Molmo2-4B vs UI-Venus-2-9B : l’un de ces noms est une taille, et c’est faux

Le modèle s’appelle UI-Venus 2, en 9B. Ce n’est pas 2,9B, et ce n’est pas une version 9B d’un modèle 2,9B. La chaîne dans le nom de fichier est un numéro de génération collé à un nombre de paramètres — inclusionAI/UI-Venus-2-9B — et elle a été lue à l’envers par suffisamment de flux de veille et de pages de listes pour qu’une comparaison avec Molmo2-4B ressemble désormais à deux petits modèles de la même catégorie de poids. Ce n’est pas le cas. UI-Venus-2-9B est un agent GUI 9B initialisé à partir de Qwen3.5-9B, environ deux fois la taille des 4,85B de Molmo2-4B, et les deux font des tâches entièrement différentes. Si vous voulez vraiment le petit modèle GUI de cette famille, c’est UI-Venus-1.5-2B, et c’est là que le nombre 2B a sa place. Deux modèles spécialisés avec des contrats de sortie différents posent un problème de routage. aucune majoration par rapport au prix catalogue du fournisseur Le basculement couvre le cas où l’un d’eux passe un mauvais moment.

Les deux modèles sont plus anciens que ne le suggère la présentation. Molmo2-4B a été annoncé par l'Allen Institute for AI le 11 décembre 2025 et ses poids ont été mis en ligne le 14 décembre. Les poids de UI-Venus-2-9B sont arrivés le 26 août 2026, accompagnés d'un rapport technique, arXiv 2609.00028. Ce qui a changé récemment du côté de Molmo, ce sont les outils plutôt que les poids : le support natif de Transformers a été fusionné le 9 octobre 2026 et livré dans la v5.20.0 le 15 octobre, et un fine-tuning robotique, Molmo2-4B-tb, est apparu le 5 novembre. Ni l'un ni l'autre n'est un lancement, et ni l'un ni l'autre ne transforme Molmo2-4B en modèle GUI.

Ce qu’est réellement UI-Venus 2 à 9B

C'est un agent d'interface en boucle fermée. L'entrée est une capture d'écran ; la sortie est une action raisonnée — toucher ici, saisir ceci, faire défiler — et la boucle se poursuit jusqu'à ce que la tâche soit accomplie. L'entraînement se déroule en trois étapes sur cinq familles de tâches (ancrage, CAPTCHA, mobile, web et ordinateur), pour aboutir à une distillation on-policy multi-enseignants qui fusionne les spécialistes de domaine en une seule politique. La couverture de l'environnement constitue la substance de cette publication : plus de 170 applications mobiles en chinois et en anglais, un vivier web de plus de 4 000 domaines répartis en 19 catégories, et le contrôle d'un système d'exploitation de bureau construit de zéro.

Les chiffres du fournisseur lui-même, tous issus de la fiche du modèle et de son rapport technique :

• Ancrage GUI — ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5, UI-Vision 53,2.

• Agents mobiles — AndroidWorld 80,2, MobileWorld 65,8 aux étapes standard et 75,2 avec un budget de 100 étapes, MobileGym 52,7, VenusBench-Mobile 46,5, KnowUBench 56,5, MemGUI 62,6.

Bureau — OSWorld-Verified 70,8, DeskCraft 48,0 et OSWorld 2.0 à 0,0 de précision binaire avec un score partiel de 7,5 sur 108 tâches dans un budget de 150 étapes. Ce zéro mérite d’être examiné attentivement ; il s’agit d’une métrique binaire stricte, pas d’une coquille.

• Web — WebVoyager 90,8, Online-Mind2Web 74,0, REAL 76,9, Odysseys 77,3 en moyenne avec 62,0 parfaits.

• Sécurité — taux de réussite des attaques de 11,3 % sur OSHarm et 48,8 % sur OSBlind, contre 25,3 % et 79,4 % pour la base Qwen3.5-9B.

Il existe une vérification indépendante. Le benchmark diagnostique PointerBench, publié en octobre 2026, attribue à UI-Venus-2-9B les scores de 64,2 pour Sheets, 25,8 pour Text et 73,6 pour Pro, soit une moyenne de 54,5, et le décrit comme le spécialiste natif de l'ancrage GUI le plus performant, tout en signalant l'ancrage au niveau du texte comme son point faible. Il s'agit d'un résultat tiers sur une composition de tâches différente, et il constitue un correctif utile : le chiffre phare de ScreenSpot-Pro ne reflète pas l'ensemble du tableau.

Ce qu’est réellement Molmo2-4B

Modèle vision-langage polyvalent avec une sortie de points. 4 850 869 200 paramètres, une tour de vision SigLIP 2 so400m au-dessus de Qwen3-4B-Instruct-2507, 36 864 positions, 19,42 Go de poids float32 répartis sur quatre fragments. Il gère les images, plusieurs images et la vidéo, et renvoie des coordonnées mises à l’échelle de 0 à 1000 par rapport à la largeur et à la hauteur de l’image, avec des horodatages lorsque l’entrée est une vidéo. Son score agrégé fournisseur est de 62,8 sur 15 benchmarks académiques.

Ce qu’il n’a pas, c’est un numéro GUI publié. Molmo2-4B n’apparaît pas dans les tableaux du rapport technique UI-Venus, ni dans l’évaluation PointerBench, ni avec un résultat ScreenSpot-Pro sur sa propre fiche. Le chiffre GUI le plus proche de la famille Molmo appartient à un autre modèle : MolmoPoint-GUI-8B, un fine-tune spécialisé GUI de 8B de la gamme MolmoPoint de mars 2026, rapporte 61,1 sur ScreenSpot-Pro. Le citer comme résultat de Molmo2-4B serait une erreur de catégorie, et c’est l’erreur la plus probable qu’un lecteur puisse commettre en comparant ces deux modèles.

Le chevauchement est plus faible que ce que la dénomination suggère

• Taille — 4,85B dense pour Molmo2-4B contre un modèle dense de 9B initialisé à partir de Qwen3.5-9B.

• Entrées — image, multi-images et vidéo pour Molmo2-4B ; une capture d’écran pour UI-Venus-2-9B, en boucle, avec l’action précédente réinjectée.

• Sorties — points épars en coordonnées normalisées pour Molmo2-4B ; une action structurée pour UI-Venus-2-9B, analysée par un harnais qui pilote ensuite l’appareil.

• Atouts — ancrage dans les images naturelles et les vidéos, comptage et suivi pour Molmo2-4B ; localisation d’éléments et navigation multi-étapes sur des interfaces haute résolution pour UI-Venus-2-9B.

• GUI grounding publié — aucun pour Molmo2-4B ; ScreenSpot-Pro 73,0 pour UI-Venus-2-9B.

• Licence — poids Apache 2.0 avec une réserve sur les données tierces pour Molmo2-4B ; la fiche modèle UI-Venus-2-9B ne publie aucun champ de licence, ce qui est une lacune à combler avant toute exploitation commerciale.

Cette dernière ligne n’est pas un détail. Un modèle 9B dérivé de Qwen3.5-9B sans champ de licence sur sa fiche modèle n’est pas quelque chose qu’une revue juridique peut valider sur la seule foi d’un README. Les métadonnées de la fiche elles-mêmes n’aident pas non plus : son badge Safetensors indique « 1,47M params », ce qui n’est pas une taille plausible pour un checkpoint de cette ampleur et ressemble à un artefact de métadonnées de shard. Interrogez les mainteneurs sur ces deux points avant de planifier quoi que ce soit en fonction de cela.

Si vous voulez du GUI grounding de la gamme Molmo

La voie honnête n’est pas Molmo2-4B. Les propres travaux GUI d’Ai2 se situent dans la famille MolmoPoint, où MolmoPoint-GUI-8B rapporte 61,1 sur ScreenSpot-Pro contre 73,0 pour UI-Venus-2-9B, et les deux chiffres proviennent au moins du même benchmark. Même dans ce cas, la comparaison est inter-harnais : des échafaudages d’action différents, un prétraitement des captures d’écran différent et, dans le cas d’UI-Venus, une hypothèse documentée selon laquelle le raisonnement est désactivé et la température fixée à zéro pour la localisation directe de points. Un écart de 12 points sur un benchmark aussi sensible aux choix de harnais est un signal, pas un verdict.

Ce pour quoi Molmo2-4B est réellement utile dans une stack d’agents, c’est l’étape de perception qui ne consiste pas à repérer un bouton. Retrouver l’objet qu’un utilisateur a décrit dans une image de caméra, le désigner au fil d’une vidéo, compter les instances, suivre quelque chose dans le temps — voilà les sorties pour lesquelles le modèle a été entraîné, et aucune d’elles n’est un élément d’interface sur une capture d’écran 4K. Les équipes finissent souvent par faire tourner les deux types de modèles : un spécialiste pour l’interface, un généraliste pour la scène.

C'est un problème de routage plus qu'un problème de modélisation. Les deux modèles ont des contrats de sortie incompatibles et des profils matériels différents, et les faire tourner derrière une seule clé pour les deux — avec basculement lorsqu'un point de terminaison se dégrade et sans marge sur le prix catalogue du fournisseur — supprime la partie de la pile qui n'a rien à voir avec la vision. Il convient aussi de dire clairement qu'aucun de ces modèles ne figure au catalogue OrcaRouter ; les deux sont des poids que vous hébergez vous-même, et la couche de routage se situe autour d'eux plutôt qu'en dessous.

La version courte

Si la tâche consiste à « utiliser cette application », UI-Venus-2-9B est le spécialiste et Molmo2-4B n’a rien à offrir sur ce benchmark. Si la tâche consiste à « pointer l’élément dans cette photographie ou cette vidéo », UI-Venus-2-9B n’a rien à offrir et Molmo2-4B est la raison d’être de cette comparaison. Et si ce que vous vouliez réellement était un petit modèle GUI à faire tourner à moindre coût, la bonne comparaison n’a jamais été celle-ci — c’est UI-Venus-1.5-2B à 2B, face au généraliste compact que vous pouvez lui adjoindre.