UI-Venus-2-9B: Agen GUI 9B Milik Ant Group Dirilis Tanpa Paper, Tanpa Pengumuman, dan dengan Angka Mendekati SOTA

UI-Venus-2-9B muncul di Hugging Face pada 26 Agustus 2026 tanpa segala sesuatu yang biasanya menyertai peluncuran model. Tidak ada posting pengumuman. Tidak ada siaran pers. Tidak ada laporan teknis — badge arXiv di README menunjuk ke URL placeholder, dan blok kutipan secara eksplisit memuat TODO: perbarui ID arXiv setelah laporan UI-Venus-2 dipublikasikan. Tautan halaman proyek juga merupakan placeholder. Pada saat tulisan ini dibuat, repositori ini memiliki nol unduhan dan satu like, dan empat shard safetensors di dalamnya menggambarkan agen GUI serbaguna yang, pada kartu modelnya sendiri, mengalahkan Q​wen3.6-27B di AndroidWorld dan OSWorld-Verified, mengalahkan Claude Opus 4.6 di WebVoyager, mengalahkan O​penAI Operator di Online-Mind2Web, dan memangkas tingkat keberhasilan serangan OSBlind dari 90%+ yang umum pada agen GUI sebelumnya menjadi 18,5%. Kartu model InclusionAI mengaitkan keluarga ini dengan Venus Team di Ant Group, yang menjadikan ini sebagai masuknya Ant Group secara senyap ke dalam perlombaan computer-use open-weights — dan bagian yang paling senyap adalah bahwa belum ada satu pun dari angka-angka tersebut yang direproduksi secara independen.

Apa yang sebenarnya dirilis

Repositori tersebut disebut inclusionAI/UI-Venus-2-9B, diberi tag image-text-to-text dengan qwen3_5 sebagai tag arsitektur. Model ini memiliki parameter 9B yang diinisialisasi dari Q​wen3.5-9B, dirilis di bawah Apache-2.0 dalam BF16. Ini adalah agen GUI dasar: ia mengamati antarmuka, menalar keadaan tugas, mengeksekusi tindakan, dan memasukkan umpan balik yang dihasilkan ke dalam keputusan berikutnya — sebuah siklus observasi–penalaran–tindakan–umpan balik tertutup yang menurut kartu tersebut dilatih untuk mencakup aplikasi seluler, platform web, dan sistem operasi desktop dalam satu checkpoint.

• Parameter — 9B, diinisialisasi dari Q​wen3.5-9B, BF16, empat shard.

• Lisensi — Apache-2.0.

• Konteks — pemanggilan vLLM resmi menetapkan --max-model-len 262144 (256K token), yaitu jumlah riwayat tangkapan layar yang dapat disimpan agen dalam satu episode.

• Peladenan — dukungan kelas satu untuk vLLM dengan endpoint yang kompatibel dengan OpenAI dan --reasoning-parser qwen3 bendera, yang berarti model mengeluarkan token penalaran sebelum aksinya, dengan gaya Qwen3.

• Jangkauan — kartu tersebut mengklaim cakupan pelatihan atas 170+ aplikasi seluler multibahasa (100+ bahasa Mandarin, 70+ bahasa Inggris), 50k+ situs web langsung, dan OS desktop native dengan 50+ aplikasi profesional.

Detail parser penalaran lebih penting daripada yang terlihat. Agen GUI yang berpikir sebelum bertindak bukanlah hal baru, tetapi meluncurkan satu yang terhubung ke vLLM standar dengan API yang kompatibel dengan O​penAI dan parser penalaran Q​wen standar berarti urusan penyajiannya membosankan dengan cara yang baik — satu perintah dan langsung berjalan, yang sangat matang untuk model yang baru dibuat kemarin.

Angka-angka, dan apa yang bukan

Semua yang ada di bawah ini dilaporkan oleh vendor. Kartu model tersebut menerbitkan tabel perbandingan dengan baseline publik yang kuat, dan baris dengan angka terbaik untuk UI-Venus-2-9B adalah AndroidWorld 80.2 — di atas Q​wen3.6-27B dengan 70.3, MAI-UI-8B dengan 70.7, dan GUI-Owl-1.5-32B-Instruct dengan 69.8. Pada OSWorld-Verified, 9B mencatat 70.8, sekali lagi di depan Q​wen3.6-27B dengan 62.0, tetapi di belakang Kimi K2.6 dengan 73.1. Pada navigasi web, kartu tersebut mencantumkan WebVoyager 90.8, di atas Claude Opus 4.6 dengan 88.0 dan Seed-2.0 dengan 85.1, serta Online-Mind2Web 74.0 dibandingkan dengan O​penAI Operator yang mencapai 61.3.

Perbandingan internal yang paling mencolok adalah terhadap basis model itu sendiri. Pada DeskCraft, UI-Venus-2-9B mencetak 48.0 sementara Q​wen3.5-9B yang menjadi dasar inisialisasinya mencetak 14.6 — lompatan 33.4 poin yang menjadi inti argumen bagi resep pelatihan tersebut, dan hal itu terulang pada CAPTCHA: MCA-Bench 75.7 berbanding 30.4 pada basis, NextGen-CAPTCHAs 47.6 berbanding 2.8. Angka-angka CAPTCHA tersebut layak mendapat perhatian tersendiri, karena itu adalah tanda paling jelas bahwa model ini dibangun untuk beroperasi di situs web produksi yang nyata dan penuh tantangan, bukan pada halaman benchmark yang bersih.

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

• Penggunaan komputer — OSWorld-Verified 70.8, DeskCraft 48.0.

• Web — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys 77.3.

• GUI grounding — 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.

• Keamanan — Tingkat keberhasilan serangan OSBlind 18.5%, dibandingkan dengan Claude 4.5 Sonnet sebesar 73.0 dan GPT-4o sebesar 93.3 pada kartu yang sama.

Resepnya: lima keluarga tugas, tiga tahap

Pipeline pelatihan yang dijelaskan oleh kartu tersebut adalah alasan mengapa delta model dasar begitu besar. UI-Venus-2 dilatih pada campuran lima famili tugas yang sengaja saling melengkapi — Grounding, CAPTCHA, Mobile, Web, dan Computer — melalui tiga tahap. Pertama, mid-training multimodal berbasis lintasan skala besar di lingkungan simulasi mobile, web, dan OS, dengan verifikasi kolaboratif manusia–diskriminator yang menyaring interaksi tidak valid, ditambah supervisi grounding dan CAPTCHA yang disintesis secara terprogram. Kedua, pembelajaran penguatan tingkat-langkah secara offline untuk Mobile, OS, dan Web yang mengoptimalkan pemilihan aksi yang sadar keadaan, dengan instance CAPTCHA dan grounding yang terverifikasi ditanamkan dalam antarmuka realistis untuk mengajarkan lokalisasi presisi di bawah kekacauan visual. Ketiga, distilasi on-policy multi-guru yang menggabungkan guru-guru khusus domain menjadi satu kebijakan terpadu.

Lapisan verifikasi adalah bagian yang paling khas. {{1}}Penyelesaian tugas dinilai berdasarkan keypoint visual yang relevan dengan tugas, bukan pada tampilan layar akhir yang kasar, dan beberapa model memberikan suara untuk menggabungkan penilai yang heterogen — sebuah desain yang bertujuan membuat sinyal reward RL tahan terhadap reward hacking.{{/1}} {{2}}Umpan balik terverifikasi kemudian disuling kembali ke dalam pelatihan sebagai supervisi refleksi, sehingga agen dapat membedakan kemajuan parsial dari penyelesaian yang sebenarnya dan pulih selama interaksi long-horizon.{{/2}} {{3}}Tidak satu pun dari ini diverifikasi secara independen, dan kartu tersebut tidak memberikan reproduksi yang dapat dirujuk — itulah klaim yang seharusnya didukung oleh makalah tersebut.{{/3}}

Keluarga, dan koneksi Ant Group

UI-Venus-2-9B adalah generasi ketiga dari keluarga yang selama ini diam-diam telah dirilis oleh inclusionAI. Laporan teknis UI-Venus yang asli muncul pada Agustus 2025 dengan checkpoint 7B dan 72B; UI-Venus 1.5 menyusul pada Februari 2026 dengan varian 2B, 8B, dan 30B-A3B. Blok sitasi pada kartu model baru tersebut mengkreditkan "Venus Team, Ant Group", yang merupakan pernyataan inclusionAI sendiri tentang hubungannya dengan Ant Group — ini adalah lab AI Ant Group yang menerbitkan karya dengan nama inclusionAI. Asumsi dasar keluarga ini adalah bahwa agen GUI harus bekerja murni dari piksel: mengamati layar melalui tangkapan layar, bukan melalui pohon DOM, XML aksesibilitas, atau dump UI, yang menjadikannya portabel ke sebagian besar aplikasi seluler Tiongkok dan berbahasa Inggris yang tidak mengekspos data UI terstruktur. Venus Framework pendampingnya, dari GitHub keluarga tersebut, menggerakkan otomasi Android dan mendukung kontrol multi-perangkat paralel.

Apa yang belum kita ketahui

Pembacaan yang jujur terhadap repo ini adalah bahwa kesenjangan antara klaim dan bukti masih lebar. Tidak ada laporan teknis UI-Venus-2 yang publik — lencana itu hanyalah placeholder, dan README menyebut laporan tersebut "tidak publik" — sehingga tabel tolok ukur hanyalah angka dari vendor itu sendiri tanpa dokumen metodologi dan tanpa dijalankan ulang secara independen. Tidak ada halaman proyek yang aktif. Tidak ada pengumuman, yang berarti tidak ada harga resmi, tidak ada API yang dihosting, dan tidak ada peta jalan yang dikonfirmasi. Tabel pada kartu itu sendiri berulang kali mencantumkan UI-Venus-2-27B — 84.0 di AndroidWorld, 80.5 di OSWorld-Verified, 12.3 OSBlind — yang tidak ada di Hugging Face per saat penulisan ini, jadi produk unggulan keluarga tersebut dirujuk tetapi belum dirilis. Dan dengan unduhan nol, belum ada orang di luar lab yang menjalankan checkpoint ini.

Bagaimana Anda benar-benar menjalankannya.

Untuk semua hal yang tidak diketahui, satu hal yang konkret adalah serving. Kartu tersebut mendokumentasikan satu perintah vLLM yang menjalankan model dengan jendela konteks 256K dan API yang kompatibel dengan O​penAI:

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

Hal itu menjadikan self-hosting sebagai jalur yang praktis — unduh bobotnya, jalankan vLLM, dan arahkan harness agen Anda ke localhost. Ini adalah kasus di mana lapisan perutean membuktikan nilainya pada tumpukan di sekitarnya, bukan pada agen GUI itu sendiri: model yang menulis rencana tugas, model visi yang memeriksa ulang keadaan layar, model transkripsi yang mencatat apa yang terjadi — semuanya berada di OrcaRouter dengan harga daftar penyedia, markup 0%, dan failover otomatis, sehingga Anda dapat membuat prototipe dengan model yang baru berumur sehari tanpa mempertaruhkan pipeline produksi padanya. Begitu checkpoint agen GUI seperti ini mencapai penyedia yang dirutekan, ia muncul dengan harga daftar penyedia dengan pass-through yang sama, dan pemotongan harga vendor jatuh ke sisi kami pada hari yang sama. Sampai saat itu, bobot Apache-2.0 adalah keseluruhan ceritanya.

Tontonan Berikutnya

Tiga hal akan menentukan apakah kapal yang tenang ini berubah menjadi berita. Apakah UI-Venus-2-27B yang mengisi tabel-tabel di kartu tersebut benar-benar muncul di Hugging Face, dan apakah ia membawa angka 12.3 OSBlind. Apakah laporan teknisnya rilis dan tahan terhadap reproduksi independen pertama. Dan apakah Ant Group memutuskan bahwa fase tenang sudah berakhir — karena agen open-weights 9B dengan angka tabel seperti ini dan konteks 256K bukanlah sesuatu yang akan bertahan lama dengan nol unduhan.