WeVisOne-VL-4B vs UI-Venus-2-9B: uno restituisce una maschera, l'altro restituisce un clic

Se consegni lo stesso screenshot di una pagina di pagamento a WeVisOne-VL-4B e a UI-Venus-2-9B, ottieni due tipi diversi di risposta. Il primo ti fornisce la geometria: un riquadro attorno all'icona del carrello, una maschera di segmentazione attorno al campo sconto, un alpha matte che ritaglia la foto del prodotto dal suo sfondo. Il secondo ti fornisce una mossa: le coordinate del prossimo tocco, più il ragionamento che l'ha prodotta. Il team WeChat Vision di Tencent ha pubblicato WeVisOne-VL-4B su Hugging Face senza un annuncio e ha datato il suo paper tecnico al 23 ottobre 2026; UI-Venus-2-9B di inclusionAI è scaricabile dal 26 agosto 2026. Vengono classificati sotto la stessa etichetta di modalità e non sono sostituti.

Questo rende il confronto incentrato su un problema insolito: i due modelli non hanno alcun benchmark in comune. Nessun punteggio compare su entrambe le schede. Nessuno dei due è stato valutato in modo indipendente, nessuno dei due è distribuito da un fornitore di inferenza e nessuno dei due ha un prezzo pubblicato. Ciò che si può confrontare onestamente è ciò che ciascuno restituisce, come ciascuno è stato addestrato a rifiutare, quanto costa eseguirlo e sotto quale licenza lo distribuiresti — quindi è ciò che fa questo articolo, e segnala i numeri dichiarati dal fornitore come tali ogni volta che ne compare uno.

I due modelli non stanno rispondendo alla stessa domanda

WeVisOne-VL-4B è un modello di percezione. È basato su un backbone Qwen3-VL e aggiunge un decoder pixel obbligatorio da 9,6 milioni di parametri — mask_decoder.pt, fornito come secondo artefatto — che trasforma le previsioni dei box del modello linguistico in maschere di istanza e poi in alpha matte con stride 1. Le coordinate vengono emesse come token dedicati che vanno da <0> a <1000>, normalizzati rispetto all'immagine, e un token speciale <OBJ> (id 152.678) chiude ogni box nelle attività dense. L'elenco delle attività del paper è un elenco di geometria: rilevamento open-vocabulary, localizzazione referenziale, conteggio, pointing, localizzazione OCR, segmentazione referenziale e alpha matting con prompt.

UI-Venus-2-9B è un agente. È inizializzato da Qwen3.5-9B e addestrato sull'interazione basata esclusivamente su screenshot in cinque famiglie di attività — grounding, CAPTCHA, mobile, web e computer — mediante addestramento intermedio, apprendimento per rinforzo offline a livello di passo e distillazione on-policy multi-insegnante. Il suo output è un'azione in un ciclo chiuso osservazione–ragionamento–azione, e la sua ricetta vLLM abbina --max-model-len 262144 a --reasoning-parser qwen3 perché emette token di ragionamento prima di ogni azione.

Affianca le specifiche e il divario è immediato:

• Cosa viene prodotto — box, punti, maschere e alpha matte da WeVisOne-VL-4B; un'azione più la sua traccia di ragionamento da UI-Venus-2-9B.

• Backbone — Qwen3-VL per WeVisOne-VL-4B; Qwen3.5-9B per UI-Venus-2-9B. Generazioni diverse, famiglie diverse di stack testuale.

• Dimensione — 5B parametri indicati nel repository nonostante il nome "4B", più un decoder separato da 9,6M parametri; 9B dense per UI-Venus-2-9B su quattro shard BF16, circa 18,8 GB.

• Formato dei pesi — safetensors F32 sulla scheda WeVisOne-VL-4B, il che è insolito per questa dimensione e rende il download più grande di quanto suggerisca il numero di parametri; BF16 per UI-Venus-2-9B.

• Licenza — Apache 2.0 per WeVisOne-VL-4B; "in attesa di conferma definitiva" per UI-Venus-2-9B.

La conseguenza pratica è che non puoi scambiare l'uno con l'altro, e qualsiasi articolo che ti proclami un vincitore sta rispondendo a una domanda che non hai fatto. Un modello di percezione che restituisce una maschera perfetta non può comunque fare clic. Un agente che fa clic perfettamente non può comunque consegnarti il matte che volevi per il servizio fotografico del prodotto.

Dove si sovrappongono davvero: entrambi i team hanno insegnato al proprio modello a dire di no

Questa è l'unica decisione progettuale presa da entrambe le release, ed è la cosa più interessante dell'abbinamento. I modelli di localizzazione open-vocabulary falliscono in un modo specifico e costoso: chiedi dell'estintore in una stanza che non ne ha e un modello che risponde sempre delimiterà con sicurezza il termosifone con un box. A valle, si tratta di un oggetto allucinato nella tua pipeline di asset o di un tocco mal indirizzato nel tuo ciclo di automazione.

WeVisOne-VL-4B lo gestisce restituendo None, e il paper riporta il tasso di rifiuto come metrica a sé stante accanto all'accuratezza. Su RefCOCOg il modello 4B raggiunge un tasso di rifiuto del 67,4, mentre la sua base Qwen3-VL-4B si attesta a 18,8. Sul WeRef-Bench interno a WeChat riporta 96,4 di rifiuto contro 61,9 del modello base, e su Ref-ZOM 86,0 contro 0,3 di UniPixel-7B. Questi sono dati autodichiarati da un paper pubblicato oggi, e i benchmark di rifiuto sono in gran parte degli stessi autori — considerare la direzione credibile e lo scarto esatto non verificato.

UI-Venus-2-9B affronta lo stesso problema dal lato agente, ereditando il grounding con consapevolezza del rifiuto dalla linea UI-Venus: il modello è addestrato a rifiutare quando l'elemento richiesto non è sullo schermo invece di indovinare una posizione plausibile. I suoi valori di grounding — ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5 — sono riportati dal fornitore, e la scheda è esplicita sul fatto che ciò non elimina il rischio di azioni dannose e raccomanda conferma umana più salvaguardie a livello applicativo. La sua tabella di sicurezza mostra l'effetto che dichiara: 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%.

Entrambi i modelli sono stati creati da team che avevano visto un localizzatore mentire, ed entrambi hanno scelto l'astensione rispetto alla copertura. Se la modalità di errore della tua applicazione è "sicuramente sbagliata", quella priorità condivisa conta più del numero di parametri.

I numeri che la model card di Tencent non mostra

Ogni articolo su WeVisOne-VL-4B finora ha detto la stessa cosa, correttamente: la model card non pubblica benchmark. Il paper tecnico invece sì, ed è uscito il 23 ottobre 2026, il che rende questa la parte della storia che non è ancora circolata. È tutto autodichiarato dagli autori, nulla è stato riprodotto in modo indipendente e il modello ha un giorno di vita — quindi leggete questi dati come affermazioni con una forma, non come risultati consolidati.

Rispetto alla propria base Qwen3-VL-4B, i divari sono abbastanza ampi da risultare interessanti anche dopo un forte ridimensionamento:

• Rilevamento, F1 medio zero-shot su COCO — 57,1 per WeVisOne-VL-4B rispetto a 48,7 per Qwen3-VL-4B, e 55,3 rispetto a 44,0 su LVIS.

Rilevamento, F1 medio su Dense200 — 71,3 contro 15,2. Non è un refuso nella tabella dell'articolo: le scene dense con oggetti di piccole dimensioni sono il punto in cui il modello di base crolla.

• Rilevamento referenziale, RefCOCOg val — 80,8 vs 74,1, con il tasso di rifiuto a 67,4 vs 18,8.

• Conteggio, corrispondenza esatta su PixMo-Count val — 93,7 vs 69,6; su MixCount val, 42,0 vs 3,5.

• Pointing, F1 di PointBench — 71,9 vs 57,1.

• Localizzazione OCR, F1 medio su SROIE — 68,1 vs 40,4, e superiore a 58,6 di PP-OCRv5.

• Segmentazione referring, gIoU val di ReasonSeg — 71,2, contro 65,0 per LISA-13B.

• Matting con prompt, MAD con prompt box su AM-2K — 5,0 contro 12,1 di SAM2-Matting; sui prompt referenziali di WeRefMat, 9,8 contro 51,9.

Il risultato di matting è quello su cui vale la pena soffermarsi, perché è la capacità che nient'altro in questa fascia di prezzo offre tramite un prompt. Chiedere a un modello vision-language "la persona, come alpha matte" e ottenere un output stride-1 che batte una pipeline di matting SAM2 su MAD è un prodotto diverso da una testa di rilevamento con una maschera attaccata. È anche il punto in cui il paper è meno lusinghiero verso il proprio 4B: sui prompt box di P3M-500-NP il modello 2B ottiene 6.6 MAD contro il 7.3 del 4B, quindi la variante più grande non è uniformemente migliore e gli autori lo riportano.

Che cosa misurano i numeri di UI-Venus-2-9B, e perché non saranno trasferibili

Metti le due suite di benchmark una accanto all'altra e l'incomparabilità smette di essere un dettaglio tecnico. I risultati principali di UI-Venus-2-9B sono tutti tassi di successo allo 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 numeri misurano se un'attività è stata completata, il che racchiude percezione, pianificazione, memoria e recupero dagli errori in un'unica cifra.

La cosa più vicina a un asse condiviso è il GUI grounding. UI-Venus-2-9B riporta 73,0 su ScreenSpot-Pro, un benchmark che consiste nell'individuare piccoli elementi dell'interfaccia in screenshot ad alta risoluzione — e WeVisOne-VL-4B non lo riporta. WeVisOne-VL-4B riporta risultati di localizzazione OCR e dense pointing, e UI-Venus-2-9B non li riporta. Quindi la posizione onesta è che il singolo numero più utile per questo confronto non esiste ancora: eseguire WeVisOne-VL-4B su ScreenSpot-Pro ti direbbe se uno specialista della percezione da 5B batte un agente da 9B nel trovare un pulsante, e finché qualcuno non lo esegue, chiunque classifichi questi due sul grounding sta tirando a indovinare.

La suite proprietaria dell'agente espone pubblicamente anche il suo punto debole. Su OSWorld 2.0 il modello 9B ottiene 7,5 parziali e 0,0 binari; il fratello 27B raggiunge 13,2 parziali e 2,8 binari. Il lavoro desktop a lungo orizzonte non è risolto a questa scala, e la scheda lo dice.

Servirli è un divario maggiore rispetto al divario del benchmark.

Per un team che deve decidere cosa eseguire la prossima settimana, la differenza operativa conterà più di qualsiasi punteggio. UI-Venus-2-9B è un singolo modello che si avvia con un solo comando vLLM, esponendo un endpoint compatibile con OpenAI con parallelismo tensoriale pari a 1. WeVisOne-VL-4B richiede il proprio pacchetto di inferenza da GitHub oltre all'artefatto separato del decoder, e viene chiamato tramite il proprio wrapper WeVisOneVL(...) con un argomento task — predict(image, task="matting", query="person", temperature=0.0). La scheda documenta i percorsi Transformers, vLLM e SGLang, ma il decoder dei pixel non è opzionale: il solo modello linguistico non può produrre una maschera.

La memoria è più vicina di quanto suggeriscano i conteggi dei parametri. In bf16 il backbone da 5B è circa 10 GB prima del decoder, contro circa 18,8 GB per i quattro shard di UI-Venus-2-9B. Entrambi stanno su una singola scheda da 24 GB per i pesi; ciò che cambia è quanto spazio rimane per il contesto.

E sul contesto, le due configurazioni concordano in un modo che è facile sovra-interpretare. La configurazione di WeVisOne-VL-4B include max_position_embeddings pari a 262.144, lo stesso tetto che UI-Venus-2-9B offre con la sua lunghezza massima del modello di 262.144. Ma lo usano per cose diverse: l'agente tratta il contesto lungo come memoria dell'episodio, conservando la cronologia degli screenshot di un'attività, mentre le valutazioni pubblicate del modello di percezione vengono eseguite a 1.960 token visivi per immagine. Una finestra da 256K su un modello a singolo turno e solo immagini è un tetto, non una capacità dimostrata, e la scheda elenca le griglie video come respinte direttamente dal decodificatore dei pixel.

Licenza: una di queste è definita e una no

WeVisOne-VL-4B è Apache 2.0, con codice scritto da Tencent soggetto agli stessi termini. Puoi leggerlo, farne un fork, distribuirlo in un prodotto e non dover consultare un avvocato.

La scheda di UI-Venus-2-9B 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. Questa frase è presente sulla scheda da agosto e non è cambiata. Non ti impedisce di valutare il modello, né impedisce l'uso interno nella maggior parte delle organizzazioni — ma significa che un prodotto esterno basato su quei pesi si fonda su una questione irrisolta, e nessun punteggio di benchmark può rimediare. Se stai scegliendo tra questi due per qualcosa che intendi distribuire, la colonna della licenza decide più in fretta della colonna dell'accuratezza.

Quanto costa ciascuno, dato che nessuno dei due ha un prezzo

Non esiste un prezzo per token stabilito dal fornitore per nessuno dei due modelli. La pagina di WeVisOne-VL-4B dice che non è distribuito da alcun provider di inferenza; UI-Venus-2-9B non ha un endpoint proprietario né un tariffario pubblicato da inclusionAI, quindi qualunque cifra faccia pagare un host di terze parti è il numero di quell'host, non quello del team. Per entrambi, il costo è in ore GPU su hardware che noleggi o possiedi, il che significa che il confronto non è "prezzo di input vs prezzo di output" ma "quanta scheda mi serve e quante immagini al secondo elabora".

Nessuno dei due paper pubblica throughput o latenza, quindi quel secondo numero è sconosciuto per entrambi. Ciò che è conoscibile è la forma: UI-Venus-2-9B sostiene il costo di un forward pass da 9B più i token di ragionamento a ogni passo di un episodio, e un episodio di un agente è composto da molti passi. WeVisOne-VL-4B sostiene il costo di un pass da 5B più un forward del decoder per immagine, e un'immagine è una chiamata. Se il tuo carico di lavoro è di centomila foto di prodotti, l'economia del modello di percezione è per immagine e prevedibile; se è un'attività browser, il costo dell'agente scala con il numero di azioni che l'attività richiede, che è il numero che non puoi prevedere dalla scheda.

È anche qui che un layer di routing si guadagna il suo posto invece di restare uno slogan. Oggi nessuno dei due modelli è su OrcaRouter, e questo articolo non ha intenzione di far finta del contrario: WeVisOne-VL-4B non ha alcun provider di inferenza, e UI-Venus-2-9B è servito da hosting di terze parti anziché dal nostro catalogo. Ciò che OrcaRouter offre per i modelli che serve è un unico endpoint compatibile OpenAI su 200+ di essi a markup 0%, con il prezzo di listino del provider trasferito invariato, così un taglio di prezzo del fornitore ti raggiunge il giorno stesso in cui avviene anziché al rinnovo contrattuale successivo. Per un'architettura che chiama in sequenza un modello di percezione e un modello agente, il DSL di routing è il luogo in cui vive quella composizione — due chiamate a modello, un unico punto in cui sostituire l'una o l'altra gamba — e failover automatico è ciò che mantiene vivo un loop di agente quando il modello che ne sta alla base si degrada a metà episodio. Nel momento in cui uno di questi due approda su un provider, quello è il modo più economico per scoprire se appartiene al tuo stack.

Quale scegliere?

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

• Scegli WeVisOne-VL-4B se l'output di cui hai bisogno è la geometria — bounding box in una pipeline di annotazione, maschere per uno strumento di editing, alpha matte per immagini di prodotto, conteggi di oggetti in un fotogramma aereo denso, oppure OCR con coordinate associate. Nient'altro nella classe aperta dei 5B restituisce una matte da un prompt testuale, e i numeri di matting del paper rispetto a una pipeline SAM2 sono l'affermazione più forte del rilascio.

• Scegli UI-Venus-2-9B se l'output di cui hai bisogno è un'attività completata: un modulo compilato, un'app navigata, un CAPTCHA risolto, un flusso di lavoro desktop guidato da screenshot. Viene fornito come un unico comando vLLM con un endpoint compatibile con OpenAI, il che richiede un giorno di lavoro anziché una settimana, e i suoi risultati su AndroidWorld e WebVoyager sono i numeri da confrontare con il tuo ambiente.

• Non scegliere ancora nessuno dei due se ti servono prove indipendenti, un prezzo pubblicato o una licenza definitiva per un prodotto da distribuire. Tutti e tre mancano per la licenza di UI-Venus-2-9B e per i benchmark di entrambi i modelli.

• Considerali entrambi se stai costruendo un agente che deve manipolare immagini invece di limitarsi a fare clic attraverso le schermate. La combinazione è quella interessante: UI-Venus-2-9B decide dove agire, WeVisOne-VL-4B produce l'artefatto preciso al pixel a cui l'azione mirava. Questo costa due chiamate al modello per ogni passo e garantisce una precisione che nessuno dei due modelli possiede da solo.

Cosa cambierebbe questa risposta?

Quattro cose, in ordine di quanto potrebbero spostare la situazione.

Un'esecuzione di ScreenSpot-Pro con WeVisOne-VL-4B. È l'unico benchmark su cui entrambe le parti potrebbero plausibilmente misurarsi, e chiarirebbe se uno specialista della percezione, con metà delle dimensioni, superi in localizzazione un agente UI creato ad hoc. Chiunque abbia una GPU e un pomeriggio può produrlo, e nessuno l'ha fatto.

Una valutazione indipendente di uno o dell'altro modello. Ogni numero in questo articolo risale a una model card o a un paper scritto dal team che ha costruito la cosa. È normale il giorno del rilascio, e resta comunque un'assenza.

Una licenza definita per UI-Venus-2-9B. «In attesa di conferma definitiva» compare sulla scheda da otto settimane. Se si risolve in qualcosa di permissivo, l’agente diventa considerevolmente più facile da consigliare per il lavoro commerciale; in caso contrario, ciò risponde alla domanda nel senso opposto.

Un endpoint first-party per entrambi. Oggi nessuno dei due fornitori serve il proprio modello, il che limita il pubblico ai team disposti a gestire uno stack di serving e, sul fronte WeVisOne-VL-4B, ai team disposti a portare avanti un pacchetto di inferenza personalizzato. Una tariffa pubblicata dal fornitore trasformerebbe il confronto dei costi da aritmetica a voce di costo.

Fino ad allora, la sintesi onesta è questa: Tencent ha rilasciato un kit di percezione che fa qualcosa che nessun piccolo modello aperto aveva fatto prima, con una discrezione tale che le sue stesse tabelle di benchmark non sono ancora state lette, e Ant Group ha rilasciato un agente un mese e mezzo prima, più facile da eseguire e più difficile da licenziare. Non sono rivali. L'errore sarebbe sceglierne uno perché l'altro ha ottenuto un punteggio più alto su un benchmark che non hanno in comune.