UI-Venus-2-9B vs Qwen2.5-Omni-7B : Deux descendants de Qwen, généraliste vs agent

UI-Venus-2-9B et Qwen2.5-Omni-7B sont tous deux des descendants à poids ouverts de la même lignée, ce qui fait de cette confrontation une rare expérience contrôlée. Qwen2.5-Omni-7B, publié en mars 2025 sous licence Apache-2.0, est le généraliste omni-modal any-to-any de référence : texte, image, audio et vidéo en entrée, texte et audio parlé en sortie — un modèle qui perçoit tout et répond dans le mode de votre choix. UI-Venus-2-9B d'Ant Group, lancé discrètement le 26 août 2026, est initialisé à partir d'un Qwen plus récent — Qwen3.5-9B — et a été spécialisé dans la direction opposée : un agent GUI en boucle fermée qui perçoit une capture d'écran et répond par une action plutôt que par de la prose. Même famille, deux carrières. La question à laquelle répond cette confrontation n'est pas de savoir lequel est le meilleur — ils ne rivalisent sur aucun benchmark commun — mais ce que vous achetez réellement en choisissant un généraliste sans boucle d'agent ou un spécialiste conçu pour opérer un ordinateur.

Une famille, deux carrières

La lignée Q​wen est le substrat dont sont issus les deux modèles, et c'est ce qu'il y a de plus clair dans cette comparaison. Qwen2.5-Omni-7B repose sur la génération Qwen2.5 et a consacré son entraînement à devenir omni-modal : texte et image entrelacés, compréhension audio et vidéo, et sortie en langage parlé par-dessus le même espace latent. UI-Venus-2-9B est initialisé à partir de Qwen3.5-9B et a consacré son entraînement en trois étapes — pré-entraînement intermédiaire multimodal, apprentissage par renforcement hors ligne, distillation multi-enseignants — à devenir un opérateur : ancrer des éléments, résoudre des CAPTCHAs, naviguer dans des environnements mobiles, web et de bureau en boucle fermée. La même famille architecturale, orientée dans deux directions différentes. Quand deux modèles partagent un substrat mais pas un but, chaque différence dans leur conception est une décision qui vaut la peine d'être lue.

Le généraliste : Qwen2.5-Omni-7B

Qwen2.5-Omni-7B est l'un des checkpoints omni-modaux ouverts les plus éprouvés disponibles. Il accepte toute combinaison de texte, d'image, d'audio et de vidéo et répond en texte ou en parole naturelle, avec en plus une capacité de raisonnement de style Qwen3. Sa fiche indique OmniBench 0,561, un score de pointe à sa sortie pour un modèle ouvert, ainsi que GSM8K 88,7, HumanEval 78,7, MATH 71,5 et MBPP 73,2 — de solides résultats généraux pour un 7B. Il n'est explicitement pas un agent : pas d'appel de fonctions, pas de sortie structurée, et l'ensemble de ses sorties est conversationnel. En revanche, il bénéficie d'une énorme base installée — il tourne sur téléphones mobiles et ordinateurs portables, dispose de portages MLX et de quantification, et est en production depuis un an et demi. Pour un développeur qui a besoin d'un modèle capable de tenir une conversation vocale à propos d'une image, ou de comprendre l'audio et la vidéo ensemble, c'est le choix mature, ennuyeux et correct.

Le spécialiste: UI-Venus-2-9B

UI-Venus-2-9B est l'anti-généraliste. Sa fiche technique annonce une fenêtre de contexte de 256K et une boucle fermée observer–raisonner–agir–retour d'information, et son tableau de benchmarks porte entièrement sur l'exécution d'actions à l'écran : AndroidWorld 80,2, WebVoyager 90,8, OSWorld-Verified 70,8, ScreenSpot-Pro 73,0, MCA-Bench 75,7 sur CAPTCHA, taux de réussite d'attaque OSBlind 18,5 %. Elle ne revendique ni chat, ni audio, ni compréhension vidéo au-delà des captures d'écran — elle émet une trace de raisonnement puis une action structurée. Toute son architecture, de la vérification ancrée sur des points clés avec vote multi-modèles à la supervision par réflexion distillée à partir de retours vérifiés, est conçue pour une seule chose : accomplir des tâches à long horizon dans des interfaces réelles sans se laisser tromper par un progrès partiel. Chaque chiffre de sa fiche est rapporté par le fournisseur et aucun n'a encore été reproduit de manière indépendante.

Le tableau d'affichage dans deux univers

Il n'y a pas de manière honnête de mettre ces deux-là sur un même classement, car ils ne rapportent aucun des mêmes benchmarks. La comparaison utile se fait sur les dimensions qui définissent le rôle, et non sur le classement.

• Rôle — UI-Venus-2-9B : agent GUI, des captures d'écran aux actions. Qwen2.5-Omni-7B : chat et parole omni-modaux, toute modalité vers texte ou voix.

• Base — UI-Venus-2-9B : Qwen3.5-9B. Qwen2.5-Omni-7B : Qwen2.5-generation, ~7B.

• Entrée — UI-Venus-2-9B : captures d'écran, historique de contexte 256K. Qwen2.5-Omni-7B : texte, image, audio et vidéo entrelacés.

• Sortie — UI-Venus-2-9B : actions structurées après les jetons de raisonnement. Qwen2.5-Omni-7B : texte ou parole naturelle ; pas d'appel de fonction, pas de sortie structurée.

• Boucle d'agent — UI-Venus-2-9B : boucle fermée observer–raisonner–agir–feedback. Qwen2.5-Omni-7B : aucune.

• Chiffres de référence — UI-Venus-2-9B : AndroidWorld 80.2, WebVoyager 90.8 (rapporté par le fournisseur). Qwen2.5-Omni-7B : OmniBench 0.561, GSM8K 88.7, HumanEval 78.7 (rapporté par le fournisseur).

La boucle d'agent fait la différence.

Écartez les différences de modalité et la véritable ligne de partage est de savoir si la sortie se termine par des mots ou par des actions. Qwen2.5-Omni-7B est un point de terminaison conversationnel : vous lui envoyez une invite multimodale et il répond ; la boucle qui transforme la réponse en travail vit dans votre code. UI-Venus-2-9B est un point de terminaison de tâche : il est entraîné à prendre un objectif, observer un écran, raisonner, agir, observer le résultat et agir à nouveau — la boucle est à l'intérieur du modèle, et son mécanisme de vérification est conçu pour garder la boucle honnête. C'est pourquoi « le généraliste peut-il faire le travail de l'agent ? » a une réponse claire (non — il n'a ni espace d'action ni boucle), et « l'agent peut-il faire le travail du généraliste ? » en a une tout aussi claire (non — il n'a ni sortie vocale ni compréhension vidéo). Ce sont des compléments, pas des substituts, et ils partagent par coïncidence un nom de famille.

Choix selon la charge de travail

Choisissez Qwen2.5-Omni-7B pour tout ce qui se termine par une réponse : assistants vocaux, chat multimodal, compréhension audio-plus-vidéo, IA conversationnelle sur appareil — un an et demi de durcissement en production est un véritable atout. Choisissez UI-Venus-2-9B pour tout ce qui se termine par une tâche accomplie : remplissage de formulaires, automatisation web, utilisation d’applications, usage d’un ordinateur de bureau — c’est ce pour quoi il est entraîné à terminer. Pour les équipes qui ont réellement besoin des deux, la lignée familiale est l’aspect pratique : la ligne Q​wen est l’un des viviers les plus profonds d’OrcaRouter, avec plus de deux douzaines de modèles au prix catalogue du fournisseur et une marge de 0 %, donc passer d’un généraliste Q​wen à un spécialiste dérivé de Q​wen, ou les composer — un généraliste pour décomposer la tâche, un agent pour l’exécuter — est un simple changement d’API, pas une réintégration. Ni UI-Venus-2-9B ni Qwen2.5-Omni-7B n’est servi via OrcaRouter aujourd’hui ; ce sont tous deux des projets open-weights auto-hébergés, et tous deux apparaîtraient au coût du fournisseur avec une tarification en transparence le jour où un fournisseur routé les ajouterait.

Le verdict

Ce n'est pas une confrontation avec un gagnant ; c'est une bifurcation entre deux formes que peut prendre un modèle Q​wen. Si votre application est conversationnelle, Qwen2.5-Omni-7B est le généraliste éprouvé et le choix sûr par défaut. Si votre application est opérationnelle — un logiciel qui doit utiliser d'autres logiciels — UI-Venus-2-9B est l'outil spécialisé, nouveau et non éprouvé, mais précisément adapté à la tâche. Et si vous construisez un logiciel qui parle à un utilisateur puis agit pour lui, la réponse est les deux, avec la couche de routage entre eux.