UI-Venus-2-9B: Ant Groupの9B GUIエージェント、論文も発表もなくリリースされ、SOTAに迫る数値を記録

UI-Venus-2-9Bは2026年8月26日にHugging Faceに公開されたが、通常モデルのリリースに付随するものはすべて欠けていた。アナウンスの投稿もない。プレスリリースもない。テクニカルレポートもない——READMEのarXivバッジはプレースホルダーのURLを指しており、引用ブロックには明示的なTODO: UI-Venus-2のレポートが公開されたらarXiv識別子を更新する。プロジェクトページのリンクもプレースホルダーである。執筆時点で、このリポジトリのダウンロード数は0、いいねは1件であり、その中の4つのsafetensorsシャードは汎用GUIエージェントを記述している。そのエージェントは、自身のモデルカードによれば、AndroidWorldとOSWorld-VerifiedでQ​wen3.6-27Bを上回り、WebVoyagerでClaude Opus 4.6を上回り、Online-Mind2WebでO​penAI Operatorを上回り、OSBlindの攻撃成功率を従来のGUIエージェントに典型的な90%超から18.5%に引き下げている。InclusionAIのモデルカードは、このファミリーをAnt GroupのVenus Teamによるものとしており、これはAnt Groupによるオープンウェイトのコンピューター利用競争への静かな参入を意味する——そして最も静かな点は、これらの数字がまだ独立に再現されていないことだ。

実際に出荷されたもの

このリポジトリはinclusionAI/UI-Venus-2-9Bと呼ばれ、image-text-to-text としてタグ付けされ、qwen3_5 アーキテクチャタグを持っています。このモデルは Q​wen3.5-9B から初期化された 9B パラメータで、Apache-2.0 ライセンスの下で BF16 形式で公開されています。これは基盤となるGUIエージェントです。インターフェースを観察し、タスクの状態を推論し、アクションを実行し、その結果のフィードバックを次の意思決定に組み込む、閉じた観察・推論・行動・フィードバックループであり、カードによると、モバイルアプリケーション、ウェブプラットフォーム、デスクトップオペレーティングシステムを1つのチェックポイントでカバーするように訓練されています。

• パラメータ — 9B、Q​wen3.5-9Bから初期化、BF16、4シャード。

• ライセンス — Apache-2.0.

• コンテキスト — 公式の vLLM 呼び出しでは --max-model-len 262144（256Kトークン）が設定されており、これはエージェントが1つのエピソードで保持できるスクリーンショット履歴の量です。

• サービング — ファーストクラスのvLLMサポート（O​penAI互換エンドポイントと--reasoning-parser qwen3フラグ）、つまりモデルはアクションの前に、Q​wen3スタイルで推論トークンを生成します。

• Reach — このカードは、トレーニング範囲が170以上の多言語モバイルアプリ（中国語100以上、英語70以上）、5万以上のライブウェブサイト、および50以上のプロフェッショナルアプリケーションを備えたネイティブデスクトップOSをカバーすると謳っています。

推論パーサーの詳細は、見た目以上に重要だ。行動する前に考えるGUIエージェントは新しいものではないが、OpenAI互換APIと標準のQwen推論パーサーを備え、標準的なvLLMに接続するものを出荷するなら、サービングの話は良い意味で退屈になる——コマンド1つで起動し、昨日作られたモデルとしては異例なほど成熟している。

数字と、数字ではないもの

以下はすべてベンダー報告によるものです。モデルカードには、強力な公開ベースラインとの比較表が掲載されており、UI-Venus-2-9Bにとって最も良い結果を示す行はAndroidWorld 80.2で、Q​wen3.6-27Bの70.3、MAI-UI-8Bの70.7、GUI-Owl-1.5-32B-Instructの69.8を上回っています。OSWorld-Verifiedでは、9Bは70.8を記録し、再びQ​wen3.6-27Bの62.0を上回るものの、Kimi K2.6の73.1には及びません。ウェブナビゲーションでは、カードにはWebVoyager 90.8が記載されており、Claude Opus 4.6の88.0やSeed-2.0の85.1を上回り、Online-Mind2Webでは74.0でO​penAI Operatorの61.3に対抗しています。

最も顕著な内部比較は、モデル自身のベースモデルとの比較です。DeskCraftでは、UI-Venus-2-9Bが48.0を獲得したのに対し、初期化元のQwen3.5-9Bは14.6にとどまりました。この33.4ポイントの躍進は、トレーニングレシピの全てを物語るものであり、CAPTCHAでも同様の結果が再現されています。MCA-Benchではベースの30.4に対し75.7、NextGen-CAPTCHAsでは2.8に対し47.6です。CAPTCHAの数値はそれだけでも注目に値します。なぜなら、このモデルがクリーンなベンチマークページではなく、実際の敵対的な本番運用ウェブサイトで動作するように構築されたことを示す最も明確な証拠だからです。

• モバイル — AndroidWorld 80.2、MobileWorld 65.8、VenusBench-Mobile 46.5。

• コンピューター操作 — OSWorld-Verified 70.8、DeskCraft 48.0。

• ウェブ — WebVoyager 90.8、Online-Mind2Web 74.0、REAL 76.9、Odysseys 77.3。

• GUIグラウンディング — ScreenSpot-Pro 73.0、VenusBench-GD 77.1、OSWorld-G-R 78.5、UI-Vision 53.2.

• CAPTCHA — Spatial-CAPTCHA-Bench 42.8、MCA-Bench 75.7、NextGen-CAPTCHAs 47.6、OpenCaptcha 50.7。

• 安全性 — OSBlind攻撃成功率は18.5%で、同じカードではClaude 4.5 Sonnetが73.0、GPT-4oが93.3でした。

レシピ：5つのタスクファミリー、3つのステージ

カードが説明するトレーニングパイプラインは、ベースモデルのデルタがこれほど大きい理由です。UI-Venus-2は、意図的に相補的な5つのタスクファミリー（Grounding、CAPTCHA、Mobile、Web、Computer）の混合で、3つの段階を通じてトレーニングされます。第一に、シミュレートされたモバイル、Web、OS環境における大規模な軌跡ベースのマルチモーダル中間トレーニング。人間と判別器の協調検証により無効なインタラクションをフィルタリングし、さらにプログラム的に合成されたグラウンディングとCAPTCHAの監視を組み合わせます。第二に、Mobile、OS、Web向けのオフラインのステップレベル強化学習。状態を考慮したアクション選択を最適化し、検証済みのCAPTCHAとグラウンディングのインスタンスを現実的なインターフェースに組み込んで、視覚的な雑音の中での正確な位置特定を教えます。第三に、ドメイン特化型の教師を1つの統一ポリシーに統合する、マルチ教師オン・ポリシー蒸留です。

{{1}}検証レイヤーは最も特徴的な部分である。{{2}}タスク完了の判定は、大まかな最終画面の見た目ではなく、タスクに関連する視覚的キーポイントに基づいて行われ、複数のモデルが投票して異種の判定結果を集約する。これは、RLの報酬シグナルを報酬ハッキングに対して堅牢にすることを目的とした設計である。{{/2}}検証済みのフィードバックは、その後、振り返りの教師信号としてトレーニングに蒸留され、エージェントが部分的な進捗と真の完了を区別し、長期間にわたるインタラクションの中で回復できるようにする。{{/1}}{{3}}これらのいずれも独立には検証されておらず、カードには再現結果が何も示されていない。これは、論文が裏付けるはずの主張なのである。{{/3}}

家族、そしてAnt Groupとの関係

UI-Venus-2-9Bは、inclusionAIがこれまで静かにリリースし続けてきたファミリーの第3世代にあたります。最初のUI-Venusテクニカルレポートは2025年8月に登場し、7Bおよび72Bチェックポイントが公開されました。続いてUI-Venus 1.5が2026年2月にリリースされ、2B、8B、30B-A3Bの各バリアントが揃いました。新しいモデルカードの引用欄には「Venus Team, Ant Group」と記載されており、これはinclusionAIとAnt Groupの関係をinclusionAI自身の言葉で示したものです——つまり、Ant GroupのAIラボがinclusionAI名義で発表しているということです。このファミリーの創業時の確信は、GUIエージェントはピクセルだけで動作すべきだというものです。すなわち、DOMツリーやアクセシビリティXML、UIダンプではなく、スクリーンショットを通じて画面を観察するという方式であり、これにより構造化されたUIデータを公開していない多数の中国語・英語モバイルアプリに対して移植可能になります。同ファミリーのGitHubにある併設のVenus Frameworkは、Android自動化を駆動し、並列マルチデバイス制御をサポートします。

私たちがまだ知らないこと

このリポジトリを誠実に読むなら、主張と証拠の隔たりは依然として大きい。公開されたUI-Venus-2のテクニカルレポートは存在しない——バッジはプレースホルダーであり、READMEにはレポートが「非公開」と記載されている——したがって、ベンチマーク表はベンダー自身の数値のみであり、方法論の文書も独立した再実行も存在しない。ライブのプロジェクトページもない。アナウンスもないため、公式の価格設定も、ホストされたAPIも、確定したロードマップもない。カード自身の表には、UI-Venus-2-27B——AndroidWorldで84.0、OSWorld-Verifiedで80.5、OSBlindで12.3——が繰り返し記載されているが、本稿執筆時点でHugging Face上に存在しない。つまり、ファミリーのフラッグシップは言及されているが未リリースである。そして、ダウンロード数はゼロであり、研究室の外部でこのチェックポイントを実行した者はまだ誰もいない。

実際にどう実行するか

あらゆる不明点がある中で、確かな唯一のことはサービングです。このカードには、256KのコンテキストウィンドウとOpenAI互換APIを備えたモデルを起動する単一のvLLMコマンドが記載されています：

vllm serve inclusionAI/UI-Venus-2-9B --port 8000 --tensor-parallel-size 1 --max-model-len 262144 --reasoning-parser qwen3

それにより、現実的な道筋はセルフホスティングになります — ウェイトをダウンロードし、vLLMを実行し、エージェントハーネスをlocalhostに向けるだけです。これは、ルーティングレイヤーがGUIエージェント自体ではなく、その周辺スタック上で存在価値を発揮するケースです。タスクプランを書くモデル、画面の状態を再確認するビジョンモデル、何が起こったかを記録する文字起こしモデル — これらすべてがOrcaRouter上に、プロバイダーのリスト価格で、0%のマークアップと自動フェイルオーバー付きで配置されます。そのため、前日公開のモデルに対してプロトタイプを作成でき、本番パイプラインをそれに賭ける必要はありません。このようなGUIエージェントのチェックポイントがルーティング対象のプロバイダーに届いた日には、同じパススルーでプロバイダーのリスト価格で表示され、ベンダーの値下げも同じ日に当社側に反映されます。それまでは、Apache-2.0のウェイトがすべてです。

次に見るもの

この静かな船がニュースになるかどうかを決めるのは、三つのことだ。カードの表を埋めるUI-Venus-2-27Bが実際にHugging Faceに登場するかどうか、そしてそれが12.3のOSBlind数を伴っているかどうか。技術レポートが公開され、最初の独立した再現に耐えられるかどうか。そして、Ant Groupが静かな段階は終わったと判断するかどうか——なぜなら、これらのテーブル数値と256Kのコンテキストを備えた9Bオープンウェイトのエージェントが、長くダウンロードゼロのままでいることはないからだ。