WeVisOne-VL-2B vs UI-Venus-2-9B: Il divario di dimensioni che il nome nasconde

Nove miliardi di parametri non è ciò che il confronto suggerisce. Scritto come lo scrivono la maggior parte delle persone — WeVisOne-VL-2B vs UI-Venus 2.9B — l'abbinamento si legge come due piccoli modelli di visione più o meno dello stesso peso, una sfida equa tra un nuovo checkpoint 2B del team WeChat Vision di Tencent e qualcosa di un po' più grande di inclusionAI di Ant Group. La seconda parte di questo presupposto è falsa. UI-Venus-2-9B è UI-Venus 2 con 9 miliardi di parametri, inizializzato da Qwen3.5-9B; il "2" indica la generazione, non la dimensione. WeVisOne-VL-2B, pubblicato su Hugging Face il 22 ottobre 2026, è un modello da 2 miliardi di parametri su un backbone Qwen3-VL. Il confronto reale è quindi con un modello quattro volte e mezzo più piccolo, su una generazione di backbone precedente, che restituisce un tipo di risposta completamente diverso.

È arrivato anche senza un lancio. Esiste un repository Hugging Face, un repository GitHub contenente un unico commit iniziale, un paper su arXiv e una pagina di progetto di ricerca — e nessun annuncio del fornitore, nessun post sul blog e nessuna pagina dei prezzi che li colleghi tra loro. Questo determina ciò che questo articolo può fare onestamente. I pesi, l'architettura, il testo della licenza e le tabelle del paper sono verificabili oggi. La valutazione indipendente, il throughput, la latenza e il prezzo non lo sono, perché nessuno di essi esiste ancora. La model card di Tencent non pubblica affatto numeri di benchmark; ogni punteggio attribuito di seguito a WeVisOne-VL-2B proviene dalle sette tabelle dei task degli autori stessi ed è etichettato come tale. UI-Venus-2-9B è più vecchio e meglio documentato, ma i suoi numeri sono esattamente quelli autodichiarati.

Che cosa descrivono realmente i due nomi

WeVisOne-VL-2B è un modello di percezione. Dagli un'immagine e una frase e restituisce geometria: un bounding box, un punto, un conteggio, una maschera binaria o un alpha matte continuo. Il suo lato linguistico emette coordinate come token dedicati che vanno da <0> a <1000>, normalizzate rispetto all'immagine, e chiude ogni box nei task densi con uno speciale token <OBJ> all'id 152,678. Quei token sono solo marcatori finché mask_decoder.pt non legge lo stato nascosto dietro di essi — un artefatto richiesto da 9.511.460 parametri, fornito come secondo file, che la scheda descrive come "un componente centrale richiesto, non un'aggiunta opzionale". Senza di esso ottieni box. Con esso ottieni maschere e alpha matte con stride 1.

UI-Venus-2-9B è un agente. Gli si fornisce uno screenshot e un compito e restituisce una mossa: il tocco, il clic o la pressione di tasto successivi, insieme ai token di ragionamento che l'hanno prodotta, all'interno di un ciclo chiuso osservazione–ragionamento–azione. È stato addestrato sull'interazione basata esclusivamente su screenshot in ambiti quali grounding, CAPTCHA, mobile, web e uso del computer, e la sua ricetta vLLM pubblicata abbina una lunghezza massima del modello di 262.144 al parser di ragionamento Qwen3, perché la traccia di ragionamento precede ogni azione.

Metti i due fianco a fianco e la discrepanza è immediata:

• Cosa restituisce — box, punti, conteggi, span OCR, maschere e matte alfa da WeVisOne-VL-2B; un'azione sullo schermo più la sua traccia di ragionamento da UI-Venus-2-9B.

• Parametri — 2B per WeVisOne-VL-2B più il decoder separato da 9,5M; 9B dense per UI-Venus-2-9B, circa 4,5 volte i pesi.

• Backbone — Qwen3-VL per WeVisOne-VL-2B, 28 layer di testo con una dimensione nascosta di 2.048; Qwen3.5-9B per UI-Venus-2-9B. Generazioni diverse, stack di testo diversi.

• Pesi su disco — bfloat16 per entrambi, ma circa 4 GB per il 2B rispetto a quattro shard BF16 per un totale di circa 18,8 GB per il 9B.

• Limite di contesto — 262.144 posizioni su ciascuno, lette dalla configurazione di WeVisOne-VL-2B e dal comando di serving di UI-Venus-2-9B. Nessuno dei due fornitori dimostra di utilizzare qualcosa di simile.

• Evidenze pubblicate — sette tabelle di task nel paper di Tencent e nessuna sulla scheda del modello; un lungo elenco di benchmark del fornitore sulla scheda di inclusionAI e nessuna tabella nel paper.

• Licenza — Apache 2.0 per il codice scritto da Tencent; "in attesa di conferma definitiva" per i pesi di UI-Venus-2-9B.

La conseguenza pratica è che non puoi scambiare l'uno con l'altro, e qualsiasi articolo che ti consegna un vincitore sta rispondendo a una domanda che non hai posto. Un modello di percezione che restituisce un matte perfetto non può comunque premere un pulsante. Un agente che naviga perfettamente un'app non può comunque darti il ritaglio che volevi per uno scatto di prodotto.

La tesi a favore del modello più piccolo è più forte di quanto 2B rispetto a 9B suggerisca.

L'istinto, vedendo un 2B accanto a un 9B, è che quello piccolo sia il compromesso al risparmio. Sul lavoro per cui è stato addestrato, l'articolo di Tencent sostiene il contrario, e uno dei suoi stessi risultati depone contro il suo stesso rilascio più grande. Tutte le cifre qui sono degli autori stessi, eseguite dagli autori, riprodotte da nessuno.

• Rilevamento zero-shot — F1 medio di 55,2 su COCO, 53,3 su LVIS, 61,4 su Dense200 e 40,4 su VisDrone. Il baseline Qwen3-VL-2B ottiene 45,2, 40,8, 10,0 e 23,1 nella stessa tabella. Il divario su Dense200 è quello da notare: sei volte il modello base su scene affollate.

• Conteggio — 90,9 e 88,1 di corrispondenza esatta sulle due split di PixMo-Count, ma 27,5 e 26,9 su CLOC, 29,5 e 32,4 su KubriCount e 47,9 su CountQA. Il conteggio non è un'unica abilità, e la dispersione è la cosa più onesta del paper.

• Localizzazione OCR — F1 medio di 30.5 su HierText, 42.6 su ICDAR2015, 42.5 su TotalText e 62.1 su SROIE, con una soglia IoU di 0.5. Questi sono punteggi di localizzazione con coordinate associate, non accuratezza di trascrizione, quindi non sono confrontabili con il valore OCRBench solitamente citato per i VLM consumer.

• Segmentazione referenziale — 79,7 IoU cumulativo sulla validazione RefCOCO, 73,1 su RefCOCO+, 74,4 su RefCOCOg e 60,9 gIoU su ReasonSeg.

• Matting con prompt — differenza media assoluta di 6,6 su P3M-500-NP con un prompt a box, rispetto a 15,4 per SAM2-Matting; 5,7 rispetto a 12,1 su AM-2K; 15,8 rispetto a 23,0 per una pipeline Qwen3-VL-8B più SAM2-Matting sullo split referring più difficile di WeRefMat. Valori più bassi sono migliori in tutti i casi.

Il risultato di matting è il punto in cui l’argomento della dimensione si ribalta. In quello stesso test con box-prompt P3M-500-NP, il 2B ottiene 6,6 e il fratello 4B di Tencent ottiene 7,3. Il modello più piccolo è il migliore dei due in fatto di matting, Tencent non spiega perché e il paper lo riporta comunque. Se il tuo lavoro è ritagliare oggetti dalle immagini, la variante più economica della famiglia non è un downgrade — al momento è la scelta con le migliori misurazioni.

Ciò che il paper non mostra è altrettanto degno di nota. Non c'è alcun MMMU, MMBench, DocVQA né benchmark di captioning in nessuna delle sette tabelle, e la sezione sui limiti ammette che dati di addestramento generici limitati «potrebbero compromettere le capacità generali rispetto al modello base». Il fine-tuning che lo ha reso valido nella percezione potrebbe averlo reso un assistente generale peggiore, e nulla nel rilascio lo verifica. Non c'è nemmeno alcun output di catena di pensiero, alcuna memoria multi-turno o supporto per il video: il decoder dei pixel rifiuta categoricamente le griglie video.

L'unico benchmark che potrebbe risolvere la questione non esiste

Metti le due suite di valutazione una accanto all'altra e l'incomparabilità smette di essere un tecnicismo. I risultati principali di UI-Venus-2-9B sono tassi di successo sullo stato finale in un ambiente: AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0, MobileWorld 65,8 con il budget di passi predefinito della scheda e 75,2 a 100 passi. Questi misurano se un compito è stato portato a termine, racchiudendo percezione, pianificazione, memoria e recupero dagli errori in un unico numero.

La cosa più vicina a un asse condiviso è il GUI grounding, ovvero individuare un piccolo elemento dell'interfaccia in uno screenshot ad alta risoluzione. UI-Venus-2-9B totalizza 73,0 su ScreenSpot-Pro. WeVisOne-VL-2B non riporta alcun risultato su ScreenSpot-Pro, né su ScreenSpot-V2 né su alcun benchmark GUI di sorta, sulla sua scheda, nel suo paper o sulla sua pagina di progetto. Nella direzione opposta, WeVisOne-VL-2B riporta localizzazione OCR e dense pointing, mentre UI-Venus-2-9B non riporta né l'una né l'altra.

C'è una complicazione che rende l'abbinamento del titolo ancora più strano. inclusionAI distribuisce già un modello da 2B basato su Qwen3-VL — UI-Venus-1.5-2B — e la sua scheda riporta 57,7 su ScreenSpot-Pro, contro 68,4 per il suo fratello da 8B e 69,6 per il 30B-A3B. È il vero corrispettivo di pari dimensioni di WeVisOne-VL-2B, sulla stessa famiglia di backbone, misurato sull'unico benchmark a cui entrambe le linee tengono. Semplicemente non è il modello nominato in questo confronto.

Quindi la posizione onesta è ristretta. Nessun numero pubblicato confronta WeVisOne-VL-2B con UI-Venus-2-9B su alcun task, e nessuno ha eseguito il modello di percezione 2B su un set di GUI grounding. Eseguire WeVisOne-VL-2B su ScreenSpot-Pro è la singola misurazione mancante più utile in questo confronto: direbbe se uno specialista della percezione 2B trova gli elementi dell'interfaccia meglio o peggio di un agente 9B, e finché qualcuno non lo esegue, chiunque classifichi questi due modelli sul trovare cose sta estrapolando dall'architettura.

Cosa fa ciascuno quando l'oggetto non è presente

Il comportamento in assenza di oggetto è il punto in cui i modelli di percezione falliscono silenziosamente. Chiedi dell'estintore in una stanza che non ne ha, e un modello che risponde sempre incornicerà con sicurezza il termosifone — e in una pipeline automatizzata ciò diventa un oggetto allucinato in una libreria di asset, o un tocco mal diretto in un ciclo di un agente.

WeVisOne-VL-2B risponde invece None, e il paper riporta il rifiuto come metrica a sé stante accanto all'accuratezza. Su RefCOCOg riporta un tasso di rifiuto di 50,2 per le query su oggetti assenti, contro 0,5 per Rex-Omni-3B e 0,6 per LocateAnything-3B nella stessa tabella. È un obiettivo di progettazione diverso dalla massimizzazione del recall, ed è il numero che rende un modello piccolo utilizzabile come componente: un ramo geometrico che dice "non presente" è sicuro da dare in input a un planner, mentre uno che inventa un box lo corrompe silenziosamente.

UI-Venus-2-9B affronta lo stesso problema dal lato dell'azione, ereditando dalla linea UI-Venus un grounding consapevole del rifiuto: è addestrato a rifiutare quando l'elemento richiesto non è sullo schermo anziché indovinare una coordinata plausibile. La sua tabella di sicurezza mostra l'effetto dichiarato: un tasso di successo degli attacchi dell'11,3% su OSHarm rispetto al 25,3% per la base Qwen3.5-9B, e del 48,8% su OSBlind rispetto al 79,4%. La scheda è anche esplicita sul fatto che ciò non elimina il rischio di azioni dannose e raccomanda la conferma umana insieme a salvaguardie a livello applicativo. Entrambi i team hanno scelto l'astensione rispetto alla copertura; nessuno dei due ha avuto quella scelta misurata in modo indipendente.

Eseguire un 2B accanto a un 9B

La relazione onesta tra questi due modelli non è una rivalità ma una sequenza. Uno restituisce la geometria, l’altro agisce su di essa. Se stai costruendo un sistema di automazione dello schermo, un’architettura plausibile colloca WeVisOne-VL-2B davanti come l’elemento che riporta cosa si trova dove — box, span OCR, maschere — e UI-Venus-2-9B dietro di esso come l’elemento che decide cosa fare. Questa è composizione, non competizione, ed è l’unica impostazione in cui l’accoppiamento ha senso operativo.

La memoria rende quella composizione economica su una singola macchina. In bfloat16 il backbone da 2B è circa 4 GB di pesi prima del decoder, e il 9B è circa 18,8 GB distribuiti su quattro shard. Entrambi stanno su una singola scheda da 24 GB con spazio residuo per il contesto; il 2B da solo sta su una scheda da 8 GB, che è il dato più interessante. I limiti massimi di contesto coincidono a 262.144 posizioni, ma significano cose diverse: l'agente usa il contesto lungo come memoria episodica, conservando una cronologia di screenshot, mentre le valutazioni pubblicate del modello di percezione girano a circa 1.960 token visivi per immagine. Una finestra da 256K su un modello a turno singolo e solo immagini è un tetto, non una capacità dimostrata.

Il costo è il punto in cui le forme divergono. Nessuno dei due fornitori pubblica un prezzo per token, quindi per entrambi il costo reale è in ore GPU su hardware che noleggi o possiedi. Un agente paga un forward pass da 9B più i token di ragionamento a ogni passo, e un episodio è composto da molti passi: un numero che non puoi prevedere dalla scheda. Un modello di percezione paga una passata da 2B più un forward del decoder per immagine, e un'immagine è una chiamata. Centomila foto di prodotti sono aritmetica prevedibile per immagine; un compito nel browser no.

È anche qui che un layer di routing si guadagna il suo posto invece di essere uno slogan. Nessuno dei due modelli è presente su OrcaRouter oggi — verificato sul catalogo live di 209 modelli, e la scheda di WeVisOne-VL-2B indica che non è distribuito da alcun provider di inferenza. Per i modelli che serviamo effettivamente, le proprietà utili sono un unico endpoint compatibile con OpenAI, markup dello 0% con il prezzo di listino del provider trasferito invariato, un DSL di routing che compone più chiamate a modello dietro un'unica interfaccia, e il failover automatico. Per un'architettura a due gambe come quella sopra, il DSL è il punto in cui vive la composizione e in cui ciascuna gamba può essere sostituita senza riscrivere il chiamante. Il giorno in cui uno di questi due approda su un provider, quello è il modo più economico per scoprire se appartiene al tuo stack.

Licenza, prezzo e ciò che nessuno ha confermato

La card di WeVisOne-VL-2B concede Apache 2.0 per "codice scritto da Tencent in questo repository", che è la risposta permissiva che la maggior parte dei team desidera. Un dettaglio la complica: l'API di GitHub riporta la licenza del repository come "Other" senza identificatore SPDX. Queste affermazioni non sono necessariamente in conflitto — i componenti di terze parti mantengono i propri termini — ma significa che vale la pena leggere il file di licenza prima che questo si avvicini a un prodotto, invece di prendere il badge per buono.

La scheda di UI-Venus-2-9B è quella irrisolta. Afferma che la licenza dei pesi del modello è in attesa di conferma definitiva e sarà aggiunta prima del rilascio pubblico, e che la precedente dichiarazione Apache-2.0 non è stata intenzionalmente riportata perché i materiali upstream contengono dichiarazioni di licenza contrastanti. Quella frase è presente sulla scheda da agosto e non è cambiata. Non impedisce la valutazione o la maggior parte degli usi interni, ma un prodotto esterno costruito su quei pesi si basa su una questione aperta, e nessun punteggio di benchmark la chiude.

Nessuno dei due modelli ha un prezzo stabilito dal fornitore. WeVisOne-VL-2B non ha un provider di inferenza né un listino prezzi. UI-Venus-2-9B non ha un endpoint proprietario né prezzi pubblicati da inclusionAI, quindi qualunque cifra applicata da un host di terze parti è il numero di quell'host, non quello del team.

Quale scegliere?

La decisione è una descrizione del lavoro, non una classifica.

• Scegli WeVisOne-VL-2B se la risposta di cui hai bisogno è la geometria — box in una pipeline di annotazione, maschere per uno strumento di editing, alpha matte per immagini di prodotto, conteggi in un frame denso, o OCR con coordinate allegate — e soprattutto se ti serve su hardware di piccole dimensioni. È l'unico modello qui che restituisce una matte da un prompt testuale, supera il proprio fratello maggiore nel matting, e la sua licenza è quella consolidata.

• Scegli UI-Venus-2-9B se la risposta di cui hai bisogno è un'attività completata: un modulo compilato, un'app navigata, un CAPTCHA risolto, un flusso di lavoro desktop eseguito. Stai acquistando un agent loop e dovresti sapere fin da subito che la licenza non è risolta e che il lavoro desktop a lungo orizzonte non è risolto a questa dimensione — i valori OSWorld 2.0 riportati dalla scheda stessa sono 7,5 parziali e 0,0 binari.

• Scegli invece UI-Venus-1.5-2B se quello che volevi davvero era un piccolo grounder GUI. È il modello da 2B basato su Qwen3-VL della linea di inclusionAI, riporta 57,7 su ScreenSpot-Pro ed è il comparatore di pari dimensioni che il nome di questo confronto implica ma non nomina.

• Esegui entrambi in sequenza se stai realizzando un'automazione dello schermo che deve vedere con precisione e poi agire — prima la parte geometrica, poi quella dell'agente, con una sola GPU.

• Aspetta, se un valore di GUI-grounding per WeVisOne-VL-2B è ciò su cui si basa la tua decisione. Non esiste ancora, e tirarlo a indovinare dal conteggio dei parametri non è un metodo.

Cosa cambierebbe questa risposta?

Quattro cose, in ordine di utilità. Un'esecuzione di ScreenSpot-Pro o ScreenSpot-V2 di WeVisOne-VL-2B trasformerebbe la lacuna centrale di questo articolo in un confronto e, dato che il modello ha un giorno di vita ed è Apache 2.0, si tratta di un weekend di lavoro per chiunque abbia una GPU e l'harness di valutazione. Una risoluzione della licenza su UI-Venus-2-9B rimuoverebbe l'unico ostacolo che nessun dato di accuratezza può mettere in discussione. Un provider di inferenza che inserisse in listino uno dei due modelli sostituirebbe l'aritmetica delle ore GPU con un prezzo reale. E un confronto da 4B a 2B che spieghi perché il modello più piccolo si comporta meglio direbbe agli acquirenti se la denominazione della famiglia significa qualcosa o meno.

Fino a quel momento, il modo utile di considerare questi due non è come rivali in una classifica, ma come strumenti diversi: uno che misura l’immagine e uno che agisce sullo schermo. Il nome di questo confronto suggerisce che tu stia scegliendo tra modelli piccoli quasi equivalenti. Stai scegliendo tra uno specialista da 2B e un agente da 9B, e l’unica cosa che condividono davvero è l’abitudine di dire no.