WeVisOne-VL-2B vs UI-Venus-2-9B: La brecha de tamaño que el nombre oculta

Nueve mil millones de parámetros no es lo que dice el enfrentamiento. Escrito como la mayoría de la gente lo escribe —WeVisOne-VL-2B vs UI-Venus 2.9B—, el emparejamiento se lee como dos modelos de visión pequeños de aproximadamente el mismo peso, una pelea justa entre un nuevo checkpoint de 2B del equipo WeChat Vision de Tencent y algo un poco más grande de inclusionAI de Ant Group. La segunda mitad de esa suposición es falsa. UI-Venus-2-9B es UI-Venus 2 con 9 mil millones de parámetros, inicializado a partir de Qwen3.5-9B; el «2» es la generación, no el tamaño. WeVisOne-VL-2B, subido a Hugging Face el 22 de octubre de 2026, tiene 2 mil millones de parámetros sobre un backbone Qwen3-VL. Por lo tanto, la comparación real es un modelo cuatro veces y media más pequeño, en una generación de backbone más antigua, que devuelve un tipo de respuesta completamente distinto.

También llegó sin un lanzamiento. Hay un repositorio de Hugging Face, un repositorio de GitHub con un único commit inicial, un artículo en arXiv y una página de proyecto de investigación —y ningún anuncio del proveedor, ninguna entrada de blog y ninguna página de precios que los vincule. Eso condiciona lo que este artículo puede hacer con honestidad. Los pesos, la arquitectura, el texto de la licencia y las tablas del artículo son verificables hoy. La evaluación independiente, el rendimiento, la latencia y el precio no lo son, porque ninguno de ellos existe todavía. La ficha del modelo de Tencent no publica ninguna cifra de benchmark; cada puntuación atribuida a WeVisOne-VL-2B a continuación proviene de las propias siete tablas de tareas de sus autores y se etiqueta como tal. UI-Venus-2-9B es más antiguo y está mejor documentado, pero sus cifras son exactamente las autodeclaradas.

Lo que los dos nombres describen en realidad

WeVisOne-VL-2B es un modelo de percepción. Dale una imagen y una frase y devuelve geometría: una caja delimitadora, un punto, un recuento, una máscara binaria o un matte alfa continuo. Su parte lingüística emite coordenadas como tokens dedicados que abarcan de <0> a <1000>, normalizados con respecto a la imagen, y cierra cada caja en tareas densas con un token especial <OBJ> en el id 152.678. Esos tokens son solo marcadores hasta que mask_decoder.pt lee el estado oculto que hay detrás de ellos: un artefacto obligatorio de 9.511.460 parámetros, distribuido como un segundo archivo, que la ficha describe como «un componente central obligatorio, no un complemento opcional». Sin él se obtienen cajas. Con él se obtienen máscaras y mattes alfa de stride 1.

UI-Venus-2-9B es un agente. Dale una captura de pantalla y una tarea, y devuelve un movimiento: el siguiente toque, clic o pulsación de tecla, además de los tokens de razonamiento que lo produjeron, dentro de un bucle cerrado de observar–razonar–actuar. Se entrenó con interacción basada únicamente en capturas de pantalla en grounding, CAPTCHA, móvil, web y uso de computadora, y su receta publicada de vLLM combina una longitud máxima del modelo de 262.144 con el analizador de razonamiento de Qwen3 porque la traza de razonamiento se emite antes de cada acción.

Pon los dos uno al lado del otro y la discrepancia es inmediata:

• Qué devuelve: cajas, puntos, recuentos, tramos de OCR, máscaras y mattes alfa de WeVisOne-VL-2B; una acción de pantalla junto con su traza de razonamiento de UI-Venus-2-9B.

• Parámetros — 2B para WeVisOne-VL-2B más el decodificador separado de 9,5M; 9B denso para UI-Venus-2-9B, aproximadamente 4,5 veces los pesos.

• Columna vertebral — Qwen3-VL para WeVisOne-VL-2B, 28 capas de texto con un tamaño oculto de 2.048; Qwen3.5-9B para UI-Venus-2-9B. Diferentes generaciones, diferentes pilas de texto.

• Pesos en disco — bfloat16 para ambos, pero aproximadamente 4 GB para el 2B frente a cuatro fragmentos BF16 que suman unos 18,8 GB para el 9B.

• Techo de contexto — 262,144 posiciones en cada uno, leído de la configuración de WeVisOne-VL-2B y del comando de servicio de UI-Venus-2-9B. Ningún proveedor demuestra usar algo parecido.

• Evidencia publicada — siete tablas de tareas en el artículo de Tencent y ninguna en la tarjeta del modelo; una larga lista de benchmarks del proveedor en la tarjeta de inclusionAI y ninguna tabla en el artículo.

• Licencia — Apache 2.0 para el código creado por Tencent; «pendiente de confirmación final» para los pesos de UI-Venus-2-9B.

La consecuencia práctica es que no puedes cambiar uno por otro, y cualquier artículo que te dé un ganador está respondiendo a una pregunta que no hiciste. Un modelo de percepción que devuelve un matte perfecto sigue sin poder pulsar un botón. Un agente que navega una app a la perfección sigue sin poder entregarte el recorte que querías para una foto de producto.

El argumento a favor del modelo más pequeño es más sólido de lo que sugiere la comparación entre 2B y 9B.

La intuición al ver un 2B junto a un 9B es que el pequeño es el compromiso económico. En la tarea para la que fue entrenado, el artículo de Tencent sostiene lo contrario, y uno de sus propios resultados argumenta en contra de su propio lanzamiento de mayor tamaño. Todas las cifras que aparecen aquí son de los propios autores, ejecutadas por los autores y reproducidas por nadie.

• Detección zero-shot: F1 medio de 55,2 en COCO, 53,3 en LVIS, 61,4 en Dense200 y 40,4 en VisDrone. La línea base Qwen3-VL-2B obtiene 45,2, 40,8, 10,0 y 23,1 en la misma tabla. La diferencia en Dense200 es la que hay que destacar: seis veces el modelo base en escenas concurridas.

• Conteo — 90,9 y 88,1 de coincidencia exacta en las dos particiones de PixMo-Count, pero 27,5 y 26,9 en CLOC, 29,5 y 32,4 en KubriCount, y 47,9 en CountQA. El conteo no es una sola habilidad, y esa dispersión es lo más honesto del artículo.

• Localización OCR: F1 medio de 30,5 en HierText, 42,6 en ICDAR2015, 42,5 en TotalText y 62,1 en SROIE, con un umbral de IoU de 0,5. Se trata de puntuaciones de localización con coordenadas asociadas, no de precisión de transcripción, por lo que no son comparables con la cifra de OCRBench que suele citarse para los VLM orientados al consumidor.

• Segmentación referencial — 79.7 de IoU acumulada en la validación de RefCOCO, 73.1 en RefCOCO+, 74.4 en RefCOCOg y 60.9 de gIoU en ReasonSeg.

• Matting con prompts: 6,6 de diferencia absoluta media en P3M-500-NP con un prompt de caja, frente a 15,4 para SAM2-Matting; 5,7 frente a 12,1 en AM-2K; 15,8 frente a 23,0 para una canalización de Qwen3-VL-8B más SAM2-Matting en la partición referring más difícil de WeRefMat. Cuanto más bajo, mejor en todos los casos.

El resultado de matting es donde el argumento del tamaño se invierte. En esa misma prueba de prompt de caja P3M-500-NP, el 2B obtiene 6,6 y el 4B hermano de Tencent obtiene 7,3. El modelo más pequeño es el mejor de los dos para esta tarea, Tencent no explica por qué, y el artículo lo publica de todos modos. Si tu trabajo consiste en recortar objetos de imágenes, la variante más barata de la familia no es una degradación: actualmente es la opción con mejores mediciones.

También vale la pena saber lo que el artículo no muestra. No hay MMMU, ni MMBench, ni DocVQA, ni ningún benchmark de descripción de imágenes en ninguna de las siete tablas, y la sección de limitaciones admite que los datos de entrenamiento limitados de propósito general "pueden comprometer las capacidades generales en relación con el modelo base". El ajuste fino que lo hizo bueno en percepción puede haberlo convertido en un peor asistente general, y nada en la versión publicada lo pone a prueba. Tampoco hay ninguna salida de cadena de pensamiento, memoria multiturno ni soporte para vídeo: el decodificador de píxeles rechaza directamente las rejillas de vídeo.

El único punto de referencia que resolvería esto no existe.

Si se colocan los dos conjuntos de evaluación uno al lado del otro, la incomparabilidad deja de ser un detalle técnico. Los resultados principales de UI-Venus-2-9B son tasas de éxito en el estado final dentro de un entorno: AndroidWorld 80,2; OSWorld-Verified 70,8; WebVoyager 90,8; Online-Mind2Web 74,0; MobileWorld 65,8 con el presupuesto de pasos predeterminado de la tarjeta y 75,2 con 100 pasos. Estos miden si una tarea llegó a completarse, integrando percepción, planificación, memoria y recuperación de errores en un único número.

Lo más parecido a un eje compartido es el grounding en GUI: localizar un elemento pequeño de la interfaz en una captura de pantalla de alta resolución. UI-Venus-2-9B obtiene 73.0 en ScreenSpot-Pro. WeVisOne-VL-2B no reporta ningún resultado de ScreenSpot-Pro, ni de ScreenSpot-V2 ni de ningún benchmark de GUI, en su ficha, en su artículo ni en su página del proyecto. En la otra dirección, WeVisOne-VL-2B reporta localización OCR y pointing denso, y UI-Venus-2-9B no reporta ninguno de los dos.

Hay un detalle que hace que el emparejamiento del titular parezca aún más extraño. inclusionAI ya tiene disponible un modelo de 2B construido sobre Qwen3-VL —UI-Venus-1.5-2B—, y su ficha indica 57,7 en ScreenSpot-Pro, frente a 68,4 de su hermano de 8B y 69,6 del 30B-A3B. Ese es el auténtico homólogo de tamaño equivalente a WeVisOne-VL-2B, sobre la misma familia de backbone, medido en el único benchmark que importa a ambas líneas. Simplemente no es el modelo que se nombra en este enfrentamiento.

La posición honesta es limitada. Ningún número publicado compara WeVisOne-VL-2B con UI-Venus-2-9B en ninguna tarea, y nadie ha ejecutado el modelo de percepción de 2B sobre un conjunto de grounding de GUI. Ejecutar WeVisOne-VL-2B en ScreenSpot-Pro es la única medición faltante más útil de esta comparación: indicaría si un especialista en percepción de 2B encuentra elementos de interfaz mejor o peor que un agente de 9B, y hasta que alguien lo ejecute, cualquiera que clasifique a estos dos en la tarea de encontrar cosas está extrapolando a partir de la arquitectura.

Qué hace cada uno cuando el objeto no está allí

El comportamiento ante objetos ausentes es donde los modelos de percepción fallan en silencio. Pida el extintor de incendios en una sala que no tiene ninguno y un modelo que siempre responde encuadrará con total confianza el radiador — y en una canalización automatizada eso se convierte en un objeto alucinado dentro de una biblioteca de activos, o en un toque mal dirigido en el bucle de un agente.

WeVisOne-VL-2B responde None en su lugar, y el artículo informa la rechazo como una métrica propia junto a la precisión. En RefCOCOg reporta una tasa de rechazo de 50,2 para consultas de objetos ausentes, frente a 0,5 de Rex-Omni-3B y 0,6 de LocateAnything-3B en la misma tabla. Ese es un objetivo de diseño distinto al de maximizar el recall, y es la cifra que hace que un modelo pequeño sea utilizable como componente: una rama de geometría que dice "no presente" es segura de alimentar a un planificador, mientras que una que inventa una caja lo corrompe silenciosamente.

UI-Venus-2-9B aborda el mismo problema desde el lado de la acción, heredando el grounding con conciencia de rechazo de la línea UI-Venus: está entrenado para negarse cuando el elemento solicitado no está en pantalla en lugar de adivinar una coordenada plausible. Su tabla de seguridad muestra el efecto que declara: una tasa de éxito de ataque del 11,3 % en OSHarm frente al 25,3 % de la base Qwen3.5-9B, y del 48,8 % en OSBlind frente al 79,4 %. La ficha también es explícita en que esto no elimina el riesgo de acciones dañinas y recomienda confirmación humana además de salvaguardas a nivel de aplicación. Ambos equipos eligieron la abstención frente a la cobertura; ninguno ha tenido esa elección medida de forma independiente.

Ejecutar un 2B junto a un 9B

La relación honesta entre estos dos modelos no es de rivalidad, sino de sucesión. Uno devuelve geometría; el otro actúa sobre ella. Si estás construyendo un sistema de automatización de pantallas, una arquitectura plausible coloca WeVisOne-VL-2B al frente como el componente que informa qué hay y dónde está —cajas, intervalos de OCR, máscaras— y UI-Venus-2-9B detrás como el componente que decide qué hacer. Eso es composición, no competencia, y es el único marco en el que el emparejamiento tiene sentido operativo.

La memoria hace que esa combinación resulte económica en una sola máquina. En bfloat16, el backbone de 2B ocupa aproximadamente 4 GB de pesos antes del decodificador, y el de 9B, unos 18,8 GB repartidos en cuatro fragmentos. Ambos caben en una sola tarjeta de 24 GB con espacio de sobra para el contexto; el de 2B por sí solo cabe en una tarjeta de 8 GB, que es el dato más interesante. Los límites máximos de contexto coinciden en 262.144 posiciones, pero significan cosas distintas: el agente usa el contexto largo como memoria de episodios, conservando un historial de capturas de pantalla, mientras que las evaluaciones publicadas del modelo de percepción se ejecutan con aproximadamente 1.960 tokens visuales por imagen. Una ventana de 256K en un modelo de un solo turno y de solo imágenes es un límite máximo, no una capacidad demostrada.

Es en el costo donde divergen las formas. Ninguno de los dos proveedores publica un precio por token, así que, para ambos, el costo real son horas de GPU en hardware que alquilas o posees. Un agente paga por una pasada hacia adelante de 9B más tokens de razonamiento en cada paso, y un episodio son muchos pasos: una cifra que no puedes pronosticar a partir de la ficha. Un modelo de percepción paga por una pasada de 2B más una pasada del decodificador por imagen, y una imagen es una llamada. Cien mil fotos de productos son una aritmética predecible por imagen; una tarea de navegador no lo es.

Aquí es también donde una capa de enrutamiento se gana su lugar en vez de ser un eslogan. Ninguno de los dos modelos está hoy en OrcaRouter —comprobado con el catálogo en vivo de 209 modelos, y la ficha de WeVisOne-VL-2B indica que no lo despliega ningún proveedor de inferencia—. Para los modelos que sí servimos, las propiedades útiles son un único endpoint compatible con OpenAI, 0 % de recargo con el precio de lista del proveedor trasladado sin cambios, un DSL de enrutamiento que compone varias llamadas a modelos detrás de una sola interfaz y conmutación por error automática. Para una arquitectura de dos tramos como la anterior, el DSL es donde vive la composición y donde cualquiera de los dos tramos se puede sustituir sin reescribir al llamador. El día que cualquiera de estos dos llegue a un proveedor, esa será la forma más económica de averiguar si tiene cabida en tu stack.

Licencia, precio y lo que nadie ha confirmado

La ficha de WeVisOne-VL-2B concede Apache 2.0 para "el código escrito por Tencent en este repositorio", que es la respuesta permisiva que la mayoría de los equipos quiere. Un detalle lo complica: la API de GitHub informa la licencia del repositorio como "Other" sin identificador SPDX. Esas afirmaciones no tienen por qué estar en conflicto —los componentes de terceros conservan sus propios términos—, pero significa que vale la pena leer el archivo de licencia antes de que esto se acerque a un producto, en lugar de tomar la insignia al pie de la letra.

La tarjeta de UI-Venus-2-9B es la que queda sin resolver. Indica que la licencia de los pesos del modelo está pendiente de confirmación final y se añadirá antes del lanzamiento público, y que la declaración anterior de Apache-2.0 no se trasladó intencionadamente porque los materiales upstream contienen declaraciones de licencia contradictorias. Esa frase lleva en la tarjeta desde agosto y no ha cambiado. No impide la evaluación ni la mayor parte del uso interno, pero un producto externo construido sobre esos pesos se construye sobre una cuestión abierta, y ninguna puntuación de benchmark la resuelve.

Ninguno de los dos modelos tiene un precio fijado por el proveedor. WeVisOne-VL-2B no tiene proveedor de inferencia ni tarifa. UI-Venus-2-9B no tiene endpoint de primera parte ni precios publicados por inclusionAI, así que lo que cobre un proveedor de alojamiento tercero es la cifra de ese proveedor, no la del equipo.

¿Cuál elegir?

La decisión es una descripción del puesto, no una clasificación.

• Elige WeVisOne-VL-2B si la respuesta que necesitas es geometría —cajas para un pipeline de anotación, máscaras para una herramienta de edición, mattes alfa para imágenes de producto, recuentos en un fotograma denso u OCR con coordenadas adjuntas— y, sobre todo, si lo necesitas en hardware pequeño. Es el único modelo aquí que devuelve un matte a partir de un prompt de texto, supera a su propio hermano mayor en matting y su licencia es la definitiva.

• Elige UI-Venus-2-9B si la respuesta que necesitas es una tarea completada: un formulario rellenado, una app navegada, un CAPTCHA resuelto, un flujo de trabajo de escritorio ejecutado. Estás comprando un bucle de agente, y deberías entrar sabiendo que la licencia no está resuelta y que el trabajo de escritorio de horizonte largo no está resuelto a este tamaño — las propias cifras de OSWorld 2.0 de la tarjeta son 7,5 parcial y 0,0 binario.

• Elige UI-Venus-1.5-2B en su lugar si lo que realmente querías era un grounder de GUI pequeño. Es el modelo de 2B basado en Qwen3-VL de la línea de inclusionAI, reporta 57.7 en ScreenSpot-Pro, y es el comparador de tamaño equivalente que el nombre de este enfrentamiento sugiere pero no menciona.

• Ejecuta ambos en secuencia si estás creando automatización de pantalla que necesita ver con precisión y luego actuar: primero la parte de geometría, después la parte del agente, con una sola GPU.

• Espera: si una cifra de GUI-grounding para WeVisOne-VL-2B es aquello de lo que depende tu decisión. Todavía no existe, y adivinarla a partir del número de parámetros no es un método.

¿Qué cambiaría esta respuesta?

Cuatro cosas, en orden de utilidad. Una ejecución de ScreenSpot-Pro o ScreenSpot-V2 de WeVisOne-VL-2B convertiría el vacío central de este artículo en una comparación y, dado que el modelo tiene un día y es Apache 2.0, eso es un fin de semana de trabajo para cualquiera que tenga una GPU y el arnés de evaluación. Una resolución de licencia sobre UI-Venus-2-9B eliminaría el único obstáculo que ninguna cifra de precisión puede rebatir. Que un proveedor de inferencia liste cualquiera de los dos modelos sustituiría la aritmética de horas de GPU por un precio real. Y una comparación de 4B a 2B que explique por qué el modelo más pequeño funciona mejor diría a los compradores si la nomenclatura de la familia significa algo en absoluto.

Hasta entonces, la forma útil de concebir estos dos no es como rivales en una clasificación, sino como instrumentos distintos: uno que mide la imagen y otro que actúa en la pantalla. El nombre de este enfrentamiento sugiere que estás eligiendo entre modelos pequeños casi equivalentes. Estás eligiendo entre un especialista de 2B y un agente de 9B, y lo único que comparten de verdad es la costumbre de decir no.