UI-Venus-2-9B: el agente GUI de 9B de Ant Group se lanzó sin artículo, sin anuncio y con cifras cercanas a SOTA

UI-Venus-2-9B se publicó en Hugging Face el 26 de agosto de 2026 sin nada de lo que suele rodear el lanzamiento de un modelo. No hubo anuncio. No hubo comunicado de prensa. No hubo informe técnico — la insignia de arXiv en el README apunta a una URL de marcador de posición, y el bloque de citas lleva un explícito TODO: actualizar el identificador de arXiv una vez que el informe de UI-Venus-2 sea público. El enlace a la página del proyecto también es un marcador de posición. Al momento de escribir esto, el repositorio tiene cero descargas y un Me gusta, y los cuatro shards safetensors que contiene describen un agente de GUI de propósito general que, en su propia ficha de modelo, supera a Q​wen3.6-27B en AndroidWorld y OSWorld-Verified, supera a Claude Opus 4.6 en WebVoyager, supera a O​penAI Operator en Online-Mind2Web, y reduce la tasa de éxito de los ataques OSBlind del 90%+ típico de los agentes GUI anteriores al 18,5%. Las fichas de modelo de InclusionAI atribuyen la familia al Venus Team de Ant Group, lo que convierte esto en la entrada silenciosa de Ant Group en la carrera de uso de computadoras con pesos abiertos — y la parte más silenciosa es que ninguna de esas cifras ha sido reproducida de forma independiente todavía.

Lo que realmente se envió

El repositorio se llama inclusionAI/UI-Venus-2-9B, etiquetado como image-text-to-text con qwen3_5 como etiqueta de arquitectura. El modelo tiene 9B de parámetros, inicializado a partir de Q​wen3.5-9B, publicado bajo la licencia Apache-2.0 en BF16. Es un agente GUI fundacional: observa una interfaz, razona sobre el estado de la tarea, ejecuta una acción e incorpora la retroalimentación resultante en la siguiente decisión — un bucle cerrado de observar–razonar–actuar–retroalimentar que, según la tarjeta del modelo, está entrenado para abarcar aplicaciones móviles, plataformas web y sistemas operativos de escritorio en un único checkpoint.

• Parámetros — 9B, inicializado desde Q​wen3.5-9B, BF16, cuatro shards.

• Licencia — Apache-2.0.

• Contexto — la invocación oficial de vLLM establece --max-model-len 262144 (256K tokens), que es la cantidad de historial de capturas de pantalla que el agente puede conservar en un episodio.

• Servicio — soporte de primera clase para vLLM con un endpoint compatible con OpenAI y la opción --reasoning-parser qwen3, que hace que el modelo emita tokens de razonamiento antes de su acción, al estilo Qwen3.

• Alcance — la tarjeta afirma que la cobertura de entrenamiento abarca más de 170 aplicaciones móviles multilingües (más de 100 en chino, más de 70 en inglés), más de 50 000 sitios web en vivo y sistemas operativos de escritorio nativos con más de 50 aplicaciones profesionales.

El detalle del parser de razonamiento importa más de lo que parece. Un agente GUI que piensa antes de actuar no es nuevo, pero enviar uno que se conecta a vLLM estándar con una API compatible con OpenAI y un parser de razonamiento Qwen estándar significa que la historia del despliegue es aburrida en el buen sentido: un comando y está listo, lo cual es inusualmente maduro para un modelo que se creó ayer.

Los números, y lo que no son

Todo lo siguiente es informado por el proveedor. La ficha del modelo publica tablas comparativas con sólidas líneas base publicadas, y la fila con el mejor resultado para UI-Venus-2-9B es AndroidWorld 80.2 — por encima de Q​wen3.6-27B con 70.3, MAI-UI-8B con 70.7 y GUI-Owl-1.5-32B-Instruct con 69.8. En OSWorld-Verified el modelo 9B obtiene 70.8, de nuevo por delante de Q​wen3.6-27B con 62.0, pero por detrás de Kimi K2.6 con 73.1. En navegación web, la ficha enumera WebVoyager 90.8, por encima de Claude Opus 4.6 con 88.0 y Seed-2.0 con 85.1, y Online-Mind2Web 74.0 frente al 61.3 de O​penAI Operator.

La comparación interna más sorprendente es contra la propia base del modelo. En DeskCraft, UI-Venus-2-9B obtiene 48.0, mientras que el Q​wen3.5-9B del que se inicializó obtiene 14.6 — un salto de 33.4 puntos que constituye todo el argumento de la receta de entrenamiento, y se repite en CAPTCHA: MCA-Bench 75.7 frente a los 30.4 de la base, NextGen-CAPTCHAs 47.6 frente a 2.8. Las cifras de CAPTCHA merecen un análisis aparte, porque son la señal más clara de que el modelo fue construido para operar en sitios web reales, hostiles y de producción, en lugar de páginas de referencia limpias.

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

• Uso de computadora — OSWorld-Verified 70.8, DeskCraft 48.0.

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

• Anclaje de GUI — 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.

• Seguridad — Tasa de éxito del ataque OSBlind del 18.5%, frente a Claude 4.5 Sonnet con 73.0 y GPT-4o con 93.3 en la misma tarjeta.

La receta: cinco familias de tareas, tres etapas

El pipeline de entrenamiento que describe la tarjeta es la razón por la que los deltas del modelo base son tan grandes. UI-Venus-2 se entrena con una mezcla deliberadamente complementaria de cinco familias de tareas — Grounding, CAPTCHA, Mobile, Web y Computer — en tres etapas. Primero, un entrenamiento intermedio multimodal a gran escala basado en trayectorias en entornos simulados de móvil, web y SO, con verificación colaborativa humano–discriminador que filtra interacciones inválidas, además de supervisión sintetizada programáticamente de grounding y CAPTCHA. Segundo, un aprendizaje por refuerzo offline a nivel de paso para Mobile, OS y Web que optimiza la selección de acciones consciente del estado, con instancias verificadas de CAPTCHA y grounding integradas en interfaces realistas para enseñar localización precisa bajo desorden visual. Tercero, una destilación on-policy con múltiples maestros que consolida a maestros especializados por dominio en una única política unificada.

La capa de verificación es la parte más distintiva. La finalización de la tarea se evalúa mediante puntos clave visuales relevantes para la tarea, en lugar de un vistazo aproximado a la pantalla final, y múltiples modelos votan para agregar jueces heterogéneos — un diseño destinado a hacer que la señal de recompensa del RL sea robusta frente al reward hacking. La retroalimentación verificada se destila luego de vuelta al entrenamiento como supervisión por reflexión, de modo que el agente pueda distinguir el progreso parcial de la finalización real y recuperarse durante la interacción de horizonte largo. Nada de esto se verifica de forma independiente, y la tarjeta no ofrece reproducciones a las que señalar — es la afirmación que el artículo se supone que debe respaldar.

La familia y la conexión con Ant Group

UI-Venus-2-9B es la tercera generación de una familia que inclusionAI ha estado lanzando silenciosamente desde el principio. El informe técnico original de UI-Venus apareció en agosto de 2025 con checkpoints de 7B y 72B; UI-Venus 1.5 le siguió en febrero de 2026 con variantes de 2B, 8B y 30B-A3B. El bloque de citas de la nueva tarjeta acredita al "Venus Team, Ant Group", que es como inclusionAI expresa en sus propias palabras su relación con Ant Group — es el laboratorio de IA de Ant Group publicando bajo el nombre de inclusionAI. La apuesta fundacional de la familia es que un agente de GUI debería funcionar solo a partir de píxeles: observar la pantalla mediante capturas en lugar de árboles DOM, XML de accesibilidad o volcados de UI, que es lo que lo hace portable a la gran cantidad de aplicaciones móviles en chino e inglés que no exponen datos estructurados de interfaz. El Venus Framework complementario, del GitHub de la familia, impulsa la automatización de Android y soporta el control paralelo de múltiples dispositivos.

Lo que aún no sabemos

La lectura honesta de este repositorio es que la brecha entre las afirmaciones y la evidencia sigue siendo amplia. No hay un informe técnico público de UI-Venus-2 — la insignia es un marcador de posición, y el README dice que el informe "no es público" — por lo que las tablas de benchmarks se presentan como cifras propias del proveedor, sin documento de metodología ni una nueva ejecución independiente. No hay una página de proyecto activa. No hay un anuncio, lo que significa que no hay precios oficiales, ni API alojada, ni una hoja de ruta confirmada. Las propias tablas de la ficha enumeran repetidamente un UI-Venus-2-27B — 84.0 en AndroidWorld, 80.5 en OSWorld-Verified, 12.3 en OSBlind — que no existe en Hugging Face al momento de redactar esto, por lo que el buque insignia de la familia se menciona pero no se ha lanzado. Y con cero descargas, nadie fuera del laboratorio ha ejecutado este checkpoint todavía.

Cómo lo ejecutarías realmente

Para todas las incógnitas, lo único concreto es el servicio. La tarjeta documenta un único comando de vLLM que inicia el modelo con una ventana de contexto de 256K y una API compatible con OpenAI:

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

Eso hace que el camino práctico sea el autoalojamiento — descargar los pesos, ejecutar vLLM y apuntar el arnés de tu agente a localhost. Este es el caso en el que una capa de enrutamiento se gana su lugar en la pila circundante, más que en el propio agente GUI: el modelo que escribe el plan de tareas, el modelo de visión que vuelve a comprobar el estado de una pantalla, el modelo de transcripción que registra lo sucedido — todos se apoyan en OrcaRouter al precio de lista del proveedor, con un margen del 0 % y failover automático, de modo que puedes prototipar contra un modelo de un día de antigüedad sin apostar un pipeline de producción a él. El día en que un checkpoint de agente GUI como este llegue a un proveedor enrutado, aparece al precio de lista del proveedor con el mismo pass-through, y los recortes de precios de los proveedores llegan a nuestro lado ese mismo día. Hasta entonces, los pesos Apache-2.0 son toda la historia.

Qué ver a continuación

Tres cosas decidirán si esta nave silenciosa se convierte en noticia. Si el UI-Venus-2-27B que llena las tablas de la tarjeta aparece realmente en Hugging Face, y si lleva consigo el número 12.3 de OSBlind. Si el informe técnico se publica y resiste la primera reproducción independiente. Y si Ant Group decide que la fase silenciosa ha terminado — porque un agente de pesos abiertos de 9B con estos números de tabla y un contexto de 256K no es algo que permanezca en cero descargas durante mucho tiempo.