UI-Venus-2-9B : l'agent GUI 9B d'Ant Group livré sans article, sans annonce, et avec des performances quasi-SOTA

UI-Venus-2-9B a été mis en ligne sur Hugging Face le 26 août 2026, sans tout ce qui accompagne habituellement le lancement d'un modèle. Pas d'annonce. Pas de communiqué de presse. Pas de rapport technique — le badge arXiv du README pointe vers une URL d'espace réservé, et le bloc de citation comporte explicitement un TODO : mettre à jour l'identifiant arXiv une fois le rapport UI-Venus-2 rendu public. Le lien vers la page du projet est aussi un espace réservé. Au moment de la rédaction, le dépôt compte zéro téléchargement et un like, et les quatre shards au format safetensors qu'il contient décrivent un agent GUI polyvalent qui, sur sa propre fiche modèle, bat Q​wen3.6-27B sur AndroidWorld et OSWorld-Verified, bat Claude Opus 4.6 sur WebVoyager, bat O​penAI Operator sur Online-Mind2Web, et réduit le taux de réussite des attaques OSBlind, supérieur à 90 % chez les agents GUI précédents, à 18,5 %. Les fiches modèles d'InclusionAI attribuent la famille à la Venus Team d'Ant Group, ce qui fait de ce lancement l'entrée discrète d'Ant Group dans la course au computer-use à poids ouverts — et la partie la plus discrète est qu'aucun de ces chiffres n'a encore été reproduit de manière indépendante.

Ce qui a réellement été livré

Le dépôt s'appelle inclusionAI/UI-Venus-2-9B, étiqueté image-texte-vers-texte avec un tag qwen3_5 d’architecture. Le modèle est un modèle de 9B paramètres initialisé à partir de Q​wen3.5-9B, publié sous licence Apache-2.0 en BF16. C’est un agent GUI de fondation : il observe une interface, raisonne sur l’état de la tâche, exécute une action et intègre le retour résultant dans la décision suivante — une boucle fermée observer–raisonner–agir–retour que la fiche indique être entraînée pour couvrir les applications mobiles, les plateformes web et les systèmes d’exploitation de bureau en un seul checkpoint.

• Paramètres — 9B, initialisé à partir de Q​wen3.5-9B, BF16, quatre shards.

• Licence — Apache-2.0.

• Contexte — l'invocation officielle de vLLM définit --max-model-len 262144 (256K tokens), soit la quantité d'historique de captures d'écran que l'agent peut conserver en un seul épisode.

• Service — prise en charge de première classe pour vLLM avec un endpoint compatible OpenAI et une option --reasoning-parser qwen3, ce qui signifie que le modèle émet des jetons de raisonnement avant son action, dans le style de Qwen3.

• Reach — la carte revendique une couverture d’entraînement sur plus de 170+ applications mobiles multilingues (100+ en chinois, 70+ en anglais), 50k+ sites web en ligne, et un système d’exploitation de bureau natif avec 50+ applications professionnelles.

Le détail du parseur de raisonnement importe plus qu'il n'y paraît. Un agent GUI qui réfléchit avant d'agir n'a rien de nouveau, mais en livrer un qui s'intègre au vLLM standard avec une API compatible O​penAI et un parseur de raisonnement Q​wen standard rend l'histoire du serving ennuyeuse dans le bon sens — une seule commande et c'est en ligne, ce qui est inhabituellement mature pour un modèle créé hier.

Les chiffres, et ce qu'ils ne sont pas

Tout ce qui suit est rapporté par le fournisseur. La fiche modèle publie des tableaux de comparaison avec des références publiées solides, et la ligne la plus flatteuse pour UI-Venus-2-9B est AndroidWorld 80.2 — au-dessus de Q​wen3.6-27B à 70.3, MAI-UI-8B à 70.7 et GUI-Owl-1.5-32B-Instruct à 69.8. Sur OSWorld-Verified, le modèle 9B affiche 70.8, encore une fois devant Q​wen3.6-27B à 62.0 mais derrière Kimi K2.6 à 73.1. En navigation web, la fiche liste WebVoyager 90.8, au-dessus de Claude Opus 4.6 à 88.0 et Seed-2.0 à 85.1, et Online-Mind2Web 74.0 contre les 61.3 d'O​penAI Operator.

La comparaison interne la plus frappante est celle avec la base du modèle lui-même. Sur DeskCraft, UI-Venus-2-9B obtient 48,0 tandis que le Q​wen3.5-9B à partir duquel il a été initialisé obtient 14,6 — un bond de 33,4 points qui constitue tout l'argument de la méthode d'entraînement, et cela se répète sur CAPTCHA : MCA-Bench 75,7 contre 30,4 pour la base, NextGen-CAPTCHAs 47,6 contre 2,8. Les chiffres de CAPTCHA valent à eux seuls qu'on s'y attarde, car ils sont le signe le plus clair que le modèle a été conçu pour opérer sur de vrais sites de production hostiles, plutôt que sur des pages de référence propres.

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

• Utilisation d'ordinateur — OSWorld-Verified 70.8, DeskCraft 48.0.

• Web — WebVoyager 90,8, Online-Mind2Web 74,0, REAL 76,9, Odysseys 77,3.

• Ancrage 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.

• Sécurité — Taux de réussite des attaques OSBlind de 18,5 %, contre Claude 4.5 Sonnet à 73,0 et GPT-4o à 93,3 sur la même carte.

La recette : cinq familles de tâches, trois étapes

Le pipeline d'entraînement décrit par la fiche explique pourquoi les deltas des modèles de base sont si importants. UI-Venus-2 est entraîné sur un mélange délibérément complémentaire de cinq familles de tâches — Grounding, CAPTCHA, Mobile, Web et Computer — en trois étapes. Premièrement, un entraînement intermédiaire multimodal à grande échelle basé sur des trajectoires dans des environnements simulés mobiles, web et OS, avec une vérification collaborative humain-discriminateur filtrant les interactions invalides, ainsi qu'une supervision de grounding et de CAPTCHA générée par programmation. Deuxièmement, un apprentissage par renforcement hors ligne au niveau des pas pour Mobile, OS et Web qui optimise la sélection d'actions tenant compte de l'état, avec des instances vérifiées de CAPTCHA et de grounding intégrées dans des interfaces réalistes pour enseigner une localisation précise sous encombrement visuel. Troisièmement, une distillation sur politique multi-enseignants qui consolide des enseignants spécialisés par domaine en une politique unifiée.

La couche de vérification est la partie la plus distinctive. L'achèvement de la tâche est évalué sur des points clés visuels pertinents pour la tâche plutôt que sur un aperçu grossier de l'écran final, et plusieurs modèles votent pour agréger des juges hétérogènes — une conception visant à rendre le signal de récompense RL robuste au piratage de récompense. Le retour vérifié est ensuite distillé dans l'entraînement sous forme de supervision par réflexion, afin que l'agent puisse distinguer un progrès partiel d'un achèvement réel et se rétablir lors d'une interaction à long horizon. Rien de tout cela n'est vérifié indépendamment, et la fiche ne fournit aucune reproduction à laquelle se référer — c'est l'affirmation que l'article est censé étayer.

La famille, et le lien avec Ant Group

UI-Venus-2-9B est la troisième génération d'une famille qu'InclusionAI commercialise discrètement depuis le début. Le rapport technique original d'UI-Venus est paru en août 2025 avec des checkpoints de 7B et 72B ; UI-Venus 1.5 a suivi en février 2026 avec des variantes de 2B, 8B et 30B-A3B. Le bloc de citation sur la nouvelle fiche crédite la « Venus Team, Ant Group », ce qui correspond à la manière dont InclusionAI exprime elle-même sa relation avec Ant Group — il s'agit du laboratoire d'IA d'Ant Group publiant sous le nom d'InclusionAI. Le pari fondateur de la famille est qu'un agent GUI doit fonctionner à partir des seuls pixels : observer l'écran via des captures d'écran plutôt que via des arbres DOM, du XML d'accessibilité ou des dumps d'UI, ce qui le rend portable vers la grande population d'applications mobiles chinoises et anglaises qui n'exposent aucune donnée d'interface structurée. Le Framework Venus compagnon, issu du GitHub de la famille, pilote l'automatisation Android et prend en charge le contrôle multi-appareils en parallèle.

Ce que nous ne savons pas encore

La lecture honnête de ce dépôt est que l'écart entre les affirmations et les preuves reste encore large. Il n'existe aucun rapport technique public UI-Venus-2 — le badge est un espace réservé, et le README indique que le rapport n'est « pas public » — donc les tableaux de référence sont les propres chiffres du fournisseur, sans document méthodologique ni réexécution indépendante. Il n'y a pas de page de projet en ligne. Il n'y a pas d'annonce, ce qui signifie pas de tarification officielle, pas d'API hébergée et pas de feuille de route confirmée. Les tableaux de la fiche listent à plusieurs reprises un UI-Venus-2-27B — 84,0 sur AndroidWorld, 80,5 sur OSWorld-Verified, 12,3 OSBlind — qui n'existe pas sur Hugging Face au moment où l'on écrit, donc le fleuron de la famille est référencé mais non publié. Et avec zéro téléchargement, personne en dehors du laboratoire n'a encore exécuté ce checkpoint.

Comment vous l'exécuteriez réellement

Malgré toutes les inconnues, la seule chose concrète est le déploiement. La fiche documente une seule commande vLLM qui lance le modèle avec une fenêtre de contexte de 256K et une API compatible OpenAI :

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

Cela rend le chemin pratique en auto-hébergement — téléchargez les poids, lancez vLLM, et pointez votre harnais d'agent vers localhost. C'est le cas où une couche de routage prouve sa valeur sur la pile environnante plutôt que sur l'agent GUI lui-même : le modèle qui rédige le plan de tâches, le modèle de vision qui vérifie une deuxième fois l'état de l'écran, le modèle de transcription qui consigne ce qui s'est passé — tous reposent sur OrcaRouter au prix catalogue du fournisseur avec une marge de 0 % et un basculement automatique, si bien que vous pouvez prototyper contre un modèle d'un jour sans engager une chaîne de production. Le jour où un checkpoint d'agent GUI comme celui-ci atteint un fournisseur routé, il apparaît au prix catalogue du fournisseur avec le même passage en direct, et les baisses de prix des vendeurs atterrissent de notre côté le jour même. En attendant, les poids sous licence Apache-2.0 constituent toute l'histoire.

Que regarder ensuite

Trois choses décideront si ce navire discret se transforme en nouvelles. Que l'UI-Venus-2-27B qui remplit les tableaux de la fiche apparaisse effectivement sur Hugging Face, et qu'elle porte avec elle le numéro 12.3 OSBlind. Que le rapport technique soit publié et résiste à la première reproduction indépendante. Et qu'Ant Group décide que la phase discrète est terminée — car un agent open-weights de 9B avec ces chiffres dans les tableaux et un contexte de 256K ne va pas rester à zéro téléchargement bien longtemps.