Molmo2-4B vs UI-Venus-2-9B: Uno de esos nombres es un tamaño, y es incorrecto

El modelo se llama UI-Venus 2 en 9B. No es 2.9B, y no es una versión 9B de un modelo de 2.9B. La cadena del nombre de archivo es un número de generación pegado a un conteo de parámetros —inclusionAI/UI-Venus-2-9B— y suficientes feeds de radar y páginas de listados la han leído al revés como para que una comparación con Molmo2-4B ahora parezca dos modelos pequeños de la misma clase de peso. No lo es. UI-Venus-2-9B es un agente GUI de 9B inicializado desde Qwen3.5-9B, aproximadamente el doble del tamaño de los 4.85B de Molmo2-4B, y ambos hacen trabajos completamente distintos. Si de verdad quieres el modelo GUI pequeño de esa familia, es UI-Venus-1.5-2B, que es donde corresponde el número 2B.Dos modelos especializados con contratos de salida distintos son un problema de enrutamiento.sin recargo sobre el precio de lista del proveedorLa conmutación por error cubre el caso en el que uno de ellos está teniendo una mala tarde.

Ambos modelos son más antiguos de lo que sugiere el planteamiento. Molmo2-4B fue anunciado por el Allen Institute for AI el 11 de diciembre de 2025 y sus pesos se publicaron el 14 de diciembre. Los pesos de UI-Venus-2-9B se publicaron el 26 de agosto de 2026 junto con un informe técnico, arXiv 2609.00028. Lo que cambió recientemente en el lado de Molmo son las herramientas, no los pesos: la compatibilidad nativa con Transformers se integró el 9 de octubre de 2026 y se lanzó en la v5.20.0 el 15 de octubre, y un ajuste fino para robótica, Molmo2-4B-tb, apareció el 5 de noviembre. Ninguno de los dos es un lanzamiento, y ninguno convierte a Molmo2-4B en un modelo de GUI.

Qué es en realidad UI-Venus 2 en 9B

Es un agente de interfaz en bucle cerrado. La entrada es una captura de pantalla; la salida es una acción razonada —toca aquí, escribe esto, desplázate— y el bucle continúa hasta que la tarea termina. El entrenamiento se ejecuta en tres etapas sobre cinco familias de tareas (grounding, CAPTCHA, móvil, web y computadora), y termina en una destilación on-policy con múltiples profesores que integra especialistas de dominio en una única política. La cobertura de entornos es lo sustancial del lanzamiento: más de 170 aplicaciones móviles en chino e inglés, un conjunto web de más de 4.000 dominios en 19 categorías y control de sistemas operativos de escritorio creado desde cero.

Las cifras del propio proveedor, todas tomadas de la tarjeta del modelo y de su informe técnico:

• Anclaje de GUI — ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5, UI-Vision 53.2.

• Agentes móviles — AndroidWorld 80.2, MobileWorld 65.8 en pasos estándar y 75.2 con un presupuesto de 100 pasos, MobileGym 52.7, VenusBench-Mobile 46.5, KnowUBench 56.5, MemGUI 62.6.

• Escritorio — OSWorld-Verified 70,8, DeskCraft 48,0 y OSWorld 2.0 con una precisión binaria de 0,0 y una puntuación parcial de 7,5 en 108 tareas con un límite de 150 pasos. Ese cero merece leerse con atención; es una métrica binaria estricta, no una errata.

• Web — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys 77.3 de promedio con 62.0 perfectos.

• Seguridad: tasa de éxito de los ataques del 11,3 % en OSHarm y del 48,8 % en OSBlind, frente al 25,3 % y el 79,4 % del modelo base Qwen3.5-9B.

Existe una comprobación independiente. El benchmark de diagnóstico PointerBench, publicado en octubre de 2026, otorga a UI-Venus-2-9B 64,2 en Sheets, 25,8 en Text y 73,6 en Pro, una media de 54,5, y lo describe como el especialista nativo en grounding de GUI más potente, a la vez que señala el grounding a nivel de texto como su punto más débil. Se trata de un resultado de terceros con una combinación de tareas distinta, y es una corrección útil: el titular de ScreenSpot-Pro no lo dice todo.

Lo que Molmo2-4B realmente es

Un modelo visión-lenguaje de propósito general con salida de puntos. 4.850.869.200 parámetros, una torre de visión SigLIP 2 so400m sobre Qwen3-4B-Instruct-2507, 36.864 posiciones, 19,42 GB de pesos float32 repartidos en cuatro fragmentos. Maneja imágenes, varias imágenes y vídeo, y devuelve coordenadas escaladas a 0–1000 del ancho y alto de la imagen, con marcas de tiempo cuando la entrada es un vídeo. Su agregado del proveedor es 62,8 en 15 benchmarks académicos.

Lo que no tiene es una cifra GUI publicada. Molmo2-4B no aparece en las tablas del informe técnico de UI-Venus, ni en la evaluación PointerBench, ni con un resultado de ScreenSpot-Pro en su propia ficha. La cifra GUI más cercana de la familia Molmo pertenece a un modelo diferente: MolmoPoint-GUI-8B, un fine-tune de 8B especializado en GUI de la línea MolmoPoint de marzo de 2026, reporta 61,1 en ScreenSpot-Pro. Citar eso como resultado de Molmo2-4B sería un error de categoría, y es el error más probable que cometería un lector al comparar estos dos.

El solapamiento es menor de lo que sugiere el nombre.

• Tamaño — 4,85B denso para Molmo2-4B frente a un modelo denso de 9B inicializado a partir de Qwen3.5-9B.

• Entradas — imagen, multiimagen y vídeo para Molmo2-4B; una captura de pantalla para UI-Venus-2-9B, en bucle, con la acción anterior realimentada.

• Salidas — puntos dispersos en coordenadas normalizadas para Molmo2-4B; una acción estructurada para UI-Venus-2-9B, interpretada por un arnés que luego controla el dispositivo.

• Fortaleza — anclaje en imágenes naturales y vídeo, conteo y seguimiento para Molmo2-4B; localización de elementos y navegación de varios pasos en interfaces de alta resolución para UI-Venus-2-9B.

• Resultados publicados de GUI grounding: ninguno para Molmo2-4B; ScreenSpot-Pro 73,0 para UI-Venus-2-9B.

• Licencia — pesos Apache 2.0 con una salvedad relativa a datos de terceros para Molmo2-4B; la ficha del modelo UI-Venus-2-9B no publica ningún campo de licencia, lo que supone una laguna que hay que resolver antes de cualquier uso comercial.

Esa última fila no es un detalle. Un modelo de 9B derivado de Qwen3.5-9B sin campo de licencia en su model card no es algo que una revisión legal pueda aprobar basándose en un README. Los metadatos de la propia tarjeta tampoco ayudan: su insignia de Safetensors indica "1.47M params", lo que no es un tamaño plausible para un checkpoint de ese tamaño y parece un artefacto de los metadatos de los shards. Pregunta a los mantenedores por ambas cosas antes de planificar en torno a ello.

Si quieres GUI grounding de la línea Molmo

El camino honesto no es Molmo2-4B. El propio trabajo de GUI de Ai2 se sitúa en la familia MolmoPoint, donde MolmoPoint-GUI-8B reporta 61.1 en ScreenSpot-Pro frente a 73.0 de UI-Venus-2-9B, y al menos ambas cifras proceden del mismo benchmark. Aun así, la comparación es entre arneses distintos: andamiajes de acción diferentes, preprocesamiento de capturas de pantalla diferente y, en el caso de UI-Venus, una suposición documentada de que el razonamiento está desactivado y la temperatura fijada a cero para la localización directa de puntos. Una diferencia de 12 puntos en un benchmark tan sensible a las elecciones de arnés es una señal, no un veredicto.

Para lo que Molmo2-4B es realmente bueno dentro de una pila de agentes es para el paso de percepción que no es un botón. Encontrar el objeto que un usuario describió en un fotograma de cámara, señalarlo a lo largo de un vídeo, contar instancias, seguir algo en el tiempo: esas son las salidas para las que se entrenó el modelo, y ninguna de ellas es un elemento de interfaz en una captura de pantalla 4K. A menudo, los equipos acaban ejecutando ambos tipos de modelo: un especialista para la interfaz y un generalista para la escena.

Eso es más un problema de enrutamiento que de modelado. Los dos modelos tienen contratos de salida incompatibles y perfiles de hardware diferentes, y ejecutarlos con una única clave para ambos — con conmutación por error cuando un endpoint se degrada y sin recargo sobre el precio de lista del proveedor — elimina la parte de la pila que no tiene nada que ver con la visión. También vale la pena decir con claridad que ninguno de estos modelos está en el catálogo de OrcaRouter; ambos son pesos que alojas tú mismo, y la capa de enrutamiento se sitúa alrededor de ellos, no debajo de ellos.

La versión corta

Si la tarea es «operar esta app», UI-Venus-2-9B es el especialista y Molmo2-4B no tiene nada que aportar en ese benchmark. Si la tarea es «señalar el objeto en esta fotografía o este video», UI-Venus-2-9B no tiene nada que aportar y Molmo2-4B es la razón por la que existe la comparación. Y si lo que realmente querías era un modelo GUI pequeño para ejecutarlo de forma económica, la comparación correcta nunca fue esta: es UI-Venus-1.5-2B con 2B, frente a cualquier generalista compacto que puedas acomodar a su lado.