Detektion, Referring Localization, Zählen, Pointing, OCR-Lokalisierung, Referring Segmentation und promptbares Alpha-Matting.

UI-Venus-2-9B ist ein Agent. Es wird auf Basis von Qwen3.5-9B initialisiert und durch Mid-Training, schrittweises Offline-Reinforcement-Learning und Multi-Teacher-On-Policy-Distillation auf einer ausschließlich auf Screenshots basierenden Interaktion über fünf Aufgabenfamilien hinweg trainiert – Grounding, CAPTCHA, Mobile, Web und Computer. Die Ausgabe ist eine Aktion in einer geschlossenen Beobachten–Schlussfolgern–Handeln-Schleife, und das vLLM-Rezept kombiniert --max-model-len 262144 mit --reasoning-parser qwen3, weil vor jeder Aktion Reasoning-Tokens ausgegeben werden.

Stellt man die Spezifikationen nebeneinander, ist der Unterschied sofort deutlich:

• Was dabei herauskommt — Boxen, Punkte, Masken und Alpha-Mattes von WeVisOne-VL-4B; eine Aktion samt ihrem Reasoning-Trace von UI-Venus-2-9B.

• Backbone — Qwen3-VL für WeVisOne-VL-4B; Qwen3.5-9B für UI-Venus-2-9B. Unterschiedliche Generationen, unterschiedliche Familien des Text-Stacks.

• Größe — 5B Parameter werden im Repo aufgeführt, obwohl der Name „4B“ lautet, plus ein separater Decoder mit 9,6M Parametern; 9B dense für UI-Venus-2-9B über vier BF16-Shards, etwa 18,8 GB.

• Gewichtsformat — F32-safetensors auf der WeVisOne-VL-4B-Karte, was bei dieser Größe ungewöhnlich ist und den Download größer macht, als die Parameteranzahl vermuten lässt; BF16 für UI-Venus-2-9B.

• Lizenz — Apache 2.0 für WeVisOne-VL-4B; „ausstehende endgültige Bestätigung“ für UI-Venus-2-9B.

Die praktische Konsequenz daraus ist, dass Sie das eine nicht durch das andere ersetzen können, und jeder Artikel, der Ihnen einen Gewinner nennt, beantwortet eine Frage, die Sie nicht gestellt haben. Ein Wahrnehmungsmodell, das eine perfekte Maske liefert, kann trotzdem nicht klicken. Ein Agent, der perfekt klickt, kann Ihnen trotzdem nicht den Freisteller liefern, den Sie für das Produktshooting wollten.

Wo sie sich wirklich überschneiden: Beide Teams brachten ihrem Modell bei, Nein zu sagen.

Dies ist die eine Designentscheidung, die beide Releases getroffen haben, und sie ist das Interessanteste an der Gegenüberstellung. Modelle für Open-Vocabulary-Lokalisierung scheitern auf eine spezifische, teure Weise: Bittet man in einem Raum ohne Feuerlöscher um den Feuerlöscher, zieht ein Modell, das immer antwortet, mit voller Überzeugung eine Bounding Box um den Heizkörper. Downstream bedeutet das ein halluziniertes Objekt in Ihrer Asset-Pipeline oder einen fehlgeleiteten Tap in Ihrer Automatisierungsschleife.

WeVisOne-VL-4B behandelt dies, indem es None zurückgibt, und die Arbeit führt die Ablehnungsrate als eigene Metrik neben der Genauigkeit auf. Auf RefCOCOg erreicht das 4B-Modell eine Ablehnungsrate von 67,4, während sein Qwen3-VL-4B-Basismodell bei 18,8 liegt. Auf dem WeChat-internen WeRef-Bench meldet es eine Ablehnungsrate von 96,4 gegenüber 61,9 beim Basismodell und auf Ref-ZOM 86,0 gegenüber 0,3 bei UniPixel-7B. Dabei handelt es sich um selbstberichtete Zahlen aus einem heute veröffentlichten Paper, und die Ablehnungs-Benchmarks stammen größtenteils von den Autoren selbst – betrachten Sie die Richtung als glaubwürdig und den genauen Abstand als unbestätigt.

UI-Venus-2-9B nähert sich demselben Problem von der Agentenseite und erbt verweigerungsbewusstes Grounding aus der UI-Venus-Reihe: Das Modell ist darauf trainiert, abzulehnen, wenn das angeforderte Element nicht auf dem Bildschirm ist, statt eine plausible Position zu raten. Seine Grounding-Werte – ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5 – sind vom Anbieter gemeldet, und die Modellkarte stellt ausdrücklich klar, dass dies das Risiko schädlicher Aktionen nicht beseitigt, und empfiehlt menschliche Bestätigung plus Sicherheitsvorkehrungen auf Anwendungsebene. Seine Sicherheitstabelle zeigt die Wirkung, die es tatsächlich beansprucht: eine Angriffserfolgsrate von 11,3 % bei OSHarm gegenüber 25,3 % für die Qwen3.5-9B-Basis und 48,8 % bei OSBlind gegenüber 79,4 %.

Beide Modelle wurden also von Teams entwickelt, die gesehen hatten, wie ein Lokalisierer log, und beide entschieden sich für Enthaltung statt Abdeckung. Wenn der Fehlermodus Ihrer Anwendung „selbstsicher falsch“ ist, zählt diese gemeinsame Priorität mehr als die Parameteranzahl.

Die Zahlen, die Tencent in seiner Modellkarte nicht zeigt

Jede bisherige Darstellung von WeVisOne-VL-4B hat dasselbe gesagt, und das zu Recht: Die Modellkarte veröffentlicht keine Benchmarks. Das technische Papier schon, und es ist am 23. Oktober 2026 erschienen, was diesen Teil der Geschichte zu dem macht, der noch nicht die Runde gemacht hat. Alles davon stammt aus Selbstauskünften der Autorinnen und Autoren, nichts wurde unabhängig reproduziert, und das Modell ist einen Tag alt – lesen Sie diese Angaben also als Behauptungen mit Kontur, nicht als gesicherte Ergebnisse.

Im Vergleich zu seiner eigenen Qwen3-VL-4B-Basis sind die Abstände groß genug, dass sie selbst nach starker Diskontierung interessant wären:

• Erkennung, COCO-Zero-Shot-Mittelwert-F1 — 57,1 für WeVisOne-VL-4B vs. 48,7 für Qwen3-VL-4B und 55,3 vs. 44,0 auf LVIS.

• Detektion, Dense200 mittlerer F1 — 71,3 vs. 15,2. Das ist kein Tippfehler in der Tabelle des Papers; dichte Szenen mit kleinen Objekten sind genau der Bereich, in dem das Basismodell zusammenbricht.

• Referring-Detection, RefCOCOg val — 80,8 vs. 74,1, bei einer Ablehnungsrate von 67,4 vs. 18,8.

• Zählen, PixMo-Count val exakte Übereinstimmung — 93,7 vs. 69,6; bei MixCount val 42,0 vs. 3,5.

• Zeigen, PointBench F1 — 71,9 vs. 57,1.

• OCR-Lokalisierung, SROIE mittlere F1 — 68,1 vs. 40,4 und besser als PP-OCRv5 mit 58,6.

• Referenzielle Segmentierung, ReasonSeg-val-gIoU — 71,2 gegenüber 65,0 für LISA-13B.

• Promptfähiges Matting, AM-2K-Box-Prompt-MAD – 5,0 gegenüber 12,1 für SAM2-Matting; bei WeRefMat-Referring-Prompts 9,8 gegenüber 51,9.

Das Matting-Ergebnis ist dasjenige, bei dem man innehalten sollte, denn es ist die Fähigkeit, die sonst nichts in dieser Preisklasse per Prompt bietet. Ein Vision-Language-Modell nach „der Person als Alpha-Matte“ zu fragen und eine Stride-1-Ausgabe zu erhalten, die auf MAD eine SAM2-Matting-Pipeline schlägt, ist ein anderes Produkt als ein Detection-Head mit angehängter Maske. Es ist auch der Punkt, an dem das Paper seinem eigenen 4B am wenigsten schmeichelt: Bei P3M-500-NP-Box-Prompts erzielt das 2B-Modell 6,6 MAD gegenüber 7,3 beim 4B, sodass die größere Variante nicht durchgängig besser ist – und die Autoren drucken es ab.

Was die Zahlen von UI-Venus-2-9B messen und warum sie sich nicht übertragen lassen

Stellt man die beiden Benchmark-Suiten nebeneinander, hört die Unvergleichbarkeit auf, eine Formalie zu sein. Die Spitzenergebnisse von UI-Venus-2-9B sind allesamt Endzustands-Erfolgsraten 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 Zahlen messen, ob eine Aufgabe abgeschlossen wurde, was Wahrnehmung, Planung, Gedächtnis und Fehlerbehebung in einer einzigen Kennzahl zusammenfasst.

Das, was einer gemeinsamen Achse am nächsten kommt, ist GUI-Grounding. UI-Venus-2-9B erzielt 73,0 auf ScreenSpot-Pro, einem Benchmark zur Lokalisierung kleiner Schnittstellenelemente in hochauflösenden Screenshots – und WeVisOne-VL-4B gibt ihn nicht an. WeVisOne-VL-4B gibt Ergebnisse zur OCR-Lokalisierung und zum Dense Pointing an, und UI-Venus-2-9B gibt diese nicht an. Die ehrliche Position ist also, dass die einzig nützlichste Zahl für diesen Vergleich noch nicht existiert: WeVisOne-VL-4B auf ScreenSpot-Pro laufen zu lassen, würde zeigen, ob ein 5B-Wahrnehmungsspezialist einen 9B-Agenten beim Finden einer Schaltfläche schlägt, und solange das niemand ausführt, ist jede Rangfolge dieser beiden beim Grounding reine Spekulation.

Die eigene Suite des Agenten legt ihre Schwachstelle ebenfalls öffentlich offen. Auf OSWorld 2.0 erzielt das 9B-Modell 7,5 partiell und 0,0 binär; das 27B-Geschwistermodell erreicht 13,2 partiell und 2,8 binär. Desktop-Arbeit mit langem Horizont ist in dieser Größe nicht gelöst, und die Modellkarte sagt das auch.

Das Serving für sie ist eine größere Lücke als die Benchmark-Lücke.

Für ein Team, das entscheidet, was es nächste Woche laufen lassen soll, wird der betriebliche Unterschied wichtiger sein als jeder Score. UI-Venus-2-9B ist ein einzelnes Modell, das man mit einem einzigen vLLM-Befehl startet und das einen OpenAI-kompatiblen Endpoint mit Tensor-Parallelität von 1 bereitstellt. WeVisOne-VL-4B benötigt sein Inferenzpaket von GitHub plus das separate Decoder-Artefakt und wird über seinen eigenen WeVisOneVL(...)-Wrapper mit einem Task-Argument aufgerufen — predict(image, task="matting", query="person", temperature=0.0). Die Model Card dokumentiert Pfade für Transformers, vLLM und SGLang, aber der Pixel-Decoder ist nicht optional: Das Sprachmodell allein kann keine Maske erzeugen.

Der Speicherbedarf liegt näher beieinander, als die Parameterzahlen vermuten lassen. In bf16 belegt das 5B-Backbone vor dem Decoder rund 10 GB, gegenüber etwa 18,8 GB für die vier Shards von UI-Venus-2-9B. Beide passen mit ihren Gewichten auf eine einzelne 24-GB-Karte; der Unterschied liegt darin, wie viel Platz für den Kontext übrig bleibt.

Und was den Kontext betrifft, stimmen die beiden Konfigurationen in einer Weise überein, die leicht überinterpretiert werden kann. Die Konfiguration von WeVisOne-VL-4B enthält max_position_embeddings von 262.144 – dieselbe Obergrenze, die UI-Venus-2-9B mit seiner maximalen Modelllänge von 262.144 bietet. Doch sie nutzen sie für unterschiedliche Dinge: Der Agent behandelt langen Kontext als Episodengedächtnis, das die Screenshot-Historie einer Aufgabe hält, während die veröffentlichten Evaluationen des Wahrnehmungsmodells mit 1.960 visuellen Tokens pro Bild laufen. Ein 256K-Fenster bei einem Single-Turn-Modell, das ausschließlich Bilder verarbeitet, ist eine Obergrenze, keine nachgewiesene Fähigkeit, und die Modellkarte führt Videogitter auf, die vom Pixel-Decoder schlichtweg abgelehnt werden.

Lizenz: Eine davon ist geklärt und eine nicht.

{{1}}WeVisOne-VL-4B{{/1}} steht unter Apache 2.0, wobei der von Tencent verfasste Code unter denselben Bedingungen steht. Du kannst ihn lesen, forken, in ein Produkt einbauen und musst dafür keinen Anwalt konsultieren.

Die Karte von UI-Venus-2-9B besagt, dass die Lizenz für die Modellgewichte noch abschließend bestätigt werden muss und vor der öffentlichen Veröffentlichung ergänzt wird, und dass die frühere Apache-2.0-Erklärung bewusst nicht übernommen wurde, weil die Upstream-Materialien widersprüchliche Lizenzangaben enthalten. Dieser Satz steht seit August auf der Karte und wurde nicht geändert. Er hindert dich nicht daran, das Modell zu evaluieren, und er verhindert in den meisten Organisationen auch keine interne Nutzung – aber er bedeutet, dass ein externes Produkt, das auf diesen Gewichten aufbaut, auf einer ungeklärten Frage aufbaut, und kein noch so guter Benchmark-Wert behebt das. Wenn du für etwas, das du ausliefern willst, zwischen diesen beiden wählst, entscheidet die Lizenzspalte schneller als die Genauigkeitsspalte.

Was jedes einzelne kostet, da keines einen Preis hat

Für beide Modelle gibt es keinen vom Anbieter festgelegten Preis pro Token. Auf der Seite von WeVisOne-VL-4B heißt es, dass es von keinem Inferenzanbieter bereitgestellt wird; UI-Venus-2-9B hat keinen Endpunkt aus erster Hand und keine von inclusionAI veröffentlichte Preisliste, daher ist alles, was ein Drittanbieter-Host dafür berechnet, dessen Zahl, nicht die des Teams. Bei beiden bestehen die Kosten aus GPU-Stunden auf Hardware, die man mietet oder besitzt, was bedeutet, dass der Vergleich nicht „Eingabepreis vs. Ausgabepreis“ lautet, sondern „wie viel GPU-Karte brauche ich und wie viele Bilder pro Sekunde schafft sie“.

Keines der beiden Papers veröffentlicht Durchsatz oder Latenz, daher ist diese zweite Zahl bei beiden unbekannt. Was sich bestimmen lässt, ist die Struktur: UI-Venus-2-9B zahlt bei jedem Schritt einer Episode für einen 9B-Forward-Pass plus Reasoning-Tokens, und eine Agenten-Episode umfasst viele Schritte. WeVisOne-VL-4B zahlt pro Bild für einen 5B-Pass plus einen Decoder-Forward, und ein Bild entspricht einem Aufruf. Wenn Ihre Workload aus hunderttausend Produktfotos besteht, sind die Kosten des Wahrnehmungsmodells pro Bild und vorhersagbar; handelt es sich um eine Browser-Aufgabe, skalieren die Kosten des Agenten mit der Anzahl der Aktionen, die die Aufgabe erfordert – und genau diese Zahl können Sie nicht anhand des Datenblatts prognostizieren.

Hier zeigt sich auch, warum eine Routing-Schicht ihren Platz verdient und nicht bloß ein Slogan ist. Keines der beiden Modelle ist heute auf OrcaRouter, und dieser Artikel wird nicht so tun, als wäre es anders — WeVisOne-VL-4B hat überhaupt keinen Inferenzanbieter, und UI-Venus-2-9B wird über Hosting von Drittanbietern bereitgestellt und nicht aus unserem eigenen Katalog. Was OrcaRouter für die Modelle bietet, die es tatsächlich bedient, ist ein OpenAI-kompatibler Endpunkt über 200+ davon bei 0 % Aufschlag, wobei der Listenpreis des Anbieters unverändert weitergegeben wird, sodass eine Preissenkung eines Anbieters Sie am Tag ihres Inkrafttretens erreicht und nicht erst bei der nächsten Vertragsverlängerung. Für eine Architektur, die nacheinander ein Wahrnehmungsmodell und ein Agentenmodell aufruft, ist die Routing-DSL der Ort, an dem diese Komposition lebt — zwei Modellaufrufe, eine Stelle, an der sich einer der beiden Teile austauschen lässt — und automatisches Failover ist das, was eine Agentenschleife am Leben hält, wenn das dahinterliegende Modell mitten in einer Episode schlechter wird. Sobald eines dieser beiden Modelle bei einem Anbieter verfügbar wird, ist das der günstigste Weg herauszufinden, ob es in Ihren Stack gehört.

Welches soll man wählen?

Die Entscheidung ist eine Stellenbeschreibung, kein Ranking.

• Wählen Sie WeVisOne-VL-4B, wenn die Ausgabe, die Sie benötigen, Geometrie ist – Bounding Boxes für eine Annotations-Pipeline, Masken für ein Bearbeitungstool, Alpha-Mattes für Produktbilder, Zählungen von Objekten in einem dichten Luftbild oder OCR mit zugehörigen Koordinaten. Nichts sonst in der offenen 5B-Klasse liefert eine Matte aus einem Text-Prompt, und die Matting-Werte des Papers gegenüber einer SAM2-Pipeline sind die stärkste Aussage der Veröffentlichung.

• Wählen Sie UI-Venus-2-9B, wenn die Ausgabe, die Sie benötigen, eine erledigte Aufgabe ist – ein ausgefülltes Formular, eine navigierte App, ein gelöstes CAPTCHA, ein per Screenshots gesteuerter Desktop-Workflow. Es wird als ein einziger vLLM-Befehl mit einem OpenAI-kompatiblen Endpoint bereitgestellt, was einem Arbeitstag statt einer Woche entspricht, und seine Ergebnisse für AndroidWorld und WebVoyager sind die Zahlen, die Sie mit Ihrer eigenen Umgebung abgleichen sollten.

• Wähle noch keines von beiden, wenn du unabhängige Belege, einen veröffentlichten Preis oder eine geklärte Lizenz für ein auszulieferndes Produkt benötigst. Alle drei fehlen für die Lizenz von UI-Venus-2-9B und für die Benchmarks beider Modelle.

• Ziehen Sie beide in Betracht, wenn Sie einen Agenten bauen, der Bilder bearbeiten muss, statt nur durch Bildschirme zu klicken. Das Zusammenspiel ist das Interessante: UI-Venus-2-9B entscheidet, wo gehandelt wird, WeVisOne-VL-4B erzeugt das pixelgenaue Artefakt, auf das die Aktion abzielte. Das kostet zwei Modellaufrufe pro Schritt und erkauft eine Präzision, die keines der Modelle allein hat.

Was würde diese Antwort ändern?

Vier Dinge, geordnet danach, wie sehr sie es bewegen würden.

Ein ScreenSpot-Pro-Durchlauf von WeVisOne-VL-4B. Es ist der eine Benchmark, auf dem beide Seiten plausibel antreten könnten, und er würde klären, ob ein Wahrnehmungsspezialist bei halber Größe einen eigens entwickelten UI-Agenten bei der Lokalisierung übertrifft. Jeder mit einer GPU und einem Nachmittag kann ihn erzeugen, und niemand hat es getan.

Eine unabhängige Bewertung eines der beiden Modelle. Jede Zahl in diesem Artikel lässt sich auf eine Modellkarte oder ein Paper zurückführen, das von dem Team geschrieben wurde, das das Ding gebaut hat. Das ist am Veröffentlichungstag normal, und es bleibt dennoch ein Fehlen.

Eine geklärte Lizenz zu UI-Venus-2-9B. „Ausstehende endgültige Bestätigung“ steht seit acht Wochen auf der Karte. Löst sie sich zugunsten einer permissiven Lizenz auf, wird der Agent für kommerzielle Arbeit deutlich einfacher zu empfehlen; andernfalls beantwortet das die Frage in die andere Richtung.

Für keinen der beiden gibt es einen First-Party-Endpunkt. Keiner der beiden Anbieter betreibt derzeit sein eigenes Modell, was die Zielgruppe auf Teams beschränkt, die bereit sind, einen Serving-Stack zu betreiben, und auf der Seite von WeVisOne-VL-4B auf Teams, die bereit sind, ein individuelles Inferenzpaket zu betreiben. Ein vom Anbieter veröffentlichter Preis würde den Kostenvergleich von einer Rechenaufgabe zu einem Einzelposten machen.

Bis dahin lautet die faire Zusammenfassung: Tencent hat ein Wahrnehmungs-Toolkit veröffentlicht, das etwas leistet, was zuvor kein kleines offenes Modell geschafft hat – so unauffällig, dass seine eigenen Benchmark-Tabellen noch nicht gelesen wurden –, und Ant Group hat eineinhalb Monate früher einen Agenten veröffentlicht, der einfacher zu betreiben und schwerer zu lizenzieren ist. Sie sind keine Rivalen. Der Fehler wäre, eines davon zu wählen, weil das andere bei einem Benchmark besser abgeschnitten hat, den sie nicht gemeinsam nutzen.