LFM3-VL-2B vs UI-Venus 2.9B: il 2.9B che in realtà è un 9B

Non esiste alcun modello chiamato UI-Venus 2.9B. Il checkpoint presso inclusionAI/UI-Venus-2-9B è UI-Venus-2-9B — la versione due dell'agente UI-Venus di Ant Group, con 9 miliardi di parametri, basato su Qwen3.5-9B. Il nome della directory si legge come un numero decimale, ma non lo è. Rispetto a LFM3-VL-2B con 1,92 miliardi di parametri, questo rende il confronto un 2B contro 9B con l'etichetta 2B contro 2B.

L'errore conta perché cambia la domanda. Se entrambi i modelli fossero all'incirca da 2B, confronteresti le righe dei benchmark e sceglieresti il migliore. Con 9B contro 2B, il modello più piccolo non compete sullo stesso hardware, e quello più grande non è affatto un modello di visione generico. UI-Venus-2-9B è un agente GUI addestrato a operare su telefoni, browser e desktop a partire da screenshot. LFM3-VL-2B è un modello visione-linguaggio generico che guarda caso include una categoria GUI tra i suoi 62 benchmark. La sovrapposizione è più limitata di quanto suggerisca il nome.

Come è stato storpiato il nome

La convenzione di denominazione di Ant Group è famiglia-versione-dimensione. UI-Venus-2-9B si interpreta come UI-Venus, generazione 2, 9B parametri. Un catalogo o un radar che separa sui trattini e cerca un decimale legge "2-9" come "2.9", ed è così che un modello da 9B finisce archiviato accanto a modelli da 2B. La stessa convenzione produce UI-Venus-2-27B, il fratello maggiore, ed entrambi sono stati pubblicati insieme alla fine di agosto 2026.

Questo non è un errore cosmetico. Il conteggio dei parametri è il primo filtro in ogni decisione di deployment, e un lettore che arriva aspettandosi un modello da 2,9B rimarrà sorpreso da un checkpoint BF16 da 18,8 GB che non entra nel dispositivo che aveva in mente. I metadati del repository stesso sono inequivocabili: architettura Qwen3.5-9B, BF16, image-text-to-text.

Due lavori, non due taglie

LFM3-VL-2B accetta {{1}}testo, immagini e video{{/1}} a {{2}}2 fps{{/2}}, produce testo, supporta una {{3}}modalità di pensiero{{/3}} e mantiene un {{4}}contesto da 128K{{/4}} su {{5}}16 lingue{{/5}}. È un generalista: {{6}}documenti, grafici, grounding, ragionamento incarnato, comprensione delle GUI e video{{/6}} compaiono tutti come categorie sulla sua scheda. Liquid AI lo ha pubblicato su {{7}}Hugging Face{{/7}} il {{8}}19 ottobre 2026{{/8}} e ha annunciato la famiglia il {{9}}27 ottobre{{/9}}, senza {{10}}prezzo API{{/10}} e senza {{11}}provider di inferenza{{/11}} elencati.

UI-Venus-2-9B acquisisce screenshot e una descrizione del compito e restituisce l'azione successiva in un ciclo chiuso osservazione–ragionamento–azione. Il suo addestramento si articola in tre fasi: addestramento intermedio multimodale su traiettorie simulate attraverso oltre 170 app mobili e oltre 4.000 domini web, apprendimento per rinforzo offline a livello di passo su attività di grounding, CAPTCHA, mobile, web e computer, quindi distillazione on-policy multi-insegnante in un'unica policy. Funziona su vLLM con un endpoint compatibile con OpenAI e un parser di ragionamento Qwen3. Questo è un runtime per agenti, non un modello di captioning.

La conseguenza pratica: non puoi scambiarli. LFM3-VL-2B descriverà uno screenshot e risponderà alle domande al riguardo. UI-Venus-2-9B deciderà dove toccare successivamente e si aspetta che l'infrastruttura circostante — parser delle azioni, prompt, esempi — presente nel repository GitHub del progetto faccia qualcosa di utile.

L'unico benchmark che corrisponde

Entrambi i modelli riportano ScreenSpot-Pro, che è il raro caso in cui il confronto è legittimo. LFM3-VL-2B ottiene 55,5 con il thinking e 49,3 senza. UI-Venus-2-9B ottiene 73,0. Si tratta di un divario di 17,5 punti a favore del modello che è quasi cinque volte più grande, ed è il numero più chiaro in assoluto di questo confronto.

Non estenderlo al resto della storia sulla GUI. UI-Venus-2-9B riporta anche AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0 e VenusBench-GD 77,1. LFM3-VL-2B riporta una media della categoria GUI di 83,1 su un diverso insieme di attività, e fare la media di una categoria non equivale a ottenere un punteggio in un singolo benchmark. Le categorie non sono confrontabili e non dovrebbero essere sottratte.

Un dato sulla scheda di UI-Venus merita di essere segnalato, perché va contro il messaggio principale: su OSWorld 2.0 il modello ottiene 0,0 sulla metrica binaria e 7,5 su quella parziale. Qualunque sia il problema dell'harness, un agente da 9B che è in testa su OSWorld-Verified e segna quasi zero sul benchmark successore è un modello con un limite, e la scheda lo riporta onestamente.

Finestre di contesto che misurano cose diverse

UI-Venus-2-9B dichiara fino a 256K token di contesto, e la parte utile è ciò che quel contesto contiene: una cronologia di screenshot, così l'agente può ricordare com'era lo schermo quattro passaggi fa. LFM3-VL-2B dichiara 128K, e la sua scheda non indica il budget di token per immagine né una lunghezza massima dei video. Nessuno dei due numeri ti dice quanti screenshot puoi mantenere in un ciclo prima che il modello perda il primo. Entrambi richiedono una misurazione sulla tua risoluzione e sul tuo numero di passaggi.

La differenza di tipo conta comunque. Una lunga cronologia di screenshot è un requisito di memoria per un agente che opera per qualche minuto. Un contesto da 128K su un VLM generico è un requisito legato a documenti o video. I numeri sembrano comparabili e rispondono a domande diverse.

Distribuzione: 4 GB contro 19 GB

LFM3-VL-2B ha 1,92 miliardi di parametri, circa 3,84 GB di pesi in BF16 in base al calcolo, con build GGUF, MLX a 4 bit e ONNX già pubblicate. UI-Venus-2-9B è all'incirca 18,8 GB in BF16 ed è servito tramite vLLM; esiste un GGUF della community, ma il percorso di serving del fornitore presuppone una GPU con spazio per il checkpoint completo. Questi non competono per lo stesso slot. Uno è un candidato edge; l'altro è un agente lato server.

È quella differenza, non il divario nei benchmark, a rendere interessante l'abbinamento. Un team che vuole la comprensione delle GUI su un dispositivo ha esattamente un'opzione qui. Un team che vuole un agente GUI con punteggi vicini allo stato dell'arte ha l'altra, e ha bisogno di una GPU per eseguirlo.

La questione della licenza a cui nessuno ha risposto

LFM3-VL-2B utilizza la LFM Open License v1.0: l'uso commerciale è concesso in licenza solo finché il licenziatario resta sotto i 10 milioni di dollari di ricavi annuali. È restrittiva ma leggibile, e il testo è pubblicato.

UI-Venus-2-9B è meno chiaro. Il repository del codice del progetto indica Apache 2.0; la scheda del modello afferma che la licenza dei pesi è in attesa di conferma definitiva perché le dichiarazioni a monte sono contraddittorie. Al 28 ottobre 2026 la questione non è stata risolta. Una licenza in sospeso non è un ostacolo per la ricerca ed è un vero ostacolo per una distribuzione commerciale che deve conoscere i propri termini prima del rilascio. Chiunque pianifichi di basarsi su UI-Venus-2-9B dovrebbe ottenere la risposta per iscritto anziché dedurla da un tag del repository.

Dove si colloca OrcaRouter, se mai

OrcaRouter non eroga nessuno dei due checkpoint, e questo articolo non sostiene che lo facciamo. Quello che abbiamo è un DSL di routing che può comporre più modelli in un'unica chiamata — utile qui perché l'architettura naturale non è "sceglierne uno". Un piccolo VLM generalista può leggere lo schermo e decidere se il compito è una domanda su un documento o un'interazione; uno specialista GUI più grande può occuparsi dei passaggi di interazione. Il routing tra loro in base al tipo di compito è una configurazione, non una seconda integrazione.

Questo è un uso più onesto del confronto rispetto a fingere che i due modelli siano alternative. Sono due fasi della stessa pipeline, con una differenza di 5× nei parametri tra loro.

Quale vuoi davvero

• LFM3-VL-2B se il compito è comprendere anziché agire, se hai bisogno di input video o documentali, o se il modello deve essere eseguito in circa 4 GB. Accetta la licenza con tetto sui ricavi e il fatto che nessuno al di fuori di Liquid l'ha valutata.

• UI-Venus-2-9B se il compito consiste nel gestire un'interfaccia end-to-end, se puoi fornire 19 GB di memoria GPU e uno stack di serving vLLM, e se puoi attendere la conferma della licenza dei pesi. Accetta che è uno specialista con un harness, non un assistente generico.

• Nessuno dei due se quello che volevi era un modello da 2,9B. Quel modello non esiste, e le due opzioni reali sono entrambe più specializzate di quanto il nome lasciasse intendere.

La correzione è l'insegnamento. Un conteggio di parametri nel nome di una cartella non è una specifica e, in questo caso, nascondeva una differenza di dimensioni di cinque volte e un compito completamente diverso. Leggi il campo architecture prima dello slug.