WeVisOne-VL-4B vs UI-Venus-2-9B: uno devuelve una máscara, el otro devuelve un clic

Entrega la misma captura de pantalla de una página de pago a WeVisOne-VL-4B y a UI-Venus-2-9B, y obtendrás dos tipos distintos de respuesta. La primera te da geometría: un cuadro alrededor del icono del carrito, una máscara de segmentación alrededor del campo de descuento, una máscara alfa que recorta la foto del producto de su fondo. La segunda te da una acción: las coordenadas del siguiente toque, además del razonamiento que lo produjo. El equipo de WeChat Vision de Tencent publicó WeVisOne-VL-4B en Hugging Face sin anuncio y fechó su artículo técnico el 23 de octubre de 2026; UI-Venus-2-9B, de inclusionAI, se puede descargar desde el 26 de agosto de 2026. Se clasifican bajo la misma etiqueta de modalidad y no son sustitutos.

Eso convierte esto en una comparación con un problema inusual en el centro: los dos modelos no tienen ningún benchmark en común. No hay ni una sola puntuación que aparezca en ambas fichas. Ninguno ha sido evaluado de forma independiente, ninguno lo despliega un proveedor de inferencia y ninguno tiene un precio publicado. Lo que sí se puede comparar con honestidad es lo que genera cada uno, cómo se le entrenó para negarse, cuánto cuesta ejecutarlos y bajo qué licencia los distribuirías; eso es lo que hace este artículo, y señala las cifras reportadas por el proveedor como reportadas por el proveedor cada vez que aparece una.

Los dos modelos no están respondiendo a la misma pregunta.

WeVisOne-VL-4B es un modelo de percepción. Se basa en una arquitectura base Qwen3-VL y añade un decodificador de píxeles obligatorio de 9,6 millones de parámetros —mask_decoder.pt, distribuido como un segundo artefacto— que convierte las predicciones de cajas del modelo de lenguaje en máscaras de instancia y, después, en mattes alfa de paso 1. Las coordenadas se emiten como tokens dedicados que abarcan de <0> a <1000>, normalizadas respecto a la imagen, y un token especial <OBJ> (id 152,678) cierra cada caja en tareas densas. La lista de tareas del artículo es una lista de geometría: detección de vocabulario abierto, localización por referencia, conteo, señalización, localización de OCR, segmentación por referencia y matting alfa con indicaciones.

UI-Venus-2-9B es un agente. Se inicializa a partir de Qwen3.5-9B y se entrena mediante interacción basada únicamente en capturas de pantalla en cinco familias de tareas —grounding, CAPTCHA, móvil, web y ordenador— a través de entrenamiento intermedio, aprendizaje por refuerzo fuera de línea a nivel de paso y destilación en política con múltiples profesores. Su salida es una acción dentro de un bucle cerrado de observar–razonar–actuar, y su receta de vLLM combina --max-model-len 262144 con --reasoning-parser qwen3 porque emite tokens de razonamiento antes de cada acción.

Coloca las especificaciones una al lado de la otra y la diferencia es inmediata:

• Qué se obtiene — cajas, puntos, máscaras y mattes alfa de WeVisOne-VL-4B; una acción junto con su traza de razonamiento de UI-Venus-2-9B.

• Backbone — Qwen3-VL para WeVisOne-VL-4B; Qwen3.5-9B para UI-Venus-2-9B. Diferentes generaciones, diferentes familias de stack de texto.

• {{1}}Tamaño{{/1}} — 5B parámetros indicados en el repositorio a pesar de un nombre "4B", además de un decodificador separado de 9,6M de parámetros; 9B denso para UI-Venus-2-9B en cuatro fragmentos BF16, aproximadamente 18,8 GB.

• Formato de los pesos — safetensors F32 en la ficha de WeVisOne-VL-4B, algo poco habitual en este tamaño y que hace que la descarga sea mayor de lo que sugiere el número de parámetros; BF16 para UI-Venus-2-9B.

• Licencia — Apache 2.0 para WeVisOne-VL-4B; "pendiente de confirmación final" para UI-Venus-2-9B.

La consecuencia práctica es que no puedes intercambiar 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 una máscara perfecta sigue sin poder hacer clic. Un agente que hace clic a la perfección sigue sin poder entregarte el matte que querías para la sesión de fotos de producto.

Donde realmente coinciden: ambos equipos enseñaron a su modelo a decir no.

Esta es la única decisión de diseño que ambos lanzamientos tomaron, y es lo más interesante de la pareja. Los modelos de localización de vocabulario abierto fallan de una forma concreta y costosa: pide el extintor en una habitación que no tiene ninguno y un modelo que siempre responde encuadrará con total confianza el radiador. Aguas abajo, eso es un objeto alucinado en tu canal de activos o un toque mal dirigido en tu bucle de automatización.

WeVisOne-VL-4B lo resuelve devolviendo None, y el artículo reporta la tasa de rechazo como una métrica propia junto con la precisión. En RefCOCOg, el modelo 4B alcanza una tasa de rechazo de 67.4, mientras que su base Qwen3-VL-4B se sitúa en 18.8. En WeRef-Bench, interno de WeChat, reporta 96.4 de rechazo frente a 61.9 del modelo base, y en Ref-ZOM, 86.0 frente a 0.3 de UniPixel-7B. Son cifras autoinformadas de un artículo publicado hoy, y los benchmarks de rechazo son en gran medida de los propios autores: toma la dirección como creíble y la brecha exacta como no verificada.

UI-Venus-2-9B aborda el mismo problema desde el lado del agente, heredando el grounding consciente del rechazo de la línea UI-Venus: el modelo está entrenado para negarse cuando el elemento solicitado no está en pantalla en lugar de adivinar una ubicación plausible. Sus cifras de grounding —ScreenSpot-Pro 73,0; VenusBench-GD 77,1; OSWorld-G-R 78,5— son reportadas por el proveedor, y la ficha es explícita en que esto no elimina el riesgo de acciones dañinas y recomienda confirmación humana además de salvaguardas a nivel de aplicación. Su tabla de seguridad muestra el efecto que sí afirma: 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 %.

Así que ambos modelos fueron creados por equipos que habían visto a un localizador mentir, y ambos optaron por la abstención antes que por la cobertura. Si el modo de fallo de tu aplicación es «equivocarse con confianza», esa prioridad compartida importa más que el número de parámetros.

Los números que la ficha del modelo de Tencent no muestra

Todos los análisis publicados sobre WeVisOne-VL-4B hasta ahora han dicho lo mismo, y con razón: la ficha del modelo no publica ningún benchmark. El artículo técnico sí lo hace, y se publicó el 23 de octubre de 2026, lo que convierte esto en la parte de la historia que aún no ha circulado. Todos los datos son autodeclarados por los autores, ninguno se ha reproducido de forma independiente y el modelo tiene un día de vida; así que léelos como afirmaciones con una forma, no como resultados consolidados.

Frente a su propia base Qwen3-VL-4B, las diferencias son lo bastante grandes como para resultar interesantes incluso después de descontarlas en gran medida:

• Detección, F1 media zero-shot en COCO — 57,1 para WeVisOne-VL-4B frente a 48,7 para Qwen3-VL-4B, y 55,3 frente a 44,0 en LVIS.

• Detección, F1 medio en Dense200 — 71,3 frente a 15,2. No es una errata en la tabla del artículo; las escenas densas de objetos pequeños son donde el modelo base se derrumba.

• Detección referencial, val de RefCOCOg — 80,8 frente a 74,1, con la tasa de rechazo en 67,4 frente a 18,8.

• Conteo, coincidencia exacta en val de PixMo-Count — 93,7 frente a 69,6; en val de MixCount, 42,0 frente a 3,5.

• Pointing, F1 de PointBench — 71,9 frente a 57,1.

• Localización de OCR, F1 medio de SROIE — 68,1 frente a 40,4, y por delante del 58,6 de PP-OCRv5.

• Segmentación referencial, gIoU de validación en ReasonSeg — 71.2, frente a 65.0 de LISA-13B.

• Matting con prompts, MAD con prompt de caja en AM-2K — 5,0 frente a 12,1 para SAM2-Matting; en prompts de referencia de WeRefMat, 9,8 frente a 51,9.

El resultado de matting es el que merece una pausa, porque es la capacidad que ninguna otra cosa en esta clase de precio ofrece mediante un prompt. Pedirle a un modelo de visión-lenguaje "la persona, como un alpha matte" y obtener una salida stride-1 que supera a un pipeline de matting SAM2 en MAD es un producto distinto de una cabeza de detección con una máscara adjunta. También es donde el artículo es menos halagador con su propio 4B: con prompts de caja en P3M-500-NP, el modelo 2B obtiene 6,6 MAD frente al 7,3 del 4B, así que la variante más grande no es uniformemente mejor y los autores lo publican.

Qué miden los números de UI-Venus-2-9B y por qué no se transferirán

Ponga las dos suites de evaluación comparativa una al lado de la otra y la incomparabilidad deja de ser una cuestión técnica. Los resultados principales de UI-Venus-2-9B son todos tasas de éxito del estado final en 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 ficha y 75.2 con 100 pasos. Esas cifras miden si una tarea se completó, lo que integra percepción, planificación, memoria y recuperación de errores en una sola cifra.

Lo más parecido a un eje común es el GUI grounding. UI-Venus-2-9B registra 73,0 en ScreenSpot-Pro, un benchmark que consiste en localizar elementos pequeños de la interfaz en capturas de pantalla de alta resolución, y WeVisOne-VL-4B no lo reporta. WeVisOne-VL-4B registra resultados de localización OCR y de dense pointing, y UI-Venus-2-9B no los reporta. Así que la postura honesta es que el número más útil para esta comparación todavía no existe: ejecutar WeVisOne-VL-4B en ScreenSpot-Pro indicaría si un especialista en percepción de 5B supera a un agente de 9B a la hora de encontrar un botón, y hasta que alguien lo ejecute, cualquiera que haga un ranking de estos dos en grounding está adivinando.

El propio conjunto de pruebas del agente también expone públicamente su punto débil. En OSWorld 2.0, el modelo de 9B obtiene 7,5 en parcial y 0,0 en binario; su hermano de 27B alcanza 13,2 en parcial y 2,8 en binario. El trabajo de escritorio de horizonte largo no está resuelto a este tamaño, y la ficha lo dice.

Servirlos supone una brecha mayor que la brecha del benchmark.

Para un equipo que decide qué ejecutar la próxima semana, la diferencia operativa importará más que cualquier puntuación. UI-Venus-2-9B es un único modelo que se inicia con un solo comando de vLLM, que expone un endpoint compatible con OpenAI con paralelismo tensorial de 1. WeVisOne-VL-4B necesita su paquete de inferencia de GitHub además del artefacto decodificador separado, y se llama a través de su propio wrapper WeVisOneVL(...) con un argumento de tarea: predict(image, task="matting", query="person", temperature=0.0). La ficha documenta las rutas de Transformers, vLLM y SGLang, pero el decodificador de píxeles no es opcional: el modelo de lenguaje por sí solo no puede producir una máscara.

La memoria está más cerca de lo que sugiere el número de parámetros. En bf16, el backbone de 5B ocupa aproximadamente 10 GB antes del decodificador, frente a unos 18.8 GB de los cuatro fragmentos de UI-Venus-2-9B. Ambos caben en una sola tarjeta de 24 GB para los pesos; lo que cambia es cuánto espacio queda para el contexto.

Y en cuanto al contexto, las dos configuraciones coinciden de una manera que es fácil de sobreinterpretar. La configuración de WeVisOne-VL-4B incluye max_position_embeddings de 262,144 —el mismo techo que ofrece UI-Venus-2-9B con su longitud máxima de modelo de 262,144—. Pero lo usan para cosas distintas: el agente trata el contexto largo como memoria de episodio, conservando el historial de capturas de pantalla de una tarea, mientras que las evaluaciones publicadas del modelo de percepción se ejecutan con 1,960 tokens visuales por imagen. Una ventana de 256K en un modelo de un solo turno y solo de imágenes es un techo, no una capacidad demostrada, y la tarjeta enumera las rejillas de vídeo como rechazadas de plano por el decodificador de píxeles.

Licencia: uno de estos está resuelto y el otro no.

WeVisOne-VL-4B es Apache 2.0, con código escrito por Tencent bajo los mismos términos. Puedes leerlo, hacer un fork, incluirlo en un producto y no hablar con un abogado al respecto.

La ficha de UI-Venus-2-9B 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 está en la ficha desde agosto y no ha cambiado. No te impide evaluar el modelo, ni impide el uso interno en la mayoría de las organizaciones, pero sí significa que un producto externo construido sobre esos pesos se construye sobre una cuestión sin resolver, y ninguna puntuación de benchmark lo soluciona. Si estás eligiendo entre estos dos para algo que pretendes lanzar, la columna de la licencia decide más rápido que la de la precisión.

Cuánto cuesta cada uno, dado que ninguno tiene precio

No hay un precio por token establecido por el proveedor para ninguno de los dos modelos. La página de WeVisOne-VL-4B dice que ningún proveedor de inferencia lo despliega; UI-Venus-2-9B no tiene endpoint propio ni una tarifa publicada por inclusionAI, así que lo que cobre por él un proveedor externo es la cifra de ese proveedor, no la del equipo. Para ambos, el costo son horas de GPU en hardware que alquilas o posees, lo que significa que la comparación no es «precio de entrada vs. precio de salida», sino «cuánta tarjeta gráfica necesito y cuántas imágenes por segundo procesa».

Ninguno de los dos artículos publica throughput ni latencia, así que ese segundo número es desconocido para ambos. Lo que sí puede saberse es la forma: UI-Venus-2-9B paga por un forward pass de 9B más tokens de razonamiento en cada paso de un episodio, y un episodio de agente tiene muchos pasos. WeVisOne-VL-4B paga por un pase de 5B más un forward del decoder por imagen, y una imagen es una llamada. Si tu carga de trabajo son cien mil fotos de producto, la economía del modelo de percepción es por imagen y predecible; si es una tarea de navegador, el coste del agente escala con cuántas acciones requiere la tarea, que es el número que no puedes pronosticar a partir de la ficha.

También es aquí donde una capa de enrutamiento se gana su lugar en vez de ser un eslogan. Ninguno de los dos modelos está hoy en OrcaRouter, y este artículo no va a pretender lo contrario: WeVisOne-VL-4B no tiene ningún proveedor de inferencia, y UI-Venus-2-9B se sirve mediante alojamiento de terceros en lugar de desde nuestro propio catálogo. Lo que OrcaRouter ofrece para los modelos que sí sirve es un único endpoint compatible con OpenAI a través de 200+ de ellos con un recargo del 0%, con el precio de lista del proveedor trasladado sin cambios, de modo que una rebaja de precio del proveedor te llega el mismo día en que ocurre y no en la próxima renovación del contrato. Para una arquitectura que llama a un modelo de percepción y a un modelo de agente en secuencia, el DSL de enrutamiento es donde vive esa composición —dos llamadas a modelos, un único lugar para intercambiar cualquiera de las dos patas— y la conmutación por error automática es lo que mantiene vivo un bucle de agente cuando el modelo que lo respalda se degrada a mitad de episodio. En cuanto cualquiera de estos dos llegue a un proveedor, esa es la forma más barata de averiguar si pertenece a tu stack.

¿Cuál elegir?

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

• Elige WeVisOne-VL-4B si el resultado que necesitas es geometría: cuadros delimitadores para un flujo de trabajo de anotación, máscaras para una herramienta de edición, mattes alfa para imágenes de producto, recuentos de objetos en un fotograma aéreo denso, u OCR con coordenadas adjuntas. Ningún otro modelo de la clase abierta de 5B devuelve un matte a partir de un prompt de texto, y las cifras de matting del artículo frente a un flujo de trabajo con SAM2 son la afirmación más contundente del lanzamiento.

• Elige UI-Venus-2-9B si el resultado que necesitas es una tarea completada: un formulario rellenado, una aplicación navegada, un CAPTCHA resuelto o un flujo de trabajo de escritorio guiado desde capturas de pantalla. Se distribuye como un único comando de vLLM con un endpoint compatible con OpenAI, lo que supone un día de trabajo en lugar de una semana, y sus resultados en AndroidWorld y WebVoyager son las cifras que debes comparar con tu propio entorno.

• No elijas ninguno de los dos todavía si necesitas pruebas independientes, un precio publicado o una licencia definitiva para un producto que vayas a lanzar. Las tres cosas faltan tanto para la licencia de UI-Venus-2-9B como para los benchmarks de ambos modelos.

• Considera ambos si estás creando un agente que tiene que manipular imágenes en lugar de simplemente hacer clic por las pantallas. La composición es lo interesante: UI-Venus-2-9B decide dónde actuar y WeVisOne-VL-4B produce el artefacto con precisión de píxel que la acción pretendía lograr. Eso cuesta dos llamadas al modelo por paso y aporta una precisión que ninguno de los dos modelos tiene por sí solo.

¿Qué cambiaría esta respuesta?

Cuatro cosas, en orden de cuánto lo moverían.

Una ejecución de ScreenSpot-Pro con WeVisOne-VL-4B. Es el único benchmark en el que ambas partes podrían medirse de forma plausible, y resolvería si un especialista en percepción de la mitad de tamaño supera en localización a un agente de UI diseñado específicamente. Cualquiera con una GPU y una tarde puede producirla, y nadie lo ha hecho.

Una evaluación independiente de cualquiera de los dos modelos. Cada cifra de este artículo se remonta a una ficha de modelo o a un artículo escrito por el equipo que construyó la cosa. Eso es normal el día del lanzamiento y sigue siendo una ausencia.

Una licencia resuelta para UI-Venus-2-9B. «Confirmación final pendiente» ha estado en la ficha durante ocho semanas. Si se resuelve con algo permisivo, el agente se vuelve considerablemente más fácil de recomendar para trabajo comercial; si no, eso responde a la pregunta en sentido contrario.

Un endpoint propio para cualquiera de las dos opciones. Ninguno de los proveedores ofrece hoy su propio modelo, lo que limita el público a los equipos dispuestos a ejecutar una pila de servicio y, en el caso de WeVisOne-VL-4B, a los equipos dispuestos a manejar un paquete de inferencia personalizado. Una tarifa publicada por el proveedor transformaría la comparación de costos de una operación aritmética en una partida de costo.

Hasta entonces, el resumen justo es este: Tencent lanzó un kit de herramientas de percepción que hace algo que ningún modelo abierto pequeño había hecho antes, con la suficiente discreción como para que sus propias tablas de referencia aún no se hayan leído, y Ant Group lanzó un agente un mes y medio antes que es más fácil de ejecutar y más difícil de licenciar. No son rivales. El error sería elegir uno porque el otro obtuvo una puntuación más alta en una prueba de referencia que no comparten.