WeVisOne-VL-2B vs UI-Venus-2-9B: Celah Ukuran yang Tersembunyi di Balik Nama

Sembilan miliar parameter bukanlah yang dikatakan oleh perbandingan ini. Ditulis sebagaimana kebanyakan orang menulisnya — WeVisOne-VL-2B vs UI-Venus 2.9B — pasangan itu terbaca sebagai dua model visi kecil dengan bobot yang kira-kira sama, pertarungan yang adil antara checkpoint 2B baru dari tim WeChat Vision milik Tencent dan sesuatu yang sedikit lebih besar dari inclusionAI milik Ant Group. Bagian kedua dari asumsi itu salah. UI-Venus-2-9B adalah UI-Venus 2 dengan 9 miliar parameter, diinisialisasi dari Qwen3.5-9B; “2” adalah generasi, bukan ukuran. WeVisOne-VL-2B, yang dipublikasikan ke Hugging Face pada 22 Oktober 2026, memiliki 2 miliar parameter pada backbone Qwen3-VL. Jadi, perbandingan sebenarnya adalah model yang empat setengah kali lebih kecil, pada generasi backbone yang lebih lama, yang memberikan jenis jawaban yang sama sekali berbeda.

Model ini juga hadir tanpa peluncuran. Ada repositori Hugging Face, repositori GitHub yang hanya membawa satu commit awal, sebuah makalah di arXiv, dan halaman proyek riset — dan tidak ada pengumuman vendor, pos blog, maupun halaman harga yang mengaitkan semuanya. Itu menentukan apa yang secara jujur dapat dilakukan artikel ini. Bobot model, arsitektur, teks lisensi, dan tabel-tabel dalam makalah dapat diperiksa hari ini. Evaluasi independen, throughput, latensi, dan harga tidak dapat diperiksa, karena belum satu pun yang tersedia. Kartu model Tencent sama sekali tidak menerbitkan angka benchmark; setiap skor yang dikaitkan dengan WeVisOne-VL-2B di bawah ini berasal dari tujuh tabel tugas milik para penulisnya sendiri dan diberi label demikian. UI-Venus-2-9B lebih lama dan terdokumentasi lebih baik, tetapi angkanya persis seperti yang dilaporkan sendiri.

Apa yang sebenarnya dijelaskan oleh kedua nama itu

WeVisOne-VL-2B adalah model persepsi. Berikan sebuah gambar dan sebuah frasa, dan model ini mengembalikan geometri: kotak pembatas, titik, jumlah, masker biner, atau alpha matte kontinu. Sisi bahasanya menghasilkan koordinat sebagai token khusus yang membentang dari <0> hingga <1000>, dinormalisasi terhadap gambar, dan menutup setiap kotak dalam tugas padat dengan token <OBJ> khusus pada id 152,678. Token-token itu hanyalah penanda sampai mask_decoder.pt membaca hidden state di baliknya — artefak 9.511.460 parameter yang wajib, dikirim sebagai file kedua, yang oleh kartu tersebut dijelaskan sebagai "komponen inti yang wajib, bukan tambahan opsional." Tanpanya Anda mendapatkan kotak. Dengannya Anda mendapatkan masker dan alpha matte stride-1.

UI-Venus-2-9B adalah sebuah agen. Berikan padanya tangkapan layar dan tugas, dan ia mengembalikan sebuah langkah: ketukan, klik, atau penekanan tombol berikutnya, beserta token penalaran yang menghasilkannya, di dalam siklus tertutup amati–nalar–bertindak. Model ini dilatih pada interaksi hanya dengan tangkapan layar di berbagai grounding, CAPTCHA, seluler, web, dan penggunaan komputer, dan resep vLLM yang diterbitkan memasangkan panjang model maksimum 262.144 dengan parser penalaran Qwen3 karena jejak penalaran muncul sebelum setiap tindakan.

Letakkan keduanya berdampingan dan ketidakcocokannya langsung terlihat:

• Apa yang dikembalikan — kotak, titik, jumlah, rentang OCR, mask, dan alpha matte dari WeVisOne-VL-2B; satu aksi layar plus jejak penalarannya dari UI-Venus-2-9B.

• Parameter — 2B untuk WeVisOne-VL-2B ditambah dekoder terpisah 9,5M; 9B dense untuk UI-Venus-2-9B, sekitar 4,5 kali lipat bobot.

• Backbone — Qwen3-VL untuk WeVisOne-VL-2B, 28 lapisan teks pada ukuran tersembunyi 2.048; Qwen3.5-9B untuk UI-Venus-2-9B. Generasi berbeda, tumpukan teks berbeda.

• Bobot di disk — bfloat16 untuk keduanya, tetapi sekitar 4GB untuk 2B dibandingkan dengan empat shard BF16 yang totalnya sekitar 18,8GB untuk 9B.

• Batas maksimum konteks — 262,144 posisi pada masing-masing, dibaca dari konfigurasi WeVisOne-VL-2B dan dari perintah serving UI-Venus-2-9B. Tidak ada vendor yang mendemonstrasikan penggunaan hal seperti itu.

• Bukti yang diterbitkan — tujuh tabel tugas dalam makalah Tencent dan tidak ada di kartu model; daftar tolok ukur vendor yang panjang di kartu inclusionAI dan tidak ada tabel makalah.

• Lisensi — Apache 2.0 untuk kode yang ditulis oleh Tencent; "menunggu konfirmasi akhir" untuk bobot UI-Venus-2-9B.

Konsekuensi praktisnya adalah Anda tidak dapat menukar yang satu dengan yang lain, dan artikel apa pun yang memberi Anda pemenang sedang menjawab pertanyaan yang tidak Anda ajukan. Model persepsi yang menghasilkan matte sempurna tetap tidak dapat menekan tombol. Agen yang menavigasi aplikasi dengan sempurna tetap tidak dapat memberikan cutout yang Anda inginkan untuk foto produk.

Argumen untuk model yang lebih kecil lebih kuat daripada yang disiratkan oleh 2B versus 9B.

Naluri saat melihat model 2B di samping 9B adalah bahwa yang kecil itu merupakan kompromi anggaran. Untuk pekerjaan yang menjadi tujuan pelatihannya, makalah Tencent berpendapat sebaliknya, dan salah satu hasilnya sendiri justru bertentangan dengan rilis mereka yang lebih besar. Semua angka di sini berasal dari penulis sendiri, dijalankan oleh penulis, dan tidak direproduksi oleh siapa pun.

• Deteksi zero-shot — rata-rata F1 sebesar 55,2 pada COCO, 53,3 pada LVIS, 61,4 pada Dense200, dan 40,4 pada VisDrone. Baseline Qwen3-VL-2B mencetak 45,2; 40,8; 10,0; dan 23,1 pada tabel yang sama. Kesenjangan Dense200 adalah yang perlu diperhatikan: enam kali lipat model dasar pada adegan padat.

• Menghitung — 90,9 dan 88,1 kecocokan persis pada dua split PixMo-Count, tetapi 27,5 dan 26,9 pada CLOC, 29,5 dan 32,4 pada KubriCount, dan 47,9 pada CountQA. Menghitung bukanlah satu keterampilan, dan sebarannya adalah hal paling jujur dalam makalah ini.

• Lokalisasi OCR — F1 rata-rata 30,5 pada HierText, 42,6 pada ICDAR2015, 42,5 pada TotalText, dan 62,1 pada SROIE, pada ambang IoU 0,5. Ini adalah skor lokalisasi dengan koordinat terlampir, bukan akurasi transkripsi, sehingga tidak sebanding dengan angka OCRBench yang biasanya dikutip untuk VLM konsumen.

• Segmentasi referring — 79,7 IoU kumulatif pada validasi RefCOCO, 73,1 pada RefCOCO+, 74,4 pada RefCOCOg dan 60,9 gIoU pada ReasonSeg.

Matting yang dapat diprompt — selisih absolut rata-rata 6,6 pada P3M-500-NP dengan prompt kotak, dibandingkan dengan 15,4 untuk SAM2-Matting; 5,7 dibandingkan dengan 12,1 pada AM-2K; 15,8 dibandingkan dengan 23,0 untuk pipeline Qwen3-VL-8B plus SAM2-Matting pada split referring WeRefMat yang lebih sulit. Semakin rendah semakin baik.

Hasil matting adalah titik ketika argumen ukuran justru terbalik. Pada uji prompt kotak P3M-500-NP yang sama itu, model 2B mendapat skor 6.6 dan model 4B saudaranya dari Tencent mendapat skor 7.3. Model yang lebih kecil adalah matting yang lebih baik di antara keduanya, Tencent tidak menjelaskan alasannya, dan makalah itu tetap mencantumkannya. Jika tugas Anda adalah memotong objek dari gambar, varian termurah dalam keluarga ini bukan penurunan kualitas — saat ini ia adalah pilihan dengan hasil terbaik yang terukur.

Apa yang tidak ditunjukkan oleh makalah ini sama pentingnya untuk diketahui. Tidak ada MMMU, tidak ada MMBench, tidak ada DocVQA, dan tidak ada tolok ukur captioning di mana pun dalam tujuh tabel itu, dan bagian keterbatasan mengakui bahwa data pelatihan serbaguna yang terbatas "dapat mengorbankan kemampuan umum relatif terhadap model dasar." Fine-tuning yang membuatnya bagus dalam persepsi mungkin telah membuatnya menjadi asisten umum yang lebih buruk, dan tidak ada bagian dari peluncuran yang menguji hal itu. Tidak ada pula keluaran chain-of-thought, memori multi-giliran, atau dukungan untuk video — dekoder piksel menolak grid video secara langsung.

Tidak ada satu tolok ukur pun yang dapat menyelesaikan ini.

Letakkan kedua rangkaian evaluasi secara berdampingan, dan ketidaksebandingan itu tidak lagi sekadar persoalan teknis. Hasil utama UI-Venus-2-9B adalah tingkat keberhasilan kondisi akhir dalam suatu lingkungan: AndroidWorld 80,2; OSWorld-Verified 70,8; WebVoyager 90,8; Online-Mind2Web 74,0; MobileWorld 65,8 pada anggaran langkah default kartu dan 75,2 pada 100 langkah. Angka-angka itu mengukur apakah suatu tugas berhasil diselesaikan, dengan melipat persepsi, perencanaan, memori, dan pemulihan kesalahan menjadi satu angka.

Hal yang paling mendekati sumbu bersama adalah GUI grounding — menemukan elemen antarmuka kecil dalam tangkapan layar resolusi tinggi. UI-Venus-2-9B mencatat 73.0 pada ScreenSpot-Pro. WeVisOne-VL-2B tidak melaporkan hasil ScreenSpot-Pro, hasil ScreenSpot-V2, maupun benchmark GUI apa pun, baik pada kartunya, dalam makalahnya, atau di halaman proyeknya. Sebaliknya, WeVisOne-VL-2B melaporkan lokalisasi OCR dan dense pointing, sedangkan UI-Venus-2-9B tidak melaporkan keduanya.

Ada satu hal yang membuat pasangan yang disebut di judul tampak semakin aneh. inclusionAI sudah merilis model 2B yang dibangun di atas Qwen3-VL — UI-Venus-1.5-2B — dan kartunya melaporkan 57,7 pada ScreenSpot-Pro, dibandingkan 68,4 untuk saudara 8B-nya dan 69,6 untuk 30B-A3B. Itu adalah padanan berukuran setara yang sesungguhnya untuk WeVisOne-VL-2B, pada keluarga backbone yang sama, diukur pada satu benchmark yang sama-sama diperhatikan oleh kedua lini. Hanya saja, model itu bukan model yang disebutkan dalam pertandingan ini.

Jadi posisi jujurnya sempit. Tidak ada angka terbitan yang membandingkan WeVisOne-VL-2B dengan UI-Venus-2-9B pada tugas apa pun, dan belum ada yang menjalankan model persepsi 2B pada set grounding GUI. Menjalankan WeVisOne-VL-2B pada ScreenSpot-Pro adalah pengukuran hilang yang paling berguna dalam perbandingan ini: itu akan memberi tahu apakah spesialis persepsi 2B menemukan elemen antarmuka lebih baik atau lebih buruk daripada agen 9B, dan sampai ada yang menjalankannya, siapa pun yang memeringkat keduanya dalam hal menemukan sesuatu hanya mengekstrapolasi dari arsitektur.

Apa yang dilakukan masing-masing saat objeknya tidak ada

{{1}}Perilaku terhadap objek yang tidak ada{{/1}} adalah titik ketika model persepsi gagal secara diam-diam. Mintalah alat pemadam kebakaran di ruangan yang tidak memilikinya, dan {{2}}model yang selalu menjawab akan dengan percaya diri membuat kotak di sekitar radiator{{/2}} — dan dalam pipeline otomatis, itu menjadi objek halusinasi di pustaka aset, atau ketukan yang salah sasaran dalam loop agen.

WeVisOne-VL-2B menjawab None sebagai gantinya, dan makalah melaporkan rejection sebagai metrik tersendiri di samping akurasi. Pada RefCOCOg, dilaporkan tingkat rejection sebesar 50,2 untuk kueri objek yang tidak ada, dibandingkan dengan 0,5 untuk Rex-Omni-3B dan 0,6 untuk LocateAnything-3B pada tabel yang sama. Itu adalah tujuan desain yang berbeda dari memaksimalkan recall, dan itulah angka yang membuat model kecil dapat digunakan sebagai komponen: cabang geometri yang mengatakan "tidak ada" aman untuk dimasukkan ke perencana, sedangkan cabang yang mengarang kotak secara diam-diam merusaknya.

UI-Venus-2-9B mendekati masalah yang sama dari sisi tindakan, mewarisi grounding yang peka terhadap penolakan dari lini UI-Venus — model ini dilatih untuk menolak ketika elemen yang diminta tidak ada di layar alih-alih menebak koordinat yang masuk akal. Tabel keamanannya menunjukkan efek yang diklaimnya: tingkat keberhasilan serangan 11,3% pada OSHarm dibandingkan 25,3% untuk basis Qwen3.5-9B, dan 48,8% pada OSBlind dibandingkan 79,4%. Kartu tersebut juga secara eksplisit menyatakan bahwa ini tidak menghilangkan risiko tindakan berbahaya dan merekomendasikan konfirmasi manusia plus pengamanan tingkat aplikasi. Kedua tim memilih untuk abstain alih-alih mengejar cakupan; belum ada pihak yang mengukur pilihan tersebut secara independen.

Menjalankan 2B di samping 9B

Hubungan yang jujur antara kedua model ini bukanlah persaingan, melainkan urutan. Yang satu mengembalikan geometri, yang lain bertindak berdasarkan geometri itu. Jika Anda membangun sistem otomasi layar, arsitektur yang masuk akal menempatkan WeVisOne-VL-2B di depan sebagai komponen yang melaporkan apa ada di mana — kotak, rentang OCR, mask — dan UI-Venus-2-9B di belakangnya sebagai komponen yang memutuskan apa yang harus dilakukan. Itu adalah komposisi, bukan kompetisi, dan itulah satu-satunya kerangka yang membuat pasangan ini masuk akal secara operasional.

Memori membuat komposisi itu murah di satu mesin. Pada bfloat16, backbone 2B kira-kira 4GB bobot sebelum decoder, dan 9B sekitar 18,8GB di empat shard. Keduanya muat di satu kartu 24GB dengan sisa ruang untuk konteks; 2B saja muat di kartu 8GB, yang merupakan fakta lebih menarik. Batas atas konteks keduanya sama di 262.144 posisi, tetapi maknanya berbeda: agen menggunakan konteks panjang sebagai memori episode, menyimpan riwayat tangkapan layar, sedangkan evaluasi terbitan model persepsi berjalan pada sekitar 1.960 token visual per gambar. Jendela 256K pada model satu giliran yang hanya gambar adalah batas atas, bukan kemampuan yang telah didemonstrasikan.

Biaya adalah titik di mana bentuknya berbeda. Tidak ada vendor yang memublikasikan harga per token, jadi bagi keduanya biaya sebenarnya adalah jam-GPU pada perangkat keras yang Anda sewa atau miliki. Agen membayar untuk forward pass 9B ditambah token penalaran pada setiap langkah, dan satu episode terdiri dari banyak langkah — angka yang tidak dapat Anda perkirakan dari kartu. Model persepsi membayar untuk pass 2B ditambah forward decoder per gambar, dan satu gambar adalah satu panggilan. Seratus ribu foto produk adalah aritmetika per gambar yang dapat diprediksi; tugas browser tidak.

Di sinilah juga lapisan routing membuktikan perannya, bukan sekadar slogan. Tidak ada dari kedua model tersebut yang ada di OrcaRouter saat ini — sudah diperiksa terhadap katalog yang tersedia saat ini berisi 209 model, dan kartu WeVisOne-VL-2B menyatakan model itu sama sekali tidak digunakan oleh penyedia inferensi mana pun. Untuk model yang memang kami layani, properti yang berguna adalah satu endpoint yang kompatibel dengan OpenAI, markup 0% dengan harga daftar penyedia diteruskan tanpa perubahan, DSL routing yang menyusun beberapa panggilan model di balik satu antarmuka, dan failover otomatis. Untuk arsitektur dua tahap seperti di atas, DSL adalah tempat komposisi itu berada dan tempat salah satu tahap dapat ditukar tanpa menulis ulang pemanggil. Pada hari salah satu dari keduanya tersedia di penyedia, itulah cara termurah untuk mengetahui apakah model tersebut layak masuk ke stack Anda.

Lisensi, harga, dan hal yang belum dikonfirmasi siapa pun

Kartu WeVisOne-VL-2B memberikan lisensi Apache 2.0 untuk "{{1}}kode yang ditulis Tencent di repositori ini{{/1}}," yang merupakan jawaban permisif yang diinginkan sebagian besar tim. Satu detail memperumitnya: API GitHub melaporkan lisensi repositori sebagai "Other" tanpa pengenal SPDX. Pernyataan-pernyataan itu tidak selalu bertentangan — komponen pihak ketiga tetap memakai ketentuan mereka sendiri — tetapi ini berarti berkas lisensi layak dibaca sebelum ini digunakan untuk produk, alih-alih menerima lencana itu apa adanya.

Kartu UI-Venus-2-9B adalah yang belum terselesaikan. Di sana dinyatakan bahwa lisensi bobot model masih menunggu konfirmasi akhir dan akan ditambahkan sebelum rilis publik, dan bahwa deklarasi Apache-2.0 sebelumnya sengaja tidak dibawa karena materi upstream mengandung pernyataan lisensi yang saling bertentangan. Kalimat itu sudah ada di kartu sejak Agustus dan tidak berubah. Hal ini tidak menghentikan evaluasi atau sebagian besar penggunaan internal, tetapi produk eksternal yang dibangun di atas bobot tersebut dibangun di atas pertanyaan terbuka, dan tidak ada skor benchmark yang menutupnya.

Tidak ada model yang memiliki harga yang ditetapkan vendor. WeVisOne-VL-2B tidak memiliki penyedia inferensi dan tidak memiliki kartu tarif. UI-Venus-2-9B tidak memiliki endpoint pihak pertama dan tidak ada harga yang dipublikasikan oleh inclusionAI, jadi berapa pun yang dikenakan host pihak ketiga adalah angka host tersebut, bukan angka tim.

Mana yang harus dipilih

Keputusan itu adalah deskripsi pekerjaan, bukan peringkat.

• Pilih WeVisOne-VL-2B jika jawaban yang Anda butuhkan adalah geometri — kotak ke dalam pipeline anotasi, mask untuk alat penyuntingan, matte alfa untuk citra produk, hitungan dalam frame yang padat, atau OCR dengan koordinat terlampir — dan terutama jika Anda membutuhkannya pada perangkat keras kecil. Ini adalah satu-satunya model di sini yang mengembalikan matte dari prompt teks, ia mengalahkan model saudaranya yang lebih besar dalam hal matting, dan lisensinya adalah yang sudah mapan.

• Pilih UI-Venus-2-9B jika jawaban yang Anda butuhkan adalah tugas yang selesai: formulir terisi, aplikasi dinavigasi, CAPTCHA terpecahkan, alur kerja desktop dijalankan. Anda membeli loop agen, dan sebaiknya Anda memasukinya dengan mengetahui bahwa lisensinya belum terselesaikan dan pekerjaan desktop jangka panjang belum terpecahkan pada ukuran ini — angka OSWorld 2.0 dari kartu itu sendiri adalah 7.5 parsial dan 0.0 biner.

• Pilih UI-Venus-1.5-2B sebagai gantinya jika yang sebenarnya Anda inginkan adalah grounder GUI kecil. Model ini adalah model 2B berbasis Qwen3-VL dalam lini inclusionAI, melaporkan 57.7 pada ScreenSpot-Pro, dan merupakan pembanding seukuran yang tersirat oleh nama matchup ini tetapi tidak disebutkan namanya.

• Jalankan keduanya secara berurutan jika Anda membangun otomasi layar yang perlu melihat dengan tepat lalu bertindak — bagian geometri lebih dulu, bagian agen kedua, satu GPU.

• Tunggu, jika angka GUI-grounding untuk WeVisOne-VL-2B adalah hal yang menjadi dasar keputusan Anda. Angka itu belum ada, dan menebaknya dari jumlah parameter bukanlah suatu metode.

Apa yang akan mengubah jawaban ini?

Empat hal, menurut urutan kegunaannya. Menjalankan ScreenSpot-Pro atau ScreenSpot-V2 pada WeVisOne-VL-2B akan mengubah kesenjangan utama dalam tulisan ini menjadi sebuah perbandingan, dan karena model itu baru berumur satu hari serta berlisensi Apache 2.0, itu adalah pekerjaan akhir pekan bagi siapa pun yang memiliki GPU dan harness evaluasi. Penyelesaian lisensi pada UI-Venus-2-9B akan menghilangkan satu penghalang yang tidak dapat dibantah oleh angka akurasi apa pun. Pencantuman salah satu model oleh penyedia inferensi akan menggantikan perhitungan jam-GPU dengan harga yang sebenarnya. Dan perbandingan 4B-ke-2B yang menjelaskan mengapa model yang lebih kecil tampil lebih baik akan memberi tahu pembeli apakah penamaan keluarga model itu berarti apa pun.

Sampai saat itu, cara yang berguna untuk memposisikan keduanya bukanlah sebagai rival di papan peringkat, melainkan sebagai instrumen yang berbeda: satu mengukur gambar dan satu bertindak di layar. Nama perbandingan ini menyiratkan bahwa Anda memilih antara model-model kecil yang hampir setara. Anda memilih antara spesialis 2B dan agen 9B, dan satu-satunya hal yang benar-benar mereka miliki bersama adalah kebiasaan mengatakan tidak.