Molmo2-4B vs UI-Venus-2-9B: uno di quei nomi è una dimensione, ed è sbagliato

Il modello si chiama UI-Venus 2 da 9B. Non è 2,9B, e non è una versione da 9B di un modello da 2,9B. La stringa nel nome file è un numero di generazione incollato a un conteggio di parametri — inclusionAI/UI-Venus-2-9B — ed è stata letta al contrario da abbastanza feed radar e pagine di elenchi che un confronto con Molmo2-4B ora sembra quello tra due modellini della stessa classe di peso. Non lo è. UI-Venus-2-9B è un agente GUI da 9B inizializzato da Qwen3.5-9B, circa il doppio della dimensione dei 4,85B di Molmo2-4B, e i due svolgono mestieri completamente diversi. Se vuoi davvero il modello GUI piccolo di quella famiglia, è UI-Venus-1.5-2B, ed è lì che appartiene il numero 2B.Due modelli specialistici con contratti di output diversi sono un problema di routing.nessun ricarico rispetto al prezzo di listino del fornitoreIl failover copre il caso in cui uno dei due sta avendo un pomeriggio storto.

Entrambi i modelli sono più vecchi di quanto l'impostazione suggerisca. Molmo2-4B è stato annunciato dall'Allen Institute for AI l'11 dicembre 2025 e i suoi pesi sono stati pubblicati il 14 dicembre. I pesi di UI-Venus-2-9B sono arrivati il 26 agosto 2026 insieme a un rapporto tecnico, arXiv 2609.00028. Ciò che è cambiato di recente sul fronte Molmo sono gli strumenti, non i pesi: il supporto nativo per Transformers è stato integrato il 9 ottobre 2026 ed è stato rilasciato nella v5.20.0 il 15 ottobre, e un fine-tune per la robotica, Molmo2-4B-tb, è apparso il 5 novembre. Nessuno dei due è un lancio, e nessuno dei due trasforma Molmo2-4B in un modello GUI.

Che cos'è realmente UI-Venus 2 a 9B

È un agente di interfaccia a ciclo chiuso. L'input è uno screenshot; l'output è un'azione ragionata — tocca qui, digita questo, scorri — e il ciclo continua finché l'attività non è completata. L'addestramento si svolge in tre fasi su cinque famiglie di attività (grounding, CAPTCHA, mobile, web e computer), terminando con una distillazione on-policy multi-insegnante che integra gli specialisti di dominio in un'unica policy. La copertura degli ambienti è la sostanza del rilascio: oltre 170 app mobili in cinese e inglese, un pool web di oltre 4.000 domini in 19 categorie e il controllo dei sistemi operativi desktop costruito da zero.

I numeri forniti direttamente dal fornitore, tutti presi dalla scheda del modello e dal suo rapporto tecnico:

• Grounding dell'interfaccia grafica — ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5, UI-Vision 53.2.

• Agenti mobili — AndroidWorld 80.2, MobileWorld 65.8 con passi standard e 75.2 con un budget di 100 passi, MobileGym 52.7, VenusBench-Mobile 46.5, KnowUBench 56.5, MemGUI 62.6.

• Desktop — OSWorld-Verified 70,8, DeskCraft 48,0 e OSWorld 2.0 a 0,0 di accuratezza binaria con un punteggio parziale di 7,5 su 108 attività con un budget di 150 passi. Quello zero merita una lettura attenta; è una metrica binaria rigida, non un refuso.

• Web — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys 77.3 di media con 62.0 perfetti.

• Sicurezza — tasso di successo degli attacchi dell'11,3% su OSHarm e del 48,8% su OSBlind, contro il 25,3% e il 79,4% della base Qwen3.5-9B.

Esiste una verifica indipendente. Il benchmark diagnostico PointerBench pubblicato nell'ottobre 2026 assegna a UI-Venus-2-9B punteggi di 64,2 su Sheets, 25,8 su Text e 73,6 su Pro, con una media di 54,5, e lo descrive come il più forte specialista nativo nel GUI-grounding, segnalando al contempo il grounding a livello di testo come la sua area più debole. Si tratta di un risultato di terze parti su una diversa combinazione di attività, ed è un utile correttivo: il risultato di punta di ScreenSpot-Pro non è l'intero quadro.

Che cos’è realmente Molmo2-4B

Un modello visione-linguaggio di uso generale con output a punti. 4.850.869.200 parametri, una torre di visione SigLIP 2 so400m su Qwen3-4B-Instruct-2507, 36.864 posizioni, 19,42 GB di pesi float32 distribuiti su quattro shard. Gestisce immagini, immagini multiple e video, e restituisce coordinate scalate su 0–1000 rispetto alla larghezza e all'altezza dell'immagine, con timestamp quando l'input è un video. La sua media aggregata del fornitore è 62,8 su 15 benchmark accademici.

Ciò che non ha è un dato GUI pubblicato. Molmo2-4B non compare nelle tabelle del rapporto tecnico di UI-Venus, nella valutazione PointerBench, né con un risultato ScreenSpot-Pro sulla propria scheda. Il dato GUI più vicino della famiglia Molmo appartiene a un altro modello: MolmoPoint-GUI-8B, un fine-tune specializzato in GUI da 8B della linea MolmoPoint di marzo 2026, riporta 61,1 su ScreenSpot-Pro. Citarlo come risultato di Molmo2-4B sarebbe un errore di categoria, ed è l'errore più probabile che un lettore possa commettere nel confrontare questi due.

La sovrapposizione è minore di quanto suggerisca il nome.

• Dimensione — 4,85B dense per Molmo2-4B rispetto a un modello dense da 9B inizializzato da Qwen3.5-9B.

• Input — immagine, multi-immagine e video per Molmo2-4B; uno screenshot per UI-Venus-2-9B, in un ciclo, con l'azione precedente reinserita come feedback.

• Output — punti sparsi in coordinate normalizzate per Molmo2-4B; un'azione strutturata per UI-Venus-2-9B, interpretata da un harness che poi pilota il dispositivo.

• Punti di forza — grounding su immagini naturali e video, conteggio e tracciamento per Molmo2-4B; localizzazione degli elementi e navigazione in più passaggi su interfacce ad alta risoluzione per UI-Venus-2-9B.

• Grounding GUI pubblicato — nessuno per Molmo2-4B; ScreenSpot-Pro 73,0 per UI-Venus-2-9B.

• Licenza — pesi Apache 2.0 con una riserva sui dati di terze parti per Molmo2-4B; la scheda del modello UI-Venus-2-9B non riporta alcun campo licenza, il che è una lacuna da risolvere prima di qualsiasi utilizzo commerciale.

Quella ultima riga non è un dettaglio. Un modello 9B derivato da Qwen3.5-9B senza campo di licenza sulla sua scheda modello non è qualcosa che una revisione legale possa approvare sulla base di un README. Nemmeno i metadati della scheda aiutano: il suo badge Safetensors riporta "1.47M params", che non è una dimensione plausibile per un checkpoint di queste dimensioni e sembra un artefatto dei metadati di shard. Chiedi ai manutentori di entrambe le cose prima di pianificare su di esso.

Se vuoi GUI grounding dalla linea Molmo

La strada onesta non è Molmo2-4B. Il lavoro GUI di Ai2 stesso si colloca nella famiglia MolmoPoint, dove MolmoPoint-GUI-8B riporta 61.1 su ScreenSpot-Pro contro il 73.0 di UI-Venus-2-9B, e i due numeri provengono almeno dallo stesso benchmark. Anche in tal caso, il confronto è tra harness diversi: diversi scaffold di azione, diverse preelaborazioni degli screenshot e, nel caso di UI-Venus, un'assunzione documentata che il ragionamento sia disabilitato e la temperatura impostata a zero per la localizzazione diretta del punto. Un divario di 12 punti su un benchmark così sensibile alle scelte di harness è un segnale, non un verdetto.

Ciò per cui Molmo2-4B è davvero utile in uno stack di agenti è la fase di percezione che non riguarda un pulsante. Trovare l’oggetto descritto da un utente in un fotogramma della fotocamera, indicarlo lungo un video, contare le istanze, tracciare qualcosa nel tempo: questi sono gli output per cui il modello è stato addestrato, e nessuno di essi è un elemento UI su uno screenshot 4K. I team finiscono spesso per eseguire entrambi i tipi di modello: uno specialista per l’interfaccia, un generalista per la scena.

Questo è più un problema di routing che di modellazione. I due modelli hanno contratti di output incompatibili e profili hardware diversi, e il fatto di eseguirli dietro un'unica chiave per entrambi — con failover quando un endpoint peggiora e senza ricarichi rispetto al prezzo di listino del provider — elimina la parte dello stack che non ha nulla a che fare con la visione. Vale anche la pena dire chiaramente che nessuno di questi modelli è nel catalogo OrcaRouter; entrambi sono pesi che ospiti tu stesso, e il livello di routing sta attorno a loro anziché sotto di essi.

La versione breve

Se il compito è «usare questa app», UI-Venus-2-9B è lo specialista e Molmo2-4B non ha nulla da offrire su quel benchmark. Se il compito è «indicare l'oggetto in questa fotografia o in questo video», UI-Venus-2-9B non ha nulla da offrire e Molmo2-4B è il motivo per cui esiste il confronto. E se ciò che volevi davvero era un piccolo modello GUI da eseguire a basso costo, il confronto corretto non è mai stato questo: è UI-Venus-1.5-2B a 2B, contro qualunque generalista compatto tu riesca ad affiancargli.