UI-Venus-2-9B vs Qwen2.5-Omni-7B: Due discendenti di Qwen, Generalista vs Agente

UI-Venus-2-9B e Qwen2.5-Omni-7B sono entrambi eredi open-weights dello stesso lignaggio, il che rende questo confronto un raro esperimento controllato. Qwen2.5-Omni-7B, rilasciato a marzo 2025 con licenza Apache-2.0, è l'affermato generalista omni-modale any-to-any: testo, immagini, audio e video in ingresso, testo e audio parlato in uscita, un modello che percepisce tutto e risponde nella modalità che desideri. UI-Venus-2-9B di Ant Group, pubblicato in sordina il 26 agosto 2026, è inizializzato da un Qwen più recente — Qwen3.5-9B — ed è stato specializzato nell'opposto: un agente GUI a ciclo chiuso che percepisce uno screenshot e risponde con un'azione anziché con prosa. Stessa famiglia, due carriere. La domanda a cui risponde il confronto non è quale sia migliore — non competono su un singolo benchmark condiviso — ma cosa stai realmente acquistando quando scegli un generalista senza ciclo agente o uno specialista costruito per operare un computer.

Una famiglia, due carriere

La stirpe Q​wen è il substrato da cui entrambi i modelli sono ritagliati, ed è l'aspetto più pulito del confronto. Qwen2.5-Omni-7B si basa sulla generazione Qwen2.5 e ha dedicato il suo addestramento a diventare omni-modale: testo e immagini interleaved, comprensione di audio e video, e output in linguaggio parlato sopra lo stesso spazio latente. UI-Venus-2-9B è inizializzato da Qwen3.5-9B e ha dedicato il suo addestramento in tre fasi — mid-training multimodale, apprendimento per rinforzo offline, distillazione multi-insegnante — a diventare un operatore: grounding degli elementi, risoluzione di CAPTCHA, navigazione di ambienti mobile, web e desktop in un ciclo chiuso. La stessa famiglia architetturale, piegata in due direzioni diverse. Quando due modelli condividono un substrato ma non uno scopo, ogni differenza nel loro design è una decisione che merita di essere letta.

Il generalista: Qwen2.5-Omni-7B

Qwen2.5-Omni-7B è uno dei checkpoint omni-modali open più comprovati disponibili. Accetta qualsiasi combinazione di testo, immagine, audio e video e risponde in testo o in parlato naturale con una capacità di ragionamento in stile Qwen3 in aggiunta. La sua scheda riporta OmniBench 0.561, che al momento del rilascio rappresentava lo stato dell'arte per un modello open, insieme a GSM8K 88.7, HumanEval 78.7, MATH 71.5 e MBPP 73.2 — numeri generali solidi per un 7B. Non è esplicitamente un agente: niente function calling, niente output strutturato, e l'intera sua superficie di output è conversazionale. Ciò che offre invece è un'enorme base installata — gira su telefoni e laptop, ha porting MLX e quantizzati, ed è in produzione da un anno e mezzo. Per uno sviluppatore che ha bisogno di un modello in grado di sostenere una conversazione parlata su un'immagine, o di comprendere audio e video insieme, è la scelta matura, noiosa e corretta.

Lo specialista: UI-Venus-2-9B

UI-Venus-2-9B è l'anti-generalista. La sua scheda riporta una finestra di contesto di 256K e un ciclo chiuso osserva–ragiona–agisci–feedback, e la sua tabella dei benchmark riguarda interamente lo svolgimento di attività sugli schermi: AndroidWorld 80,2, WebVoyager 90,8, OSWorld-Verified 70,8, ScreenSpot-Pro 73,0, MCA-Bench 75,7 su CAPTCHA, tasso di successo degli attacchi OSBlind 18,5%. Non rivendica capacità di chat, né audio, né comprensione video oltre gli screenshot — emette una traccia di ragionamento e poi un'azione strutturata. La sua intera architettura, dalla verifica basata su keypoint con votazione multi-modello alla supervisione per riflessione distillata dal feedback verificato, è costruita per una cosa sola: completare compiti a lungo orizzonte in interfacce reali senza farsi ingannare dai progressi parziali. Ogni numero sulla sua scheda è riportato dal fornitore e nessuno è stato ancora replicato in modo indipendente.

Il tabellone segnapunti in due universi

Non c'è un modo onesto di mettere entrambi sulla stessa classifica, perché non riportano gli stessi benchmark. Il confronto utile è sulle dimensioni che definiscono il ruolo, non sulla classifica.

• Ruolo — UI-Venus-2-9B: agente GUI, da screenshot ad azioni. Qwen2.5-Omni-7B: chat e parlato omni-modale, qualsiasi modalità in testo o voce.

• Base — UI-Venus-2-9B: Qwen3.5-9B. Qwen2.5-Omni-7B: generazione Qwen2.5, ~7B.

• Input — UI-Venus-2-9B: screenshot, cronologia del contesto di 256K. Qwen2.5-Omni-7B: testo, immagine, audio e video intercalati.

• Output — UI-Venus-2-9B: azioni strutturate dopo i token di ragionamento. Qwen2.5-Omni-7B: testo o parlato naturale; nessuna chiamata di funzione, nessun output strutturato.

• Ciclo agente — UI-Venus-2-9B: ciclo chiuso osservazione–ragionamento–azione–feedback. Qwen2.5-Omni-7B: nessuno.

• Numeri distintivi — UI-Venus-2-9B: AndroidWorld 80.2, WebVoyager 90.8 (riportato dal fornitore). Qwen2.5-Omni-7B: OmniBench 0.561, GSM8K 88.7, HumanEval 78.7 (riportato dal fornitore).

Il ciclo dell'agente è la differenza

Se rimuoviamo le differenze di modalità, la vera divisione è se l'output termina in parole o in azioni. Qwen2.5-Omni-7B è un endpoint conversazionale: gli invii un prompt multimodale e lui risponde; il ciclo che trasforma la risposta in lavoro vive nel tuo codice. UI-Venus-2-9B è un endpoint per attività: è addestrato a prendere un obiettivo, osservare uno schermo, ragionare, agire, osservare il risultato e agire di nuovo — il ciclo è dentro il modello, e il suo meccanismo di verifica è progettato per mantenere il ciclo onesto. Ecco perché "il generalista può fare il lavoro dell'agente" ha una risposta chiara (no — non ha spazio di azione né ciclo), e "l'agente può fare il lavoro del generalista" ne ha una altrettanto chiara (no — non ha output vocale né comprensione video). Sono complementari, non sostituti, e per caso condividono un nome di famiglia.

Scelta in base al carico di lavoro

Scegli Qwen2.5-Omni-7B per tutto ciò che termina con una risposta: assistenti vocali, chat multimodale, comprensione di audio e video, IA conversazionale on-device — un anno e mezzo di hardening di produzione è un vero vantaggio. Scegli UI-Venus-2-9B per tutto ciò che termina con un'attività completata: compilazione di moduli, automazione web, uso di app, uso del computer desktop — l'azione che è addestrato a completare. Per i team che hanno davvero bisogno di entrambi, la discendenza familiare è la parte comoda: la linea Q​wen è una delle panchine più profonde su OrcaRouter con più di due dozzine di modelli al prezzo di listino del fornitore e 0% di ricarico, quindi passare da un generalista Q​wen a uno specialista derivato da Q​wen, o comporli — un generalista per scomporre il compito, un agente per eseguirlo — è un singolo cambiamento di API, non una re-integrazione. Né UI-Venus-2-9B né Qwen2.5-Omni-7B sono serviti tramite OrcaRouter oggi; entrambi sono progetti self-host con pesi aperti, ed entrambi apparirebbero al costo del fornitore con prezzi pass-through il giorno in cui un fornitore instradato li aggiunge.

Il verdetto

Questa non è una sfida testa a testa con un vincitore; è una biforcazione tra due forme che un modello Q​wen può assumere. Se la tua applicazione è conversazionale, Qwen2.5-Omni-7B è il generalista collaudato e la scelta predefinita sicura. Se la tua applicazione è operativa — software che deve usare altro software — UI-Venus-2-9B è lo strumento specializzato, nuovo e non ancora collaudato ma puntato precisamente sul compito. E se stai costruendo software che parla con un utente e poi fa cose per lui, la risposta è entrambi, con il livello di instradamento tra i due.