WeVisOne-VL-4B לעומת UI-Venus-2-9B: אחד מחזיר מסכה, האחר מחזיר לחיצה

תנו את אותו צילום מסך של עמוד תשלום ל-WeVisOne-VL-4B ול-UI-Venus-2-9B ותקבלו שני סוגים שונים של תשובה. הראשון נותן לכם גאומטריה: תיבה סביב סמל העגלה, מסכת סגמנטציה סביב שדה ההנחה, ומסכת אלפא (alpha matte) שגוזרת את תמונת המוצר מהרקע שלה. השני נותן לכם מהלך: הקואורדינטות של ההקשה הבאה, בתוספת הנימוק שהפיק אותן. צוות WeChat Vision של Tencent פרסם את WeVisOne-VL-4B ב-Hugging Face בלי הודעה מוקדמת ותארך את המאמר הטכני שלו ל-23 באוקטובר 2026; את UI-Venus-2-9B של inclusionAI אפשר להוריד מאז 26 באוגוסט 2026. הם מסווגים תחת אותה תווית מודאליות והם אינם תחליפים.

זה הופך את זה להשוואה שבלבּהּ ניצבת בעיה יוצאת דופן: לשני המודלים אין בנצ'מרק משותף. אף ציון אחד לא מופיע בשני כרטיסי המודל. אף אחד מהם לא הוערך באופן עצמאי, אף אחד מהם לא נפרס על ידי ספק הסקה, ולאף אחד מהם אין מחיר מפורסם. מה שאפשר להשוות ביושר הוא מה כל אחד מהם מוציא, כיצד אומן כל אחד מהם לסרב, מה העלות להריץ אותם, ובאיזה רישיון הייתם מפיצים — ולכן זה מה שהמאמר הזה עושה, והוא מסמן מספרים שדווחו על ידי הספקים ככאלה בכל פעם שאחד כזה מופיע.

שני המודלים לא עונים על אותה שאלה

WeVisOne-VL-4B הוא מודל תפיסה. הוא בנוי על שלד Qwen3-VL ומוסיף מפענח פיקסלים הכרחי בעל 9.6 מיליון פרמטרים — mask_decoder.pt, המסופק כארטיפקט שני — אשר הופך את תחזיות התיבות של מודל השפה למסכות מופע ולאחר מכן למסכות אלפא בצעד 1. קואורדינטות נפלטות כאסימונים ייעודיים הנעים מ-<0> עד <1000>, מנורמלים לתמונה, ואסימון <OBJ> מיוחד (מזהה 152,678) סוגר כל תיבה במשימות צפופות. רשימת המשימות של המאמר היא רשימה של גאומטריה: זיהוי באוצר מילים פתוח, לוקליזציה לפי הפניה, ספירה, הצבעה, לוקליזציה של OCR, סגמנטציה לפי הפניה והפקת מסכות אלפא הניתנות לפרומפט.

UI-Venus-2-9B הוא סוכן. הוא מאותחל מ-Qwen3.5-9B ומאומן על אינטראקציה המבוססת על צילומי מסך בלבד, על פני חמש משפחות משימות — עיגון, CAPTCHA, נייד, ווב ומחשב — באמצעות אימון ביניים, למידת חיזוק לא מקוונת ברמת צעד וזיקוק on-policy מרובה-מורים. הפלט שלו הוא פעולה בלולאה סגורה של תצפית–הסקה–פעולה, ומתכון ה-vLLM שלו מצמיד את --max-model-len 262144 עם --reasoning-parser qwen3 משום שהוא פולט אסימוני הסקה לפני כל פעולה.

שים את המפרטים זה לצד זה והפיצול מיידי:

• מה יוצא — תיבות, נקודות, מסכות ומסכות אלפא מ-WeVisOne-VL-4B; פעולה אחת בתוספת עקבות הנימוק שלה מ-UI-Venus-2-9B.

• עמוד שדרה — Qwen3-VL עבור WeVisOne-VL-4B; Qwen3.5-9B עבור UI-Venus-2-9B. דורות שונים, משפחות שונות של מחסנית הטקסט.

• גודל — 5B פרמטרים הרשומים במאגר למרות השם "4B", בתוספת מפענח נפרד בעל 9.6M פרמטרים; 9B צפוף עבור UI-Venus-2-9B על פני ארבעה שברים של BF16, כ-18.8 GB.

• פורמט משקלים — F32 safetensors בכרטיס WeVisOne-VL-4B, דבר לא שגרתי בגודל הזה ושגורם להורדה להיות גדולה יותר ממה שמספר הפרמטרים מרמז; BF16 עבור UI-Venus-2-9B.

• רישיון — Apache 2.0 עבור WeVisOne-VL-4B; "בהמתנה לאישור סופי" עבור UI-Venus-2-9B.

המשמעות המעשית היא שאינך יכול להחליף אחד באחר, וכל מאמר שמציג לך מנצח עונה על שאלה שלא שאלת. מודל תפיסה שמחזיר מסכה מושלמת עדיין אינו יכול ללחוץ. סוכן שלוחץ בצורה מושלמת עדיין אינו יכול להגיש לך את המאטה שרצית לצילום המוצר.

היכן שהם באמת חופפים: שתי הקבוצות לימדו את המודל שלהן לומר לא

זו {{1}}החלטת העיצוב היחידה{{/1}} ששתי המהדורות קיבלו, והיא הדבר המעניין ביותר בצמד הזה. מודלים ללוקליזציה עם אוצר מילים פתוח נכשלים באופן ספציפי ויקר: בקשו מהם מטף כיבוי בחדר שאין בו אחד, ומודל שתמיד עונה ימסגר בביטחון את הרדיאטור. בהמשך השרשרת, זהו אובייקט הזייתי בצינור הנכסים שלך או הקשה שגויה בלולאת האוטומציה שלך.

WeVisOne-VL-4B מתמודד עם זה על ידי החזרת None, והמאמר מדווח על שיעור הדחייה כמדד בפני עצמו לצד הדיוק. ב-RefCOCOg מודל ה-4B מגיע לשיעור דחייה של 67.4, בעוד שמודל הבסיס Qwen3-VL-4B שלו עומד על 18.8. ב-WeRef-Bench הפנימי של WeChat הוא מדווח על 96.4 דחייה לעומת 61.9 עבור מודל הבסיס, וב-Ref-ZOM על 86.0 לעומת 0.3 עבור UniPixel-7B. אלה נתונים המדווחים עצמית ממאמר שפורסם היום, ומבחני הדחייה הם במידה רבה של המחברים עצמם — התייחסו לכיוון כמהימן ולפער המדויק כלא מאומת.

UI-Venus-2-9B מגיעה לאותה בעיה מכיוון הסוכן, ויורשת עיגון מודע לסירוב משורת UI-Venus: המודל מאומן לסרב כאשר האלמנט המבוקש אינו על המסך, במקום לנחש מיקום סביר. נתוני העיגון שלה — ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5 — הם כפי שדווחו על ידי הספק, והכרטיס מפורש שהדבר אינו מבטל את הסיכון לפעולות מזיקות וממליץ על אישור אנושי וכן על אמצעי הגנה ברמת היישום. טבלת הבטיחות שלה מציגה את ההשפעה שהיא אכן טוענת לה: שיעור הצלחת תקיפה של 11.3% ב-OSHarm לעומת 25.3% עבור בסיס Qwen3.5-9B, ו-48.8% ב-OSBlind לעומת 79.4%.

אז שני המודלים נבנו על ידי צוותים שראו לוקליזר משקר, ושניהם בחרו בהימנעות על פני כיסוי. אם מצב הכשל של היישום שלך הוא "טועה בביטחון", העדיפות המשותפת הזו חשובה יותר מספירת הפרמטרים.

המספרים שכרטיס המודל של Tencent לא מציג

כל כתיבה על WeVisOne-VL-4B עד כה אמרה את אותו הדבר, ובצדק: כרטיס המודל אינו מפרסם בנצ'מרקים. המאמר הטכני כן מפרסם, והוא יצא ב-23 באוקטובר 2026, מה שהופך את זה לחלק בסיפור שטרם זכה לתפוצה. כל הנתונים מדווחים על ידי המחברים עצמם, אף אחד מהם לא שוחזר באופן עצמאי, והמודל בן יום אחד — לכן יש לקרוא את אלה כטענות בעלות צורה, ולא כתוצאות מוסכמות.

ביחס לבסיס Qwen3-VL-4B של עצמו, הפערים גדולים מספיק כדי שיהיו מעניינים גם לאחר הנחה משמעותית:

• זיהוי, ממוצע F1 ב-zero-shot על COCO — 57.1 עבור WeVisOne-VL-4B לעומת 48.7 עבור Qwen3-VL-4B, ו-55.3 לעומת 44.0 ב-LVIS.

• זיהוי, ממוצע F1 של Dense200 — 71.3 לעומת 15.2. זו לא שגיאת כתיב בטבלה של המאמר; סצנות צפופות של עצמים קטנים הן המקום שבו מודל הבסיס קורס.

• זיהוי לפי הפניה, ערכת אימות RefCOCOg — 80.8 לעומת 74.1, כששיעור הדחייה עומד על 67.4 לעומת 18.8.

• ספירה, התאמה מדויקת ב-val של PixMo-Count — 93.7 לעומת 69.6; ב-val של MixCount, 42.0 לעומת 3.5.

• הצבעה, PointBench F1 — 71.9 לעומת 57.1.

• לוקליזציה של OCR, ממוצע F1 ב-SROIE — 68.1 לעומת 40.4, ומקדים את 58.6 של PP-OCRv5.

• סגמנטציה לפי הפניה, ReasonSeg val gIoU — 71.2, לעומת 65.0 עבור LISA-13B.

מטינג הניתן לפרומפט, MAD בפרומפטי תיבה של AM-2K — 5.0 לעומת 12.1 עבור SAM2-Matting; בפרומפטים מפנים של WeRefMat, 9.8 לעומת 51.9.

תוצאת המיטינג היא זו ששווה לעצור עליה, מפני שזו היכולת ששום דבר אחר בטווח המחירים הזה אינו מציע באמצעות פרומפט. לבקש ממודל חזותי-לשוני "האדם, כמסכת אלפא" ולקבל פלט stride-1 שמנצח צינור מיטינג של SAM2 ב-MAD זה מוצר שונה מראש זיהוי עם מסכה מחוברת. זה גם המקום שבו המאמר הכי פחות מחמיא ל-4B של עצמו: בפרומפטי box ב-P3M-500-NP מודל ה-2B משיג 6.6 MAD לעומת 7.3 של ה-4B, כך שהגרסה הגדולה יותר אינה טובה יותר באופן אחיד, והמחברים מדפיסים את זה.

מה מודדים המספרים של UI-Venus-2-9B, ולמה לא ניתן להעביר אותם

הציבו את שתי חבילות הבנצ'מרק זו לצד זו, ואי-ההשוואתיות מפסיקה להיות פרט טכני. תוצאות הכותרת של UI-Venus-2-9B הן כולן שיעורי הצלחה במצב הסופי 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. המספרים האלה מודדים אם משימה הושלמה, מה שמאחד תפיסה, תכנון, זיכרון והתאוששות משגיאות לנתון אחד.

הדבר הקרוב ביותר לציר משותף הוא GUI grounding. UI-Venus-2-9B מציג 73.0 ב-ScreenSpot-Pro, בנצ'מרק לאיתור רכיבי ממשק קטנים בצילומי מסך ברזולוציה גבוהה — ו-WeVisOne-VL-4B אינו מדווח עליו. WeVisOne-VL-4B מציג תוצאות לוקליזציה של OCR והצבעה צפופה, ו-UI-Venus-2-9B אינו מדווח על אלה. לכן העמדה הכנה היא שהמספר השימושי ביותר היחיד להשוואה הזו עדיין לא קיים: הרצת WeVisOne-VL-4B על ScreenSpot-Pro תגיד לך האם מומחה תפיסה בגודל 5B מנצח סוכן בגודל 9B במציאת כפתור, ועד שמישהו יריץ אותה, כל מי שמדרג את השניים האלה לפי grounding מנחש.

חבילת הבדיקות של הסוכן עצמו גם חושפת את נקודת התורפה שלו בפומבי. ב-OSWorld 2.0 מודל ה-9B משיג 7.5 חלקי ו-0.0 בינארי; האח ה-27B מגיע ל-13.2 חלקי ו-2.8 בינארי. עבודת שולחן ארוכת טווח אינה פתורה בגודל הזה, והכרטיס אומר זאת.

לשרת אותם זה פער גדול יותר מפער הבנצ׳מרק

עבור צוות שמחליט מה להריץ בשבוע הבא, ההבדל התפעולי יהיה חשוב יותר מכל ציון. UI-Venus-2-9B הוא מודל יחיד שמפעילים בפקודת vLLM אחת, וחושף endpoint תואם OpenAI עם tensor parallelism של 1. WeVisOne-VL-4B דורש את חבילת האינפרנס שלו מ-GitHub בתוספת ארטיפקט ה-decoder הנפרד, והוא נקרא דרך ה-wrapper הייעודי שלו WeVisOneVL(...) עם ארגומנט task — predict(image, task="matting", query="person", temperature=0.0). כרטיס המודל מתעד מסלולי Transformers, vLLM ו-SGLang, אבל מפענח הפיקסלים אינו אופציונלי: מודל השפה לבדו אינו יכול להפיק מסכה.

הזיכרון קרוב יותר ממה שספירת הפרמטרים מרמזת. ב-bf16 עמוד השדרה של 5B הוא כ-10 GB לפני הדקודר, לעומת כ-18.8 GB עבור ארבעת השברים של UI-Venus-2-9B. שניהם נכנסים בכרטיס בודד של 24 GB מבחינת המשקלים; מה ששונה הוא כמה מקום נותר להקשר.

ובכל הנוגע לקונטקסט, שתי התצורות מסכימות באופן שקל להסיק ממנו יותר מדי. התצורה של WeVisOne-VL-4B מגיעה עם max_position_embeddings של 262,144 — אותה תקרה ש-UI-Venus-2-9B מציעה עם אורך מודל מקסימלי של 262,144. אבל הן משתמשות בכך לדברים שונים: הסוכן מתייחס לקונטקסט ארוך כאל זיכרון אפיזודי, שמחזיק את היסטוריית צילומי המסך של משימה, בעוד שההערכות שפורסמו של מודל התפיסה פועלות ב-1,960 טוקנים חזותיים לתמונה. חלון של 256K במודל חד-תורי, המיועד לתמונות בלבד, הוא תקרה, לא יכולת שהוכחה, והכרטיס מציין כי גרידים של וידאו נדחים לחלוטין על ידי מפענח הפיקסלים.

רישיון: אחד מאלה מוסדר ואחד לא

WeVisOne-VL-4B מופץ תחת רישיון Apache 2.0, כאשר קוד שנכתב על ידי Tencent כפוף לאותם תנאים. אפשר לקרוא אותו, לעשות ממנו פורק, לשלב אותו במוצר — ולא לדבר על כך עם עורך דין.

כרטיס המודל של UI-Venus-2-9B קובע שרישיון משקולות המודל ממתין לאישור סופי ויתווסף לפני השחרור הציבורי, ושאין כוונה להעביר הלאה את הצהרת Apache-2.0 המוקדמת משום שחומרי המקור מכילים הצהרות רישיון סותרות. המשפט הזה מופיע בכרטיס מאז אוגוסט ולא השתנה. הוא לא מונע ממך להעריך את המודל, והוא לא מונע שימוש פנימי ברוב הארגונים — אבל הוא כן אומר שמוצר חיצוני שנבנה על המשקולות הללו נבנה על שאלה לא פתורה, ושום ציון בנצ'מרק לא מתקן את זה. אם אתה בוחר בין השניים למשהו שאתה מתכוון לשחרר, עמודת הרישיון מכריעה מהר יותר מעמודת הדיוק.

כמה עולה כל אחד מהם, בהתחשב בכך שלאף אחד מהם אין מחיר

אין מחיר לכל טוקן שנקבע על ידי ספק עבור אף אחד מהמודלים. בעמוד של WeVisOne-VL-4B נאמר שהוא אינו פרוס על ידי שום ספק הסקה; ל-UI-Venus-2-9B אין נקודת קצה רשמית ואין מחירון ש-inclusionAI פרסמה, ולכן כל מחיר שמארח צד שלישי גובה עבורו הוא המספר של אותו מארח, לא של הצוות. עבור שניהם, העלות היא שעות GPU על חומרה שאתם שוכרים או שבבעלותכם, כלומר ההשוואה אינה "מחיר קלט מול מחיר פלט" אלא "כמה כרטיסים אני צריך וכמה תמונות בשנייה זה מעבד".

אף אחד משני המאמרים לא מפרסם תפוקה או השהיה, ולכן המספר השני אינו ידוע לשניהם. מה שכן ניתן לדעת הוא הצורה: UI-Venus-2-9B משלם על מעבר קדימה של 9B בתוספת טוקני הסקה בכל צעד של אפיזודה, ואפיזודה של סוכן מורכבת מצעדים רבים. WeVisOne-VL-4B משלם על מעבר של 5B בתוספת מעבר קדימה של מפענח לכל תמונה, ותמונה אחת היא קריאה אחת. אם עומס העבודה שלך הוא מאה אלף תמונות מוצר, הכלכלה של מודל התפיסה היא לפי תמונה וצפויה; אם מדובר במשימת דפדפן, העלות של הסוכן גדלה עם מספר הפעולות שהמשימה דורשת, וזה המספר שאי אפשר לחזות מכרטיס המודל.

כאן גם מקום שבו שכבת ניתוב מזכה את מקומה ולא נשארת סיסמה. אף אחד מהמודלים אינו ב-OrcaRouter היום, והטקסט הזה לא יעמיד פנים אחרת — ל-WeVisOne-VL-4B אין ספק הסקה כלל, ו-UI-Venus-2-9B מוגש על ידי אחסון צד שלישי ולא מהקטלוג שלנו. מה ש-OrcaRouter מספק למודלים שהוא כן מגיש הוא נקודת קצה אחת תואמת OpenAI על פני 200+ מהם ב-0% תוספת מחיר, כאשר מחיר המחירון של הספק מועבר כמו שהוא, כך שהורדת מחיר מצד ספק מגיעה אליך ביום שבו היא מתרחשת ולא בחידוש החוזה הבא. עבור ארכיטקטורה שקוראת למודל תפיסה ולמודל סוכן ברצף, ה-DSL לניתוב הוא המקום שבו ההרכב הזה חי — שתי קריאות מודל, מקום אחד שבו אפשר להחליף כל רגל — ומעבר אוטומטי לגיבוי הוא מה ששומר על לולאת סוכן חיה כשהמודל שמאחוריה נדרדר באמצע אפיזודה. ברגע שאחד משני אלה יגיע לספק, זו הדרך הזולה ביותר לגלות אם מקומו במערך שלך.

איזה אחד לבחור?

ההחלטה היא תיאור תפקיד, לא דירוג.

• בחרו ב-WeVisOne-VL-4B אם הפלט שאתם צריכים הוא גאומטריה — תיבות תוחמות שנכנסות לצינור אנוטציה, מסכות לכלי עריכה, מסכות אלפא לתמונות מוצר, ספירות של עצמים בפריים אווירי צפוף, או OCR עם קואורדינטות מצורפות. שום דבר אחר בקטגוריית 5B הפתוחה לא מחזיר מאט מפרומפט טקסט, ונתוני המאטינג של המאמר מול צינור SAM2 הם הטענה החזקה ביותר בשחרור.

• בחרו ב-UI-Venus-2-9B אם הפלט שאתם צריכים הוא משימה שהושלמה — טופס שמולא, אפליקציה שנניווטה בה, CAPTCHA שנפתרה, תהליך עבודה בשולחן העבודה שמונע מצילומי מסך. הוא מגיע כפקודת vLLM אחת עם נקודת קצה תואמת OpenAI, כלומר יום עבודה ולא שבוע, והתוצאות שלו ב-AndroidWorld וב-WebVoyager הן המספרים שכדאי לבדוק מול הסביבה שלכם.

• אל תבחר באף אחד מהם עדיין אם אתה זקוק לראיות בלתי תלויות, למחיר מפורסם או לרישיון מוסכם למוצר בהפצה. כל השלושה חסרים לגבי הרישיון של UI-Venus-2-9B ולגבי הבנצ'מרקים של שני הדגמים.

• שקלו את שניהם אם אתם בונים סוכן שצריך לתפעל תמונות ולא רק לעבור בין מסכים בלחיצות. השילוב הוא הדבר המעניין: UI-Venus-2-9B מחליט היכן לפעול, WeVisOne-VL-4B מייצר את התוצר המדויק ברמת הפיקסל שאליו כיוונה הפעולה. זה עולה שתי קריאות מודל בכל שלב ומקנה דיוק שאין לאף אחד מהמודלים לבדו.

מה היה משנה את התשובה הזו

ארבעה דברים, לפי מידת ההשפעה שלהם עליו.

הרצת ScreenSpot-Pro של WeVisOne-VL-4B. זהו המבחן היחיד ששני הצדדים יכולים באופן סביר להתבסס עליו, והוא יכריע אם מומחה תפיסה בחצי מהגודל מבצע לוקליזציה טובה יותר מסוכן UI שנבנה למטרה. כל מי שיש לו GPU ואחר צהריים יכול להפיק אותה, ואף אחד לא עשה זאת.

הערכה עצמאית של כל אחד מהמודלים. כל מספר במאמר הזה מקורו בכרטיס מודל או במאמר שנכתב על ידי הצוות שבנה את הדבר. זה נורמלי ביום ההשחרור וזה עדיין היעדר.

רישיון שנפתר עבור UI-Venus-2-9B. כבר שמונה שבועות שכתוב בכרטיס "ממתין לאישור סופי". אם הוא ייפתר למשהו מתירני, יהיה הרבה יותר קל להמליץ על הסוכן לעבודה מסחרית; אם לא, זה עונה על השאלה בכיוון ההפוך.

נקודת קצה first-party לאחד מהם. אף אחד מהספקים אינו מגיש את המודל של עצמו היום, מה שמגביל את הקהל לצוותים שמוכנים להריץ מחסנית הגשה, ובצד של WeVisOne-VL-4B לצוותים שמוכנים להפעיל חבילת הסקה מותאמת אישית. תעריף שמפרסם ספק היה משנה את השוואת העלויות מחישוב אריתמטי לסעיף עלות.

עד אז, הסיכום ההוגן הוא זה: Tencent השיקה ערכת כלים לתפיסה שעושה משהו שאף מודל פתוח קטן לא עשה קודם, בשקט מספיק עד שטבלאות הבנצ'מרק שלה עצמה טרם נקראו, ו-Ant Group השיקה סוכן חודש וחצי קודם לכן שקל יותר להריץ וקשה יותר לרישוי. הם לא יריבים. הטעות תהיה לבחור באחד מהם משום שהשני קיבל ציון גבוה יותר בבנצ'מרק שהם אינם חולקים.