LFM3-VL-2B vs UI-Venus 2.9B : le 2,9B qui est en réalité un 9B

Il n'existe aucun modèle appelé UI-Venus 2.9B. Le checkpoint à inclusionAI/UI-Venus-2-9B est UI-Venus-2-9B — la version deux de l'agent UI-Venus d'Ant Group, avec 9 milliards de paramètres, basé sur Qwen3.5-9B. Le nom du répertoire se lit comme un nombre décimal, mais ce n'en est pas un. Face à LFM3-VL-2B avec 1,92 milliard de paramètres, cela donne une comparaison 2B contre 9B sous une étiquette 2B contre 2B.

L’erreur compte parce qu’elle change la question. Si les deux modèles faisaient environ 2B, vous compareriez les lignes de benchmark et choisiriez le meilleur. À 9B contre 2B, le plus petit modèle ne concourt pas sur le même matériel, et le plus grand n’est pas du tout un modèle de vision généraliste. UI-Venus-2-9B est un agent GUI entraîné à piloter téléphones, navigateurs et ordinateurs de bureau à partir de captures d’écran. LFM3-VL-2B est un modèle vision-langage généraliste qui inclut justement une catégorie GUI parmi ses 62 benchmarks. Le recouvrement est plus étroit que ne le suggère leur nom.

Comment le nom s'est retrouvé déformé

La convention de nommage d'Ant Group est family-version-size. UI-Venus-2-9B s'interprète comme UI-Venus, génération 2, 9B paramètres. Un catalogue ou un radar qui découpe sur les traits d'union et recherche un nombre décimal lit « 2-9 » comme « 2.9 », ce qui explique qu'un modèle 9B finisse classé à côté de modèles 2B. La même convention produit UI-Venus-2-27B, le grand frère, et les deux ont été publiés ensemble fin août 2026.

Ce n’est pas une erreur cosmétique. Le nombre de paramètres est le premier filtre dans toute décision de déploiement, et un lecteur qui s’attend à un modèle de 2,9 B sera surpris par un checkpoint BF16 de 18,8 Go qui ne tient pas sur l’appareil qu’il avait en tête. Les métadonnées du dépôt sont sans ambiguïté : architecture Qwen3.5-9B, BF16, image-texte-vers-texte.

Deux usages, pas deux tailles

LFM3-VL-2B accepte du texte, des images et de la vidéo à 2 fps, produit du texte, prend en charge un mode de réflexion et dispose d’un contexte de 128 K sur 16 langues. C’est un généraliste : documents, graphiques, grounding, raisonnement incarné, compréhension des interfaces graphiques et vidéo figurent tous comme catégories sur sa fiche. Liquid AI l’a publié sur Hugging Face le 19 octobre 2026 et a annoncé la famille le 27 octobre, sans prix d’API ni fournisseur d’inférence indiqué.

UI-Venus-2-9B prend des captures d’écran et une description de tâche, puis renvoie l’action suivante dans une boucle fermée observer–raisonner–agir. Son entraînement se déroule en trois étapes : un pré-entraînement intermédiaire multimodal sur des trajectoires simulées couvrant plus de 170 applications mobiles et plus de 4 000 domaines web, un apprentissage par renforcement hors ligne au niveau des étapes sur des tâches d’ancrage, de CAPTCHA, mobiles, web et informatiques, puis une distillation on-policy multi-enseignants en une seule politique. Il s’exécute sur vLLM avec un point de terminaison compatible OpenAI et un analyseur de raisonnement Qwen3. C’est un runtime d’agent, pas un modèle de légendage.

Conséquence pratique : impossible de les permuter. LFM3-VL-2B décrira une capture d’écran et répondra aux questions la concernant. UI-Venus-2-9B décidera où toucher ensuite, et il s’attend à ce que le harnais environnant — analyseurs d’actions, invites, exemples — du dépôt GitHub du projet lui permette de faire quoi que ce soit d’utile.

Le seul benchmark qui concorde

Les deux modèles rapportent des résultats sur ScreenSpot-Pro, ce qui est le rare cas où la comparaison est légitime. LFM3-VL-2B obtient 55,5 avec réflexion et 49,3 sans. UI-Venus-2-9B obtient 73,0. Cela représente un écart de 17,5 points en faveur du modèle presque cinq fois plus grand, et c’est le chiffre le plus clair de cette confrontation.

Ne l’étendez pas au reste de l’histoire GUI. UI-Venus-2-9B rapporte également AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0 et VenusBench-GD 77,1. LFM3-VL-2B rapporte une moyenne de catégorie GUI de 83,1 sur un ensemble différent de tâches, et faire la moyenne d’une catégorie n’est pas équivalent à obtenir un score sur un seul benchmark. Les catégories ne sont pas comparables et ne doivent pas être soustraites.

Un chiffre sur la carte {{1}}UI-Venus{{/1}} mérite d’être signalé, car il va à l’encontre du message principal : sur {{2}}OSWorld 2.0{{/2}}, le modèle obtient 0,0 sur la métrique binaire et 7,5 sur la métrique partielle. Quelle que soit la nature du problème de harnais, un agent {{3}}9B{{/3}} qui arrive en tête sur {{4}}OSWorld-Verified{{/4}} et obtient un score proche de zéro sur le benchmark successeur est un modèle qui a une limite, et la carte le rapporte honnêtement.

Fenêtres de contexte qui mesurent des choses différentes

UI-Venus-2-9B annonce jusqu’à 256 K tokens de contexte, et la partie utile est ce que ce contexte contient : un historique de captures d’écran, afin que l’agent puisse se rappeler à quoi l’écran ressemblait quatre étapes plus tôt. LFM3-VL-2B annonce 128 K, et sa fiche ne précise ni le budget de tokens d’image ni la durée maximale de vidéo. Aucun de ces deux chiffres ne vous dit combien de captures d’écran vous pouvez conserver dans une boucle avant que le modèle perde la première. Les deux nécessitent une mesure à votre propre résolution et avec votre propre nombre d’étapes.

La différence de nature compte toujours. Un long historique de captures d’écran constitue un besoin en mémoire pour un agent qui fonctionne pendant plusieurs minutes. Un contexte de 128K sur un VLM généraliste correspond à un besoin lié aux documents ou aux vidéos. Les chiffres semblent comparables, mais répondent à des questions différentes.

Déploiement : 4 Go contre 19 Go

LFM3-VL-2B compte 1,92 milliard de paramètres, soit environ 3,84 Go de poids en BF16 par calcul, avec des builds GGUF, MLX 4 bits et ONNX déjà publiés. UI-Venus-2-9B fait environ 18,8 Go en BF16 et est servi via vLLM ; il existe un GGUF communautaire, mais la procédure de service du fournisseur suppose un GPU disposant de suffisamment de mémoire pour le checkpoint complet. Ces deux modèles ne sont pas en concurrence pour le même créneau. L’un est un candidat pour l’edge ; l’autre est un agent côté serveur.

{{1}}Cette différence{{/1}}, et non l’écart au benchmark, est ce qui rend l’association intéressante. Une équipe qui souhaite {{2}}comprendre les interfaces graphiques sur un appareil{{/2}} ne dispose ici que d’une seule option. Une équipe qui souhaite un {{3}}agent d’interface graphique aux scores proches de l’état de l’art{{/3}} dispose de l’autre, et a besoin d’un GPU pour l’exécuter.

La question de la licence à laquelle personne n'a répondu

LFM3-VL-2B utilise la LFM Open License v1.0 : l’utilisation commerciale n’est autorisée que tant que le licencié reste sous le seuil de 10 millions de dollars de chiffre d’affaires annuel. C’est restrictif, mais lisible, et le texte est publié.

UI-Venus-2-9B est moins claire. Le dépôt de code du projet indique Apache 2.0 ; la fiche du modèle précise que la licence des poids est en attente de confirmation finale, car les déclarations en amont se contredisent. Au 28 octobre 2026, cela n’était pas résolu. Une licence en attente ne constitue pas un obstacle pour la recherche, mais c’est un véritable obstacle pour un déploiement commercial qui doit connaître ses conditions avant d’être lancé. Quiconque envisage de développer sur UI-Venus-2-9B devrait obtenir la réponse par écrit plutôt que de la déduire d’une étiquette de dépôt.

Où OrcaRouter trouve sa place, si tant est qu’il en ait une

OrcaRouter ne sert aucun des deux checkpoints, et cet article ne prétend pas le contraire. Ce que nous avons, c’est un DSL de routage capable de composer plusieurs modèles en un seul appel — utile ici, car l’architecture naturelle n’est pas de « choisir un seul modèle ». Un petit VLM généraliste peut lire l’écran et déterminer si la tâche relève d’une question documentaire ou d’une interaction ; un spécialiste GUI plus grand peut prendre en charge les étapes d’interaction. Le routage entre eux selon le type de tâche est une configuration, et non une seconde intégration.

C’est une utilisation plus honnête de la comparaison que de prétendre que les deux modèles sont des alternatives. Ce sont deux étapes d’un même pipeline, avec une différence de paramètres d’un facteur 5 entre eux.

Lequel veux-tu vraiment ?

• LFM3-VL-2B si la tâche consiste à comprendre plutôt qu’à agir, si vous avez besoin d’une entrée vidéo ou documentaire, ou si le modèle doit fonctionner avec environ 4 Go. Acceptez la licence plafonnée selon les revenus et le fait que personne en dehors de Liquid ne l’a évalué.

• UI-Venus-2-9B si le travail consiste à piloter une interface de bout en bout, si vous pouvez fournir 19 Go de mémoire GPU et une pile de service vLLM, et si vous pouvez attendre que la licence des poids soit confirmée. Acceptez qu’il s’agit d’un spécialiste doté d’un harnais, et non d’un assistant généraliste.

• Ni l’un ni l’autre, si ce que vous vouliez était un modèle 2,9B. Ce modèle n’existe pas, et les deux options réelles sont toutes deux plus spécialisées que ne le laissait entendre le nom.

La correction est le point à retenir. Un nombre de paramètres dans le nom d’un dossier n’est pas une spécification et, dans ce cas, il masquait une différence de taille d’un facteur cinq et une fonction tout à fait différente. Lisez le champ architecture avant le slug.