WeVisOne-VL-2B לעומת UI-Venus-2-9B: פער הגודל שהשם מסתיר

תשעה מיליארד פרמטרים זה לא מה שההשוואה אומרת. כשכותבים אותה כפי שרוב האנשים כותבים — WeVisOne-VL-2B מול UI-Venus 2.9B — הצימוד נקרא כמו שני מודלי ראייה קטנים עם בערך אותו משקל, קרב הוגן בין צ׳קפוינט 2B טרי מצוות WeChat Vision של Tencent לבין משהו קצת גדול יותר מ-inclusionAI של Ant Group. המחצית השנייה של ההנחה הזו שגויה. UI-Venus-2-9B הוא UI-Venus 2 עם 9 מיליארד פרמטרים, מאותחל מ-Qwen3.5-9B; ה־"2" הוא הדור, לא הגודל. WeVisOne-VL-2B, שהועלה ל-Hugging Face ב-22 באוקטובר 2026, הוא 2 מיליארד פרמטרים על שלד Qwen3-VL. ההשוואה האמיתית היא אפוא מודל קטן פי ארבעה וחצי, על דור שלד ישן יותר, שמחזיר סוג אחר לחלוטין של תשובה.

הוא גם הגיע בלי השקה. יש מאגר Hugging Face, מאגר GitHub עם קומיט ראשוני יחיד, מאמר ב-arXiv ועמוד פרויקט מחקרי — ואין הודעת ספק, פוסט בבלוג או עמוד תמחור שקושרים ביניהם. זה מעצב מה המאמר הזה יכול לעשות ביושר. המשקלות, הארכיטקטורה, נוסח הרישיון והטבלאות של המאמר ניתנים לבדיקה היום. הערכה בלתי תלויה, תפוקה, השהיה ומחיר אינם ניתנים לבדיקה, מפני שאף אחד מהם עדיין אינו קיים. כרטיס המודל של Tencent אינו מפרסם כלל מספרי בנצ'מרק; כל ציון המיוחס ל-WeVisOne-VL-2B בהמשך מגיע משבע טבלאות המשימות של המחברים עצמם, ומסומן ככזה. UI-Venus-2-9B ותיק יותר ומתועד טוב יותר, אך המספרים שלו הם בדיוק כפי שדווחו על ידי המחברים.

מה שני השמות בעצם מתארים

WeVisOne-VL-2B הוא מודל תפיסה. תנו לו תמונה וביטוי והוא מחזיר גאומטריה: תיבת תיחום, נקודה, ספירה, מסכה בינארית או מסכת אלפא רציפה. הצד הלשוני שלו פולט קואורדינטות כאסימונים ייעודיים הנפרשים מ-<0> עד <1000>, מנורמלים ביחס לתמונה, וסוגר כל תיבה במשימות צפופות באמצעות אסימון <OBJ> מיוחד במזהה 152,678. האסימונים האלה הם רק סמנים עד ש-mask_decoder.pt קורא את המצב המוסתר שמאחוריהם — ארטיפקט נדרש בעל 9,511,460 פרמטרים, המסופק כקובץ שני, שהכרטיס מתאר כ"רכיב ליבה נדרש, לא תוספת אופציונלית". בלעדיו תקבלו תיבות. איתו תקבלו מסכות ומסכות אלפא ב-stride-1.

UI-Venus-2-9B הוא סוכן. מסרו לו צילום מסך ומשימה והוא מחזיר מהלך: הנגיעה הבאה, הלחיצה או ההקשה במקלדת, בתוספת אסימוני החשיבה שהפיקו אותו, בתוך לולאה סגורה של תצפית–חשיבה–פעולה. הוא אומן על אינטראקציה מבוססת צילומי מסך בלבד על פני תרחישי עיגון, CAPTCHA, נייד, ווב ושימוש במחשב, ומתכון ה-vLLM שפורסם עבורו מצמיד אורך מודל מקסימלי של 262,144 למנתח החשיבה של Qwen3, מפני שעקבות החשיבה מופיעות לפני כל פעולה.

הצב את השניים זה לצד זה והאי־התאמה מיידית:

• מה מוחזר — תיבות, נקודות, ספירות, טווחי OCR, מסכות ו-alpha mattes מ-WeVisOne-VL-2B; פעולת מסך אחת בתוספת עקבות הנימוק שלה מ-UI-Venus-2-9B.

• פרמטרים — 2B עבור WeVisOne-VL-2B בתוספת מפענח נפרד של 9.5M; 9B צפוף עבור UI-Venus-2-9B, פי 4.5 בקירוב מהמשקלים.

• שלד — Qwen3-VL עבור WeVisOne-VL-2B, 28 שכבות טקסט בממד מוסתר של 2,048; Qwen3.5-9B עבור UI-Venus-2-9B. דורות שונים, סטאקים שונים של טקסט.

• משקלים על הדיסק — bfloat16 לשניהם, אבל בערך 4GB עבור ה-2B לעומת ארבעה מקטעי BF16 בסך כולל של כ-18.8GB עבור ה-9B.

• תקרת הקשר — 262,144 פוזיציות בכל אחד מהם, כפי שנקרא מהקונפיגורציה של WeVisOne-VL-2B ומפקודת ההגשה של UI-Venus-2-9B. אף אחד מהספקים לא מדגים שימוש במשהו כזה.

עדויות שפורסמו — שבע טבלאות משימות במאמר של Tencent ואף לא אחת בכרטיס המודל; רשימת מבחנים ארוכה של ספק בכרטיס של inclusionAI וללא טבלאות במאמר.

• רישיון — Apache 2.0 עבור קוד שנכתב על ידי Tencent; "ממתין לאישור סופי" עבור המשקולות של UI-Venus-2-9B.

ההשלכה המעשית היא שאינך יכול להחליף אחד באחר, וכל מאמר שמגיש לך מנצח עונה על שאלה שלא שאלת. מודל תפיסה שמחזיר מאט מושלם עדיין אינו יכול ללחוץ על כפתור. סוכן שמנווט באפליקציה באופן מושלם עדיין אינו יכול לתת לך את החיתוך שרצית לצילום מוצר.

הטיעון לטובת המודל הקטן חזק יותר ממה שההשוואה בין 2B ל-9B מרמזת

האינסטינקט כשרואים 2B לצד 9B הוא שהקטן הוא פשרת התקציב. בעבודה שלשמה הוא אומן, המאמר של Tencent טוען אחרת, ואחת מהתוצאות של המאמר עצמו טוענת נגד הגרסה הגדולה יותר שיצאה לאור. כל המספרים כאן הם של המחברים עצמם, הורצו על ידי המחברים, ולא שוחזרו על ידי איש.

• זיהוי zero-shot — F1 ממוצע של 55.2 ב-COCO, 53.3 ב-LVIS, 61.4 ב-Dense200 ו-40.4 ב-VisDrone. קו הבסיס Qwen3-VL-2B משיג 45.2, 40.8, 10.0 ו-23.1 באותה טבלה. הפער ב-Dense200 הוא זה שכדאי לשים לב אליו: פי שישה מהמודל הבסיסי בסצנות צפופות.

• ספירה — 90.9 ו-88.1 התאמה מדויקת בשני הפיצולים של PixMo-Count, אבל 27.5 ו-26.9 ב-CLOC, 29.5 ו-32.4 ב-KubriCount, ו-47.9 ב-CountQA. ספירה היא לא מיומנות אחת, והפיזור הוא הדבר הכי כן במאמר.

• לוקליזציה של OCR — F1 ממוצע של 30.5 ב-HierText, 42.6 ב-ICDAR2015, 42.5 ב-TotalText ו-62.1 ב-SROIE, בסף IoU של 0.5. אלו ציוני לוקליזציה עם קואורדינטות מצורפות, לא דיוק תעתיק, ולכן הם אינם בני השוואה למספר OCRBench שמצוטט בדרך כלל עבור VLMs צרכניים.

• סגמנטציה לפי הפניה — 79.7 IoU מצטבר ב־validation של RefCOCO, 73.1 ב־RefCOCO+, 74.4 ב־RefCOCOg ו־60.9 gIoU ב־ReasonSeg.

• מיטינג הניתן להנחיה — הפרש מוחלט ממוצע של 6.6 ב-P3M-500-NP עם הנחיית תיבה, לעומת 15.4 עבור SAM2-Matting; 5.7 לעומת 12.1 ב-AM-2K; 15.8 לעומת 23.0 עבור צינור Qwen3-VL-8B יחד עם SAM2-Matting בפיצול ההתייחסות הקשה יותר של WeRefMat. ככל שהערך נמוך יותר, כך טוב יותר בכל המקרים.

תוצאת המיטינג היא המקום שבו הטיעון לגבי הגודל מתהפך. באותו מבחן box-prompt של P3M-500-NP, דגם ה-2B מקבל 6.6 והאח מדגם 4B של Tencent עצמה מקבל 7.3. המודל הקטן יותר הוא המודל הטוב יותר מבין השניים, Tencent לא מסבירה מדוע, והמאמר מפרסם זאת בכל זאת. אם התפקיד שלך הוא לחלץ עצמים מתמונות, הגרסה הזולה ביותר במשפחה אינה נסיגה — היא כיום הבחירה הטובה ביותר מבחינת מדידות.

מה שהמאמר אינו מראה שווה לדעת באותה מידה. אין MMMU, אין MMBench, אין DocVQA ואין בנצ'מרק לתיאור תמונות בשום מקום בשבע הטבלאות, ופרק המגבלות מודה שנתוני אימון כלליים מוגבלים „עלולים לפגוע ביכולות הכלליות ביחס למודל הבסיס”. הכוונון העדין שהפך אותו לטוב בתפיסה אולי הפך אותו לעוזר כללי גרוע יותר, ושום דבר בגרסה שפורסמה אינו בודק זאת. כמו כן, אין פלט של שרשרת מחשבה, אין זיכרון רב-תורי, ואין תמיכה בווידאו — מפענח הפיקסלים דוחה גרידי וידאו לחלוטין.

המדד היחיד שיכריע את זה אינו קיים

הציבו את שני מערכי ההערכה זה לצד זה, וחוסר ההשוואתיות מפסיק להיות עניין טכני. תוצאות השורה הראשונה של UI-Venus-2-9B הן שיעורי הצלחה של מצב סופי בסביבה: AndroidWorld 80.2, OSWorld-Verified 70.8, WebVoyager 90.8, Online-Mind2Web 74.0, MobileWorld 65.8 בתקציב הצעדים המוגדר כברירת מחדל בכרטיס ו-75.2 ב-100 צעדים. אלה מודדות אם משימה הושלמה, ומקפלות קליטה, תכנון, זיכרון והתאוששות משגיאות למספר אחד.

{{1}}הדבר הקרוב ביותר לציר משותף הוא עיגון ממשק משתמש גרפי{{/1}} — איתור רכיב ממשק קטן בצילום מסך ברזולוציה גבוהה. {{2}}UI-Venus-2-9B מציגה 73.0 ב-ScreenSpot-Pro.{{/2}} {{3}}WeVisOne-VL-2B אינה מדווחת על תוצאה ב-ScreenSpot-Pro, לא על תוצאה ב-ScreenSpot-V2 ולא על שום מבחן GUI, בכרטיס שלה, במאמר שלה או בעמוד הפרויקט שלה.{{/3}} בכיוון ההפוך, {{4}}WeVisOne-VL-2B מדווחת על לוקליזציה של OCR ועל הצבעה צפופה, ואילו UI-Venus-2-9B אינה מדווחת על אף אחד מהם.{{/4}}

יש פרט מטריד שהופך את הצימוד בכותרות למוזר עוד יותר. inclusionAI כבר מספקת דגם 2B המבוסס על Qwen3-VL — UI-Venus-1.5-2B — והכרטיס שלו מדווח 57.7 ב-ScreenSpot-Pro, לעומת 68.4 אצל אחיו ה-8B ו-69.6 אצל ה-30B-A3B. זהו המקביל האמיתי בגודל תואם ל-WeVisOne-VL-2B, באותה משפחת backbone, שנמדד על אותו benchmark יחיד שחשוב לשתי הסדרות. זה פשוט לא הדגם שמצוין בהשוואה הזו.

העמדה הכנה היא צרה. אף מספר שפורסם אינו משווה את WeVisOne-VL-2B ל-UI-Venus-2-9B בכל משימה, ואיש לא הריץ את מודל התפיסה 2B על מערך נתונים של איתור רכיבי ממשק (GUI grounding). הרצת WeVisOne-VL-2B על ScreenSpot-Pro היא המדידה החסרה השימושית ביותר בהשוואה הזו: היא תגיד לך אם מומחה תפיסה 2B מוצא רכיבי ממשק טוב יותר או גרוע יותר מסוכן 9B, ועד שמישהו יריץ אותה, כל מי שמדרג את השניים האלה במציאת דברים מסיק מסקנות מהארכיטקטורה.

מה כל אחד מהם עושה כאשר האובייקט לא נמצא שם

התנהגות בהיעדר אובייקט היא המקום שבו מודלי תפיסה נכשלים בשקט. בקשו ממודל כזה למצוא מטף בחדר שאין בו מטף, ומודל שתמיד עונה יתייג בביטחון את הרדיאטור — ובצינור עיבוד אוטומטי זה הופך לאובייקט הזוי בספריית נכסים, או להקשה מוטעית בלולאת סוכן.

WeVisOne-VL-2B עונה None במקום, והמאמר מדווח על דחייה כמדד בפני עצמו לצד דיוק. ב-RefCOCOg הוא מדווח על שיעור דחייה של 50.2 עבור שאילתות של אובייקטים נעדרים, לעומת 0.5 עבור Rex-Omni-3B ו-0.6 עבור LocateAnything-3B באותה טבלה. זו מטרת תכנון שונה ממקסום recall, וזה המספר שהופך מודל קטן לשמיש כרכיב: רגל גיאומטרית שאומרת "לא נוכח" בטוחה להזנה למתכנן, בעוד שאחת שממציאה תיבה מעוותת אותו בשקט.

UI-Venus-2-9B מגיעה לאותה בעיה מצד הפעולה, כשהיא יורשת grounding מודע לסירוב מקו UI-Venus — היא מאומנת לסרב כאשר האלמנט המבוקש אינו על המסך, במקום לנחש קואורדינטה סבירה. טבלת הבטיחות שלה מציגה את האפקט שהיא טוענת לו: שיעור הצלחת תקיפה של 11.3% ב-OSHarm לעומת 25.3% עבור בסיס Qwen3.5-9B, ו-48.8% ב-OSBlind לעומת 79.4%. הכרטיס גם מציין במפורש שזה אינו מבטל את הסיכון לפעולה מזיקה וממליץ על אישור אנושי בתוספת אמצעי הגנה ברמת היישום. שתי הקבוצות בחרו בהימנעות על פני כיסוי; הבחירה הזו לא נמדדה באופן עצמאי אצל אף אחת מהן.

הרצת מודל 2B לצד מודל 9B

היחס הכנה בין שני המודלים האלה אינו יריבות אלא רצף. האחד מחזיר גיאומטריה, והשני פועל לפיה. אם אתם בונים מערכת אוטומציה למסך, ארכיטקטורה סבירה מציבה את WeVisOne-VL-2B מלפנים כדבר שמדווח מה נמצא היכן — תיבות, מקטעי OCR, מסכות — ואת UI-Venus-2-9B מאחוריו כדבר שמחליט מה לעשות. זהו הרכב, לא תחרות, וזו המסגרת היחידה שבה השילוב הזה הגיוני מבחינה תפעולית.

הזיכרון הופך את ההרכב הזה לזול על מכונה אחת. ב-bfloat16, עמוד השדרה בגודל 2B הוא בערך 4GB של משקלים לפני המפענח, וה-9B הוא כ-18.8GB על פני ארבעה רססים. שניהם נכנסים בכרטיס 24GB בודד עם מקום שנותר להקשר; ה-2B לבדו נכנס בכרטיס 8GB, שזו העובדה המעניינת יותר. תקרות ההקשר זהות ב-262,144 פוזיציות, אבל המשמעות שלהן שונה: הסוכן משתמש בהקשר ארוך כזיכרון אפיזודי, ושומר היסטוריה של צילומי מסך, בעוד שההערכות שפורסמו של מודל התפיסה פועלות על בערך 1,960 אסימונים חזותיים לתמונה. חלון של 256K במודל של תור בודד ותמונות בלבד הוא תקרה, לא יכולת מוכחת.

העלות היא המקום שבו הצורות מתבדלות. אף אחד מהספקים אינו מפרסם מחיר לכל טוקן, ולכן אצל שניהם העלות האמיתית היא שעות GPU על חומרה שאתם שוכרים או שבבעלותכם. סוכן משלם עבור מעבר קדימה של מודל 9B בתוספת טוקני חשיבה בכל צעד, ופרק הוא צעדים רבים — מספר שאי אפשר לחזות מגיליון המפרט. מודל תפיסה משלם עבור מעבר של 2B בתוספת מעבר קדימה של מפענח לכל תמונה, ותמונה אחת היא קריאה אחת. מאה אלף תמונות מוצר הן אריתמטיקה צפויה לכל תמונה; משימת דפדפן אינה כזו.

כאן גם שכבת ניתוב מצדיקה את מקומה ולא נשארת סיסמה. אף אחד מהמודלים אינו ב-OrcaRouter היום — נבדק מול הקטלוג החי של 209 מודלים, והכרטיס של WeVisOne-VL-2B מציין שהוא אינו פרוס על ידי אף ספק הסקה כלל. עבור המודלים שאנו כן מספקים, התכונות השימושיות הן נקודת קצה אחת תואמת OpenAI, 0% תוספת מחיר כאשר מחיר המחירון של הספק מועבר ללא שינוי, DSL לניתוב שמרכיב כמה קריאות מודל מאחורי ממשק אחד, ומעבר אוטומטי לגיבוי. בארכיטקטורה דו-רגלית כמו זו שלמעלה, ה-DSL הוא המקום שבו ההרכבה חיה ושבו אפשר להחליף כל רגל בלי לשכתב את הקורא. ביום שאחד משני אלה ינחת אצל ספק, זו הדרך הזולה ביותר לגלות אם הוא שייך לסטאק שלך.

רישיון, מחיר, ומה שאיש לא אישר

הכרטיס של WeVisOne-VL-2B מעניק רישיון Apache 2.0 ל„קוד שנכתב על ידי Tencent במאגר הזה”, וזו התשובה המתירנית שרוב הצוותים רוצים. פרט אחד מסבך את זה: ה-API של GitHub מדווח על רישיון המאגר כ„Other” ללא מזהה SPDX. ההצהרות האלה לא בהכרח סותרות זו את זו — לרכיבי צד שלישי יש תנאים משלהם — אבל זה אומר שכדאי לקרוא את קובץ הרישיון לפני שזה מתקרב למוצר, ולא להסתמך על התג כפי שהוא.

הכרטיס של UI-Venus-2-9B הוא זה שנותר לא פתור. בו נכתב שרישיון משקולות המודל ממתין לאישור סופי ויתווסף לפני השחרור הציבורי, ושההצהרה המוקדמת בדבר Apache-2.0 לא הועברה בכוונה משום שחומרי האפסטרים מכילים הצהרות רישיון סותרות. משפט זה מופיע בכרטיס מאז אוגוסט ולא השתנה. הוא אינו מונע הערכה או את רוב השימוש הפנימי, אך מוצר חיצוני שנבנה על אותן משקולות נבנה על שאלה פתוחה, ואף ציון בנצ'מרק אינו סוגר אותה.

לאף אחד מהמודלים אין מחיר שנקבע על ידי הספק. ל-WeVisOne-VL-2B אין ספק הסקה ואין כרטיס תעריפים. ל-UI-Venus-2-9B אין נקודת קצה מטעם החברה עצמה ואין תמחור שפרסמה inclusionAI, ולכן כל סכום שמארח צד שלישי גובה הוא המספר של אותו מארח, לא של הצוות.

איזה אחד לבחור?

ההחלטה היא תיאור תפקיד, לא דירוג.

• בחרו ב־WeVisOne-VL-2B אם התשובה שאתם צריכים היא גאומטריה — תיבות אל תוך צינור אנוטציה, מסכות לכלי עריכה, מאטות אלפא לתמונות מוצר, ספירות בפריים צפוף, או OCR עם קואורדינטות מצורפות — ובמיוחד אם אתם צריכים את זה על חומרה קטנה. זהו המודל היחיד כאן שמחזיר מאטה מפרומפט טקסט, הוא גובר על אחיו הגדול שלו במאטינג, והרישיון שלו הוא הברור.

• בחר ב-UI-Venus-2-9B אם התשובה שאתה צריך היא משימה שהושלמה: טופס שמולא, אפליקציה שנניווטה בה, CAPTCHA שנפתר, תהליך עבודה בשולחן העבודה שהורץ. אתה קונה לולאת סוכן, וכדאי שתיכנס לזה בידיעה שהרישיון אינו פתור ושעבודה ארוכת טווח בשולחן העבודה אינה פתורה בגודל הזה — נתוני OSWorld 2.0 של הכרטיס עצמו הם 7.5 חלקי ו-0.0 בינארי.

• בחר ב-UI-Venus-1.5-2B במקום, אם מה שרצית באמת היה grounder GUI קטן. זהו מודל ה-2B מבוסס Qwen3-VL בשורה של inclusionAI, הוא מדווח 57.7 ב-ScreenSpot-Pro, והוא המשווה התואם בגודלו ששם העימות הזה מרמז עליו אך אינו מציין.

• הרץ את שניהם ברצף אם אתה בונה אוטומציית מסך שצריכה לראות במדויק ואז לפעול — קודם החלק הגאומטרי, אחר כך חלק הסוכן, על GPU אחד.

• רגע, אם מספר עיגון ה-GUI של WeVisOne-VL-2B הוא הדבר שההחלטה שלך תלויה בו. הוא עדיין לא קיים, ולנחש אותו מספירת פרמטרים זו לא שיטה.

מה היה משנה את התשובה הזו

ארבעה דברים, לפי סדר התועלת. הרצה של WeVisOne-VL-2B על ScreenSpot-Pro או ScreenSpot-V2 תהפוך את הפער המרכזי בטקסט הזה להשוואה, ובהינתן שהמודל בן יום אחד וברשיון Apache 2.0, מדובר בעבודת סוף שבוע לכל מי שיש לו GPU ואת מערך ההערכה. הסדרת רישוי ל-UI-Venus-2-9B תסיר את המחסום היחיד ששום נתון דיוק לא יכול לערער עליו. רישום של אחד מהמודלים אצל ספק הסקה יחליף חישוב של שעות GPU במחיר ממשי. והשוואה בין 4B ל-2B שמסבירה מדוע המודל הקטן יותר מתפקד טוב יותר תגיד לקונים אם לשמות במשפחה יש בכלל משמעות.

עד אז, הדרך המועילה להתייחס לשניים האלה היא לא כיריבים בלוח דירוג אלא ככלים שונים: אחד שמודד את התמונה ואחד שפועל על המסך. שם ההשוואה הזו מרמז שאתם בוחרים בין מודלים קטנים כמעט שווי-ערך. אתם בוחרים בין מומחה 2B לסוכן 9B, והדבר היחיד שבאמת משותף להם הוא הרגל לומר לא.