UI-Venus-2-9B vs Qwen2.5-Omni-7B：Qwen派生の2モデル、汎用型 vs エージェント型

UI-Venus-2-9B と Qwen2.5-Omni-7B は、どちらも同じ系統に属するオープンウェイトの後継モデルであり、この対決はまれにしかない統制実験と言えます。2025年3月にApache-2.0ライセンスでリリースされたQwen2.5-Omni-7Bは、確立されたany-to-anyオムニモーダル汎用モデルです。テキスト、画像、音声、動画を入力として受け入れ、テキストと音声を出力します。あらゆるものを認識し、ユーザーが望むモードで回答するモデルです。一方、Ant GroupのUI-Venus-2-9Bは、2026年8月26日にひっそりとリリースされ、より新しいQ​wenであるQwen3.5-9Bから初期化され、正反対の存在に特化しています。スクリーンショットを認識し、散文ではなくアクションで回答するクローズドループGUIエージェントです。同じ家系、異なるキャリア。この対決が明らかにするのは、どちらが優れているかではなく——両者は単一の共有ベンチマークで競っているわけではありません——エージェントループを持たない汎用モデルか、コンピュータを操作するために作られた専門モデルかを選ぶとき、あなたが実際に手にするものは何かということです。

ひとつの家族、二つのキャリア

{{1}}Q​wen系譜は両モデルが切り出された基盤であり、それがこの比較において最も明確な点である。{{/1}} {{2}}Qwen2.5-Omni-7BはQwen2.5世代の上に位置し、トレーニングを通じてオムニモーダルへと進化した。テキストと画像のインターリーブ、音声・動画の理解、そして同じ潜在空間の上での音声言語出力を備える。{{/2}} {{3}}UI-Venus-2-9BはQwen3.5-9Bから初期化され、3段階のトレーニング——マルチモーダル中間トレーニング、オフライン強化学習、マルチティーチャー蒸留——を経て、オペレーターとなった。要素のグラウンディング、CAPTCHAの解決、モバイル・ウェブ・デスクトップ環境のクローズドループでのナビゲーションを実現する。{{/3}} 同じアーキテクチャファミリーでありながら、異なる2つの方向に曲げられている。{{4}}2つのモデルが基盤を共有しながらも目的を異にするとき、その設計上のあらゆる違いは読む価値のある決断である。{{/4}}

汎用型: Qwen2.5-Omni-7B

{{1}}Qwen2.5-Omni-7Bは、現在利用可能な中で最も実績のあるオープンなオムニモーダルチェックポイントの1つです。{{/1}}{{2}}テキスト、画像、音声、動画の任意の組み合わせを受け入れ、テキストまたは自然な音声で応答し、その上にQwen3スタイルの思考能力を備えています。{{/2}}{{3}}そのカードはOmniBench 0.561を報告しており、これはリリース時点でオープンモデルとして最先端であり、GSM8K 88.7、HumanEval 78.7、MATH 71.5、MBPP 73.2も併せて報告されています——7Bとしては優れた一般的な数値です。{{/3}}{{4}}これは明示的にエージェントではありません：関数呼び出しも構造化出力もなく、その出力面はすべて会話型です。{{/4}}{{5}}その代わりに持っているのは、巨大な展開フットプリントです——携帯電話やノートPCで動作し、MLXや量子化ポートがあり、1年半にわたって本番環境で使用されてきました。{{/5}}画像について音声で会話を交わしたり、音声と動画を一緒に理解したりできるモデルを必要とする開発者にとって、これは成熟した、地味だが正しい選択です。

スペシャリスト：UI-Venus-2-9B

UI-Venus-2-9Bはアンチジェネラリストである。そのカードには256Kコンテキストウィンドウと、観察・推論・行動・フィードバックの閉ループが報告されており、ベンチマーク表はすべて画面上での操作に関するものだ：AndroidWorld 80.2、WebVoyager 90.8、OSWorld-Verified 70.8、ScreenSpot-Pro 73.0、CAPTCHAにおけるMCA-Bench 75.7、OSBlind攻撃成功率18.5％。チャットの主張も、音声の主張も、スクリーンショットを超えた動画理解の主張も一切ない——推論トレースを出力し、その後構造化アクションを出力する。そのアーキテクチャ全体は、キーポイント接地検証とマルチモデル投票、検証済みフィードバックから蒸留されたリフレクション監視に至るまで、ひとつのことのために構築されている：部分的な進捗に惑わされずに、実環境のインターフェースで長期的なタスクを完了することだ。カード上のすべての数値はベンダー報告によるものであり、独立して再現されたものはまだない。

二つの宇宙のスコアボード

この2つを1つのリーダーボードに載せる正直な方法は存在しない。両者は同じベンチマークを一切報告していないからだ。有用な比較は、ランキングではなく、その役割を定義する次元に基づいて行われるべきである。

• 役割 — UI-Venus-2-9B: GUIエージェント、スクリーンショットからアクションへ。Qwen2.5-Omni-7B: オムニモーダルチャットと音声、あらゆるモダリティをテキストまたは音声へ。

• ベース — UI-Venus-2-9B：Qwen3.5-9B。Qwen2.5-Omni-7B：Qwen2.5世代、約7B。

• 入力 — UI-Venus-2-9B: スクリーンショット、256Kのコンテキスト履歴。Qwen2.5-Omni-7B: テキスト、画像、音声、動画のインターリーブ。

• 出力 — UI-Venus-2-9B: 推論トークン後の構造化アクション。Qwen2.5-Omni-7B: テキストまたは自然な音声。関数呼び出しなし、構造化出力なし。

• エージェントループ — UI-Venus-2-9B: クローズドな観察–推論–行動–フィードバック。 Qwen2.5-Omni-7B: なし。

• 代表的な数値 — UI-Venus-2-9B: AndroidWorld 80.2、WebVoyager 90.8（ベンダー報告）。Qwen2.5-Omni-7B: OmniBench 0.561、GSM8K 88.7、HumanEval 78.7（ベンダー報告）。

エージェントループこそが違いです。

モダリティの違いを取り除けば、本当の分かれ目は出力が言葉で終わるか、行動で終わるかです。Qwen2.5-Omni-7Bは会話エンドポイントです。マルチモーダルなプロンプトを送ると回答を返します。回答を仕事に変えるループはあなたのコードの中にあります。UI-Venus-2-9Bはタスクエンドポイントです。目標を受け取り、画面を観察し、推論し、行動し、結果を観察して再び行動するよう訓練されています。ループはモデル内部にあり、その検証機構はループを正直に保つように設計されています。だからこそ、「汎用モデルにエージェントの仕事ができるか」という問いには明確な答えがあり（いいえ——アクション空間もループもない）、「エージェントに汎用モデルの仕事ができるか」にも同様に明確な答えがあります（いいえ——音声出力も動画理解もない）。それらは代替ではなく補完関係にあり、たまたま同じファミリー名を共有しています。

ワークロードによる選択

「Qwen2.5-Omni-7B」は、回答で終わるもの、つまり音声アシスタント、マルチモーダルチャット、音声プラス動画の理解、オンデバイス対話型AIに選びましょう。1年半にわたる本番運用での熟成は、紛れもない強みです。「UI-Venus-2-9B」は、完了したタスクで終わるもの、つまりフォーム入力、Web自動化、アプリ操作、デスクトップPCの操作に選びましょう。それが完了させるように訓練されたモデルです。両方を本当に必要とするチームにとって、ファミリーの系譜が便利な点です。Qwen系はOrcaRouter上で最も層の厚いラインアップの1つであり、20以上のモデルをプロバイダー希望小売価格・0%マークアップで提供しています。そのため、Qwenの汎用モデルとQwen派生の特化モデルを切り替えるのも、あるいはそれらを組み合わせるのも（タスクを分解する汎用モデルと、それを実行するエージェント）、再統合ではなく、単一のAPI変更で済みます。現在、UI-Venus-2-9BもQwen2.5-Omni-7BもOrcaRouterを通じて提供されていません。どちらもオープンウェイトのセルフホストプロジェクトであり、ルーティング対象のプロバイダーが追加した日には、両方ともパススルー価格でプロバイダー費用として表示されるでしょう。

評決

これは勝者を決める直接対決ではありません。Qwenモデルが取り得る2つの形の間の分岐です。アプリケーションが会話型であれば、Qwen2.5-Omni-7Bは実績のある汎用モデルであり、安全なデフォルトです。アプリケーションが業務型——つまり他のソフトウェアを操作する必要があるソフトウェア——であれば、UI-Venus-2-9Bは専門特化したツールであり、新しく未実証ながら、まさにその仕事に狙いを定めています。そして、ユーザーと対話し、その後ユーザーのために何かを実行するソフトウェアを構築しているなら、答えは両方です。2つの間にルーティング層を置くのです。