LFM3-VL-2B vs UI-Venus 2.9B: el 2.9B que en realidad es un 9B

No existe ningún modelo llamado UI-Venus 2.9B. El checkpoint en inclusionAI/UI-Venus-2-9B es UI-Venus-2-9B — la versión dos del agente UI-Venus de Ant Group, con 9 mil millones de parámetros, basado en Qwen3.5-9B. El nombre del directorio se lee como un decimal y no lo es. Frente a LFM3-VL-2B con 1,92 mil millones de parámetros, eso convierte esto en una comparación de 2B contra 9B con una etiqueta de 2B contra 2B.

El error importa porque cambia la pregunta. Si ambos modelos fueran de aproximadamente 2B, compararías las filas de los benchmarks y elegirías el mejor. Con 9B frente a 2B, el modelo más pequeño no compite en el mismo hardware, y el más grande no es en absoluto un modelo de visión general. UI-Venus-2-9B es un agente de GUI entrenado para operar teléfonos, navegadores y escritorios a partir de capturas de pantalla. LFM3-VL-2B es un modelo general de visión-lenguaje que casualmente incluye una categoría de GUI entre sus 62 benchmarks. El solapamiento es más estrecho de lo que sugiere el nombre.

Cómo acabó destrozado el nombre

La convención de nomenclatura de Ant Group es familia-versión-tamaño. UI-Venus-2-9B se interpreta como UI-Venus, generación 2, 9B parámetros. Un catálogo o un radar que separa por guiones y busca un decimal lee «2-9» como «2.9», que es como un modelo de 9B acaba archivado junto a modelos de 2B. La misma convención produce UI-Venus-2-27B, el hermano mayor, y ambos se publicaron juntos a finales de agosto de 2026.

No se trata de un error cosmético. El número de parámetros es el primer filtro en toda decisión de despliegue, y un lector que llega esperando un modelo de 2.9B se sorprenderá al encontrarse con un checkpoint BF16 de 18.8 GB que no cabe en el dispositivo que tenía en mente. Los propios metadatos del repositorio son inequívocos: arquitectura Qwen3.5-9B, BF16, imagen-texto-texto.

Dos trabajos, no dos tallas.

LFM3-VL-2B acepta texto, imágenes y vídeo a 2 fps, produce texto, admite un modo de pensamiento y cuenta con un contexto de 128K en 16 idiomas. Es un modelo generalista: documentos, gráficos, grounding, razonamiento encarnado, comprensión de GUI y vídeo aparecen todos como categorías en su ficha. Liquid AI lo publicó en Hugging Face el 19 de octubre de 2026 y anunció la familia el 27 de octubre, sin precio de API ni proveedor de inferencia indicados.

UI-Venus-2-9B toma capturas de pantalla y una descripción de tarea y devuelve la siguiente acción en un bucle cerrado de observar–razonar–actuar. Su entrenamiento consta de tres etapas: entrenamiento intermedio multimodal sobre trayectorias simuladas en más de 170 aplicaciones móviles y más de 4.000 dominios web, aprendizaje por refuerzo sin conexión a nivel de paso en tareas de grounding, CAPTCHA, móviles, web y computadora, y después destilación on-policy con múltiples profesores en una sola política. Se ejecuta en vLLM con un endpoint compatible con OpenAI y un analizador de razonamiento Qwen3. Eso es un runtime de agentes, no un modelo de generación de descripciones.

La consecuencia práctica: no se pueden intercambiar. LFM3-VL-2B describirá una captura de pantalla y responderá preguntas sobre ella. UI-Venus-2-9B decidirá dónde tocar a continuación, y espera que el arnés que lo rodea —analizadores de acciones, prompts, ejemplos— del repositorio de GitHub del proyecto haga algo útil.

El único benchmark que encaja

Ambos modelos reportan ScreenSpot-Pro, que es el raro caso en el que la comparación es legítima. LFM3-VL-2B obtiene 55,5 con razonamiento y 49,3 sin él. UI-Venus-2-9B obtiene 73,0. Eso supone una diferencia de 17,5 puntos a favor del modelo que es casi cinco veces más grande, y es la cifra más clara de este enfrentamiento.

No lo extiendas al resto de la historia de GUI. UI-Venus-2-9B también reporta AndroidWorld 80.2, OSWorld-Verified 70.8, WebVoyager 90.8, Online-Mind2Web 74.0 y VenusBench-GD 77.1. LFM3-VL-2B reporta un promedio de categoría de GUI de 83.1 en un conjunto diferente de tareas, y promediar una categoría no es lo mismo que puntuar un único benchmark. Las categorías no son comparables y no deberían restarse.

Hay un número en la ficha de UI-Venus que merece señalarse porque contrasta con el titular: en OSWorld 2.0, el modelo obtiene 0.0 en la métrica binaria y 7.5 en la métrica parcial. Sea cual sea el problema del arnés, un agente de 9B que lidera en OSWorld-Verified y obtiene cerca de cero en el benchmark sucesor es un modelo con un límite, y la ficha lo reporta con honestidad.

Ventanas de contexto que miden cosas diferentes

UI-Venus-2-9B declara hasta 256K tokens de contexto, y la parte útil es lo que ese contexto contiene: un historial de capturas de pantalla, para que el agente pueda recordar cómo se veía la pantalla cuatro pasos atrás. LFM3-VL-2B declara 128K, y su ficha no indica el presupuesto de tokens de imagen ni una duración máxima de vídeo. Ninguno de los dos números te dice cuántas capturas de pantalla puedes mantener en un bucle antes de que el modelo pierda la primera. Ambos requieren medición con tu propia resolución y número de pasos.

La diferencia de naturaleza sigue importando. Un historial largo de capturas de pantalla es un requisito de memoria para un agente que se ejecuta durante minutos. Un contexto de 128K en un VLM general es un requisito de documentos o de vídeo. Los números parecen comparables y responden a preguntas distintas.

Despliegue: 4 GB frente a 19 GB

LFM3-VL-2B tiene 1,92 mil millones de parámetros, unos 3,84 GB de pesos en BF16 según el cálculo aritmético, con compilaciones GGUF, MLX 4-bit y ONNX ya publicadas. UI-Venus-2-9B ronda los 18,8 GB en BF16 y se sirve mediante vLLM; existe un GGUF de la comunidad, pero la ruta de servicio del proveedor asume una GPU con espacio para el checkpoint completo. No compiten por el mismo espacio. Uno es un candidato para el edge; el otro es un agente del lado del servidor.

Esa diferencia, y no la brecha en el benchmark, es lo que hace interesante el emparejamiento. Un equipo que quiera comprensión de GUI en un dispositivo tiene exactamente una opción aquí. Un equipo que quiera un agente de GUI con puntuaciones cercanas al estado del arte tiene la otra, y necesita una GPU para ejecutarlo.

La pregunta sobre la licencia que nadie ha respondido

LFM3-VL-2B utiliza la Licencia Abierta LFM v1.0: el uso comercial solo está licenciado mientras el licenciatario se mantenga por debajo de los 10 millones de dólares en ingresos anuales. Es restrictivo pero legible, y el texto está publicado.

UI-Venus-2-9B es menos claro. El repositorio de código del proyecto indica Apache 2.0; la tarjeta del modelo señala que la licencia de los pesos está pendiente de confirmación final porque las declaraciones de los proveedores upstream se contradicen. A 28 de octubre de 2026, eso no se ha resuelto. Una licencia pendiente no es un obstáculo para la investigación, pero sí es un obstáculo real para un despliegue comercial que necesita conocer sus términos antes de lanzarse. Cualquiera que planee construir sobre UI-Venus-2-9B debería obtener la respuesta por escrito en lugar de inferirla a partir de una etiqueta del repositorio.

Dónde encaja OrcaRouter, si es que encaja

OrcaRouter no ofrece ninguno de los dos checkpoints, y este artículo no afirma que lo hagamos. Lo que sí tenemos es un DSL de enrutamiento que puede componer varios modelos en una sola llamada —útil aquí porque la arquitectura natural no es "elegir uno". Un VLM general pequeño puede leer la pantalla y decidir si la tarea es una pregunta sobre un documento o una interacción; un especialista en GUI más grande puede encargarse de los pasos de interacción. Enrutar entre ellos según el tipo de tarea es una configuración, no una segunda integración.

Eso es un uso más honesto de la comparación que pretender que los dos modelos son alternativas. Son dos etapas del mismo pipeline, con una diferencia de parámetros de 5× entre ellos.

¿Cuál quieres realmente?

• LFM3-VL-2B si la tarea es comprender en lugar de actuar, si necesitas entrada de vídeo o documentos, o si el modelo tiene que ejecutarse en unos 4 GB. Acepta la licencia con límite de ingresos y el hecho de que nadie fuera de Liquid lo ha evaluado.

• UI-Venus-2-9B si el trabajo consiste en operar una interfaz de extremo a extremo, si puedes proporcionar 19 GB de memoria de GPU y una pila de servicio de vLLM, y si puedes esperar a que se confirme la licencia de los pesos. Acepta que es un especialista con un arnés, no un asistente general.

• Ninguna de las dos si lo que querías era un modelo de 2,9B. Ese modelo no existe, y las dos opciones reales son ambas más especializadas de lo que el nombre daba a entender.

La corrección es la conclusión. Un recuento de parámetros en el nombre de una carpeta no es una especificación y, en este caso, ocultaba una diferencia de tamaño de cinco veces y una tarea completamente distinta. Lea el campo de arquitectura antes que el slug.