WeVisOne-VL-4B vs UI-Venus-2-9B: Satu Mengembalikan Mask, yang Lain Mengembalikan Klik

Berikan tangkapan layar yang sama dari halaman checkout kepada {{1}}WeVisOne-VL-4B{{/1}} dan kepada {{2}}UI-Venus-2-9B{{/2}}, dan Anda akan mendapatkan dua jenis jawaban yang berbeda. Yang pertama memberi Anda {{3}}geometri{{/3}}: kotak di sekitar {{4}}ikon keranjang{{/4}}, masker segmentasi di sekitar {{5}}kolom diskon{{/5}}, alpha matte yang memotong {{6}}foto produk{{/6}} dari latar belakangnya. Yang kedua memberi Anda {{7}}langkah{{/7}}: koordinat {{8}}ketukan berikutnya{{/8}}, plus penalaran yang menghasilkannya. Tim {{10}}WeChat Vision{{/10}} milik {{9}}Tencent{{/9}} menerbitkan {{11}}WeVisOne-VL-4B{{/11}} di {{12}}Hugging Face{{/12}} tanpa pengumuman dan mencantumkan tanggal {{13}}23 Oktober 2026{{/13}} pada makalah teknisnya; sementara {{15}}UI-Venus-2-9B{{/15}} milik {{14}}inclusionAI{{/14}} telah dapat diunduh sejak {{16}}26 Agustus 2026{{/16}}. Keduanya dikelompokkan di bawah label modalitas yang sama, dan keduanya bukan pengganti satu sama lain.

Itu menjadikannya perbandingan dengan masalah tak biasa di pusatnya: kedua model tidak memiliki benchmark yang sama. Tidak ada satu pun skor yang muncul di kedua kartu. Keduanya belum dievaluasi secara independen, keduanya tidak digunakan oleh penyedia inferensi, dan keduanya belum memiliki harga yang dipublikasikan. Yang bisa dibandingkan secara jujur adalah apa yang dihasilkan masing-masing, bagaimana masing-masing dilatih untuk menolak, berapa biaya menjalankannya, dan lisensi apa yang akan menjadi dasar Anda merilis — jadi itulah yang dilakukan artikel ini, dan artikel ini menandai angka yang dilaporkan vendor sebagai angka yang dilaporkan vendor setiap kali angka itu muncul.

Kedua model tersebut tidak menjawab pertanyaan yang sama

WeVisOne-VL-4B adalah model persepsi. Model ini dibangun di atas tulang punggung Qwen3-VL dan menambahkan dekoder piksel wajib berparameter 9,6 juta — mask_decoder.pt, yang disertakan sebagai artefak kedua — yang mengubah prediksi kotak model bahasa menjadi masker instans lalu menjadi matte alfa stride-1. Koordinat dikeluarkan sebagai token khusus yang mencakup <0> hingga <1000>, dinormalisasi terhadap gambar, dan token khusus <OBJ> (id 152.678) menutup setiap kotak dalam tugas padat. Daftar tugas dalam makalah ini adalah daftar geometri: deteksi kosakata terbuka, pelokalan rujukan, penghitungan, penunjukan, pelokalan OCR, segmentasi rujukan, dan matting alfa yang dapat diprompt.

UI-Venus-2-9B adalah sebuah agen. Agen ini diinisialisasi dari Qwen3.5-9B dan dilatih pada interaksi hanya melalui tangkapan layar di lima keluarga tugas — grounding, CAPTCHA, seluler, web, dan komputer — melalui mid-training, reinforcement learning tingkat langkah secara offline, dan distilasi on-policy multi-guru. Keluarannya berupa aksi dalam lingkaran amati–nalar–bertindak yang tertutup, dan resep vLLM-nya memasangkan --max-model-len 262144 dengan --reasoning-parser qwen3 karena model ini mengeluarkan token penalaran sebelum setiap aksi.

Bandingkan spesifikasinya secara berdampingan dan perbedaannya langsung terlihat:

• Apa yang dihasilkan — kotak, titik, mask, dan alpha matte dari WeVisOne-VL-4B; satu aksi beserta jejak penalarannya dari UI-Venus-2-9B.

• Backbone — Qwen3-VL untuk WeVisOne-VL-4B; Qwen3.5-9B untuk UI-Venus-2-9B. Generasi berbeda, keluarga stack teks berbeda.

• Ukuran — 5B parameter tercantum di repo meskipun namanya "4B", ditambah dekoder 9,6M parameter terpisah; 9B dense untuk UI-Venus-2-9B di empat shard BF16, sekitar 18,8 GB.

• Format bobot — safetensors F32 pada kartu WeVisOne-VL-4B, yang tidak lazim untuk ukuran ini dan membuat unduhan lebih besar daripada yang diperkirakan dari jumlah parameter; BF16 untuk UI-Venus-2-9B.

• Lisensi — Apache 2.0 untuk WeVisOne-VL-4B; "menunggu konfirmasi akhir" untuk UI-Venus-2-9B.

Konsekuensi praktisnya adalah Anda tidak dapat menukar yang satu dengan yang lain, dan artikel mana pun yang memberi Anda pemenang sedang menjawab pertanyaan yang tidak Anda ajukan. Model persepsi yang mengembalikan mask sempurna tetap tidak dapat mengklik. Agen yang mengklik dengan sempurna tetap tidak dapat memberikan matte yang Anda inginkan untuk sesi pemotretan produk.

Di mana mereka benar-benar tumpang tindih: kedua tim mengajari model mereka untuk mengatakan tidak

Ini adalah satu keputusan desain yang dibuat kedua rilis, dan itu hal paling menarik dalam pasangan ini. Model lokalisasi kosakata terbuka gagal dengan cara yang spesifik dan mahal: mintalah alat pemadam api di ruangan yang tidak memilikinya, dan model yang selalu menjawab akan dengan percaya diri mengotakkan radiator. Di hilir, itu adalah objek halusinasi dalam pipeline aset Anda atau ketukan yang salah arah dalam loop otomasi Anda.

WeVisOne-VL-4B menanganinya dengan mengembalikan None, dan makalah tersebut melaporkan tingkat penolakan sebagai metrik tersendiri di samping akurasi. Pada RefCOCOg, model 4B mencapai tingkat penolakan 67,4 sedangkan basis Qwen3-VL-4B-nya berada di 18,8. Pada WeRef-Bench internal WeChat, model itu melaporkan penolakan 96,4 berbanding 61,9 untuk model basis, dan pada Ref-ZOM 86,0 berbanding 0,3 untuk UniPixel-7B. Itu adalah angka yang dilaporkan sendiri dari makalah yang terbit hari ini, dan tolok ukur penolakan sebagian besar merupakan milik penulis sendiri — anggap arahnya kredibel dan selisih persisnya belum terverifikasi.

UI-Venus-2-9B mendekati masalah yang sama dari sisi agen, mewarisi grounding yang sadar penolakan dari lini UI-Venus: model dilatih untuk menolak ketika elemen yang diminta tidak ada di layar alih-alih menebak lokasi yang masuk akal. Angka grounding-nya — ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5 — dilaporkan oleh vendor, dan kartunya secara eksplisit menyatakan bahwa hal ini tidak menghilangkan risiko tindakan berbahaya serta merekomendasikan konfirmasi manusia ditambah pengamanan di tingkat aplikasi. Tabel keamanannya menunjukkan efek yang memang diklaimnya: tingkat keberhasilan serangan 11,3% pada OSHarm dibandingkan 25,3% untuk basis Qwen3.5-9B, dan 48,8% pada OSBlind dibandingkan 79,4%.

Jadi, kedua model dibangun oleh tim yang pernah menyaksikan seorang pelokalis berbohong, dan keduanya memilih abstensi daripada cakupan. Jika mode kegagalan aplikasi Anda adalah "salah dengan percaya diri," prioritas bersama itu lebih penting daripada jumlah parameter.

Angka-angka yang tidak ditampilkan oleh kartu model Tencent

Setiap tulisan tentang WeVisOne-VL-4B sejauh ini mengatakan hal yang sama, dengan benar: kartu model tidak menerbitkan tolok ukur apa pun. Makalah teknisnya menerbitkannya, dan makalah itu terbit pada 23 Oktober 2026, yang menjadikan ini bagian cerita yang belum beredar. Semuanya dilaporkan sendiri oleh para penulis, tidak satu pun telah direproduksi secara independen, dan model ini baru berusia satu hari — jadi bacalah ini sebagai klaim yang memiliki bentuk, bukan sebagai hasil yang sudah mapan.

Dibandingkan dengan basis Qwen3-VL-4B miliknya sendiri, kesenjangannya cukup besar sehingga akan tetap menarik bahkan setelah didiskon besar-besaran:

• Deteksi, F1 rata-rata zero-shot COCO — 57,1 untuk WeVisOne-VL-4B vs 48,7 untuk Qwen3-VL-4B, dan 55,3 vs 44,0 pada LVIS.

• Deteksi, F1 rata-rata Dense200 — 71,3 vs 15,2. Itu bukan salah ketik di tabel makalah; adegan objek kecil yang padat adalah tempat model dasar runtuh.

• Deteksi referring, val RefCOCOg — 80,8 vs 74,1, dengan tingkat penolakan sebesar 67,4 vs 18,8.

• Penghitungan, kecocokan persis val PixMo-Count — 93,7 vs 69,6; pada val MixCount, 42,0 vs 3,5.

• Penunjukan, PointBench F1 — 71,9 vs 57,1.

• Lokalisasi OCR, F1 rata-rata SROIE — 68,1 vs 40,4, dan melampaui 58,6 milik PP-OCRv5.

• Segmentasi perujukan, gIoU val ReasonSeg — 71,2, dibandingkan dengan 65,0 untuk LISA-13B.

• Matting yang dapat dipandu prompt, MAD prompt kotak AM-2K — 5,0 dibandingkan dengan 12,1 untuk SAM2-Matting; pada prompt rujukan WeRefMat, 9,8 dibandingkan dengan 51,9.

Hasil matting adalah hal yang patut diperhatikan, karena itulah kemampuan yang tidak ditawarkan oleh apa pun else di kelas harga ini melalui sebuah prompt. Meminta model vision-language untuk menghasilkan "orang tersebut, sebagai alpha matte" dan mendapatkan output stride-1 yang mengalahkan pipeline matting SAM2 pada MAD adalah produk yang berbeda dari head deteksi yang ditempeli masker. Di sinilah juga makalah tersebut paling tidak menyanjung 4B miliknya sendiri: pada prompt kotak P3M-500-NP, model 2B mencetak 6,6 MAD sedangkan 4B mencetak 7,3, jadi varian yang lebih besar tidak selalu lebih baik dan para penulis mencantumkannya.

Apa yang diukur oleh angka-angka UI-Venus-2-9B, dan mengapa angka-angka itu tidak akan berlaku di konteks lain

Jika kedua rangkaian benchmark itu diletakkan berdampingan, ketidaksebandingannya tidak lagi sekadar persoalan teknis. Hasil utama UI-Venus-2-9B semuanya adalah tingkat keberhasilan keadaan akhir di 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 telah diselesaikan, yang menggabungkan persepsi, perencanaan, memori, dan pemulihan kesalahan menjadi satu angka.

Hal yang paling mendekati sumbu bersama adalah grounding GUI. UI-Venus-2-9B mencatat 73,0 pada ScreenSpot-Pro, tolok ukur untuk melokalisasi elemen antarmuka kecil dalam tangkapan layar resolusi tinggi — dan WeVisOne-VL-4B tidak melaporkannya. WeVisOne-VL-4B mencatat hasil lokalisasi OCR dan dense pointing, dan UI-Venus-2-9B tidak melaporkan hal tersebut. Jadi posisi yang jujur adalah bahwa satu angka paling berguna untuk perbandingan ini belum ada: menjalankan WeVisOne-VL-4B pada ScreenSpot-Pro akan memberi tahu Anda apakah spesialis persepsi 5B mengalahkan agen 9B dalam menemukan tombol, dan sampai ada yang menjalankannya, siapa pun yang memeringkat keduanya berdasarkan grounding hanya menebak.

Rangkaian uji milik agen itu sendiri juga memperlihatkan titik lemahnya secara publik. Pada OSWorld 2.0, model 9B mencetak 7.5 parsial dan 0.0 biner; model 27B yang sejenis mencapai 13.2 parsial dan 2.8 biner. Pekerjaan desktop berhorizon panjang belum terpecahkan pada ukuran ini, dan kartu model menyatakannya.

Melayani mereka adalah kesenjangan yang lebih besar daripada kesenjangan benchmark.

Bagi tim yang sedang memutuskan apa yang akan dijalankan minggu depan, perbedaan operasional akan lebih penting daripada skor apa pun. UI-Venus-2-9B adalah model tunggal yang Anda jalankan dengan satu perintah vLLM, yang mengekspos endpoint yang kompatibel dengan OpenAI dengan tensor parallelism sebesar 1. WeVisOne-VL-4B memerlukan paket inferensinya dari GitHub ditambah artefak decoder yang terpisah, dan dipanggil melalui wrapper WeVisOneVL(...) miliknya sendiri dengan argumen task — predict(image, task="matting", query="person", temperature=0.0). Kartu model ini mendokumentasikan jalur Transformers, vLLM, dan SGLang, tetapi decoder piksel bukan opsional: model bahasa saja tidak dapat menghasilkan mask.

Memori lebih dekat daripada yang disiratkan oleh jumlah parameter. Pada bf16, backbone {{1}}5B{{/1}} berukuran sekitar {{2}}10 GB{{/2}} sebelum decoder, dibandingkan dengan sekitar 18,8 GB untuk empat shard UI-Venus-2-9B. Keduanya muat pada satu kartu 24 GB untuk bobot; yang berbeda adalah berapa banyak ruang yang tersisa untuk konteks.

Dan dalam hal konteks, kedua konfigurasi itu sejalan dengan cara yang mudah ditafsirkan terlalu jauh. Konfigurasi WeVisOne-VL-4B menyertakan max_position_embeddings sebesar 262.144 — batas atas yang sama dengan yang disediakan UI-Venus-2-9B melalui panjang model maksimumnya sebesar 262.144. Tetapi keduanya menggunakannya untuk hal yang berbeda: agen memperlakukan konteks panjang sebagai memori episode, menyimpan riwayat tangkapan layar sebuah tugas, sedangkan evaluasi yang dipublikasikan model persepsi berjalan pada 1.960 token visual per gambar. Jendela 256K pada model satu giliran yang hanya menangani gambar adalah batas atas, bukan kemampuan yang telah didemonstrasikan, dan kartu model tersebut mencantumkan grid video sebagai ditolak langsung oleh dekoder piksel.

Lisensi: salah satu dari ini sudah beres dan satu lagi belum.

WeVisOne-VL-4B berlisensi Apache 2.0, dengan kode yang ditulis Tencent berdasarkan ketentuan yang sama. Anda dapat membacanya, melakukan fork, memasukkannya ke dalam produk, dan tidak perlu berbicara dengan pengacara tentangnya.

Kartu UI-Venus-2-9B menyatakan bahwa lisensi bobot model masih menunggu konfirmasi final dan akan ditambahkan sebelum rilis publik, serta bahwa deklarasi Apache-2.0 sebelumnya sengaja tidak dipertahankan karena materi upstream memuat pernyataan lisensi yang saling bertentangan. Kalimat itu sudah ada di kartu sejak Agustus dan tidak berubah. Itu tidak menghalangi Anda mengevaluasi model, dan tidak menghalangi penggunaan internal di sebagian besar organisasi — tetapi itu berarti produk eksternal yang dibangun di atas bobot tersebut dibangun di atas pertanyaan yang belum terselesaikan, dan tidak ada skor benchmark berapa pun yang bisa memperbaikinya. Jika Anda memilih di antara keduanya untuk sesuatu yang ingin Anda rilis, kolom lisensi menentukan lebih cepat daripada kolom akurasi.

Berapa biaya masing-masing, mengingat keduanya tidak memiliki harga

Tidak ada harga per token yang ditetapkan vendor untuk kedua model. Halaman WeVisOne-VL-4B menyatakan bahwa model tersebut tidak di-deploy oleh penyedia inferensi mana pun; UI-Venus-2-9B tidak memiliki endpoint pihak pertama dan tidak ada daftar tarif yang diterbitkan inclusionAI, jadi berapa pun yang ditagihkan penyedia pihak ketiga untuk model itu adalah angka penyedia tersebut, bukan angka tim. Untuk keduanya, biayanya adalah jam GPU pada perangkat keras yang Anda sewa atau miliki, yang berarti perbandingannya bukan "harga input vs harga output" melainkan "berapa banyak GPU yang saya butuhkan dan berapa gambar per detik yang diprosesnya."

Tidak ada dari kedua makalah tersebut yang memublikasikan throughput atau latensi, jadi angka kedua itu tidak diketahui untuk keduanya. Yang dapat diketahui adalah bentuknya: UI-Venus-2-9B membayar untuk satu forward pass 9B ditambah token penalaran pada setiap langkah sebuah episode, dan satu episode agen terdiri atas banyak langkah. WeVisOne-VL-4B membayar untuk satu pass 5B ditambah satu forward decoder per gambar, dan satu gambar adalah satu panggilan. Jika beban kerja Anda berupa seratus ribu foto produk, ekonomi model persepsi bersifat per-gambar dan dapat diprediksi; jika berupa tugas browser, biaya agen berskala dengan berapa banyak tindakan yang diperlukan tugas tersebut, yang merupakan angka yang tidak dapat Anda ramalkan dari kartu tersebut.

Di sinilah lapisan routing juga membuktikan tempatnya, bukan sekadar slogan. Tidak satu pun dari kedua model ini berada di OrcaRouter saat ini, dan tulisan ini tidak akan berpura-pura sebaliknya — WeVisOne-VL-4B sama sekali tidak memiliki penyedia inferensi, dan UI-Venus-2-9B dilayani oleh hosting pihak ketiga, bukan dari katalog kami sendiri. Yang disediakan OrcaRouter untuk model yang memang dilayaninya adalah satu endpoint yang kompatibel dengan OpenAI di seluruh 200+ model tersebut dengan markup 0%, dengan harga daftar penyedia diteruskan tanpa perubahan, sehingga penurunan harga dari vendor sampai kepada Anda pada hari terjadinya, bukan pada perpanjangan kontrak berikutnya. Bagi arsitektur yang memanggil model persepsi dan model agen secara berurutan, DSL routing adalah tempat komposisi itu berada — dua panggilan model, satu tempat untuk menukar salah satu bagian — dan failover otomatis adalah yang menjaga loop agen tetap hidup ketika model di baliknya mengalami penurunan kinerja di tengah episode. Begitu salah satu dari kedua model ini tersedia di sebuah penyedia, itulah cara termurah untuk mengetahui apakah model itu pantas masuk ke stack Anda.

Mana yang harus dipilih

Keputusan itu adalah deskripsi pekerjaan, bukan peringkat.

• Pilih WeVisOne-VL-4B jika output yang Anda butuhkan adalah geometri — kotak pembatas ke dalam pipeline anotasi, mask untuk alat penyuntingan, alpha matte untuk citra produk, penghitungan objek dalam bingkai udara padat, atau OCR dengan koordinat terlampir. Tidak ada yang lain di kelas 5B terbuka yang mengembalikan matte dari prompt teks, dan angka matting dalam makalah terhadap pipeline SAM2 adalah klaim terkuat dalam rilis ini.

• Pilih UI-Venus-2-9B jika keluaran yang Anda butuhkan adalah tugas yang tuntas — formulir terisi, aplikasi dijelajahi, CAPTCHA terpecahkan, alur kerja desktop yang dijalankan dari tangkapan layar. Produk ini hadir sebagai satu perintah vLLM dengan endpoint yang kompatibel dengan OpenAI, yang berarti pekerjaan sehari alih-alih seminggu, dan hasil AndroidWorld serta WebVoyager-nya adalah angka yang perlu Anda bandingkan dengan lingkungan Anda sendiri.

• Jangan pilih keduanya dulu jika Anda memerlukan bukti independen, harga yang dipublikasikan, atau lisensi yang sudah pasti untuk produk yang akan dirilis. Ketiganya tidak tersedia untuk lisensi UI-Venus-2-9B dan untuk benchmark kedua model tersebut.

• Pertimbangkan keduanya jika Anda membangun agen yang harus memanipulasi gambar, bukan sekadar mengklik dari satu layar ke layar lain. Kombinasinya inilah yang menarik: UI-Venus-2-9B memutuskan di mana harus bertindak, WeVisOne-VL-4B menghasilkan artefak yang akurat secara piksel yang menjadi target tindakan tersebut. Itu membutuhkan dua panggilan model per langkah dan memberikan presisi yang tidak dimiliki model mana pun secara sendiri.

Apa yang akan mengubah jawaban ini?

Empat hal, diurutkan berdasarkan seberapa besar pengaruhnya.

{{1}}Uji coba ScreenSpot-Pro terhadap WeVisOne-VL-4B.{{/1}} Ini adalah satu-satunya tolok ukur yang secara masuk akal dapat dijadikan landasan oleh kedua pihak, dan itu akan menentukan apakah spesialis persepsi berukuran setengahnya mampu melakukan lokalisasi lebih baik daripada agen UI yang dirancang khusus. Siapa pun yang memiliki GPU dan waktu satu sore dapat menghasilkannya, tetapi belum ada yang melakukannya.

Evaluasi independen terhadap kedua model. Setiap angka dalam artikel ini dapat ditelusuri kembali ke kartu model atau makalah yang ditulis oleh tim yang membangunnya. Itu normal pada hari peluncuran dan tetap saja merupakan sebuah ketiadaan.

Lisensi yang sudah tuntas pada UI-Venus-2-9B. {{1}}Pending final confirmation{{/1}} telah tercantum di kartu selama delapan minggu. Jika hasilnya permisif, agen ini menjadi jauh lebih mudah direkomendasikan untuk pekerjaan komersial; jika tidak, itu menjawab pertanyaan tersebut ke arah sebaliknya.

Endpoint pihak pertama untuk keduanya. Saat ini tidak ada vendor yang menyajikan modelnya sendiri, yang membatasi audiens pada tim yang bersedia menjalankan stack penyajian, dan di sisi {{1}}WeVisOne-VL-4B{{/1}} kepada tim yang bersedia menjalankan paket inferensi kustom. {{2}}Tarif yang diterbitkan vendor{{/2}} akan mengubah perbandingan biaya dari aritmetika menjadi item baris.

Sampai saat itu, ringkasan yang adil adalah ini: Tencent merilis toolkit persepsi yang melakukan sesuatu yang belum pernah dilakukan model terbuka kecil mana pun, cukup senyap sehingga tabel benchmark miliknya sendiri belum dibaca orang, dan Ant Group merilis agen satu setengah bulan lebih awal yang lebih mudah dijalankan dan lebih sulit dilisensikan. Keduanya bukan pesaing. Kesalahannya adalah memilih salah satu karena yang lain mendapat skor lebih tinggi pada benchmark yang tidak mereka bagi bersama.