Molmo2-4B vs UI-Venus-2-9B: 그 이름 중 하나는 크기인데, 그것도 틀렸다

이 모델의 이름은 9B의 UI-Venus 2입니다. 2.9B가 아니며, 2.9B 모델의 9B 버전도 아닙니다. 파일명에 있는 문자열은 세대 번호가 파라미터 수에 붙은 것입니다 — inclusionAI/UI-Venus-2-9B — 그리고 충분히 많은 레이더 피드와 목록 페이지에서 거꾸로 읽혀서, 이제 Molmo2-4B와의 비교가 마치 같은 체급의 작은 모델 두 개처럼 보입니다. 그렇지 않습니다. UI-Venus-2-9B는 Qwen3.5-9B에서 초기화된 9B GUI 에이전트로, Molmo2-4B의 4.85B보다 대략 두 배 크기이며, 둘은 완전히 다른 작업을 수행합니다. 그 패밀리에서 작은 GUI 모델을 정말 원한다면 그것은 UI-Venus-1.5-2B이며, 2B라는 숫자가 붙어야 하는 곳이 바로 여기입니다. 서로 다른 출력 계약을 가진 두 전문 모델은 라우팅 문제입니다. 공급자 정가에 대한 마크업 없음 페일오버는 둘 중 하나가 좋지 않은 오후를 보내는 상황을 처리합니다.

두 모델 모두 이 프레이밍이 시사하는 것보다 더 오래되었습니다. Molmo2-4B는 Allen Institute for AI가 2025년 12월 11일에 발표했고 가중치는 12월 14일에 공개되었습니다. UI-Venus-2-9B의 가중치는 기술 보고서 arXiv 2609.00028과 함께 2026년 8월 26일에 공개되었습니다. 최근 Molmo 쪽에서 바뀐 것은 가중치가 아니라 도구입니다. 네이티브 Transformers 지원이 2026년 10월 9일에 병합되어 10월 15일 v5.20.0에 포함되었고, 로보틱스 파인튜닝인 Molmo2-4B-tb가 11월 5일에 등장했습니다. 둘 다 출시가 아니며, 어느 것도 Molmo2-4B를 GUI 모델로 만들지 않습니다.

9B의 UI-Venus 2가 실제로 무엇인지

폐쇄 루프 인터페이스 에이전트입니다. 입력은 스크린샷이고, 출력은 추론된 행동입니다. 여기를 탭하고, 이것을 입력하고, 스크롤하는 식이며, 작업이 완료될 때까지 루프가 계속됩니다. 훈련은 다섯 가지 작업군(그라운딩, CAPTCHA, 모바일, 웹, 컴퓨터)에 걸쳐 세 단계로 진행되며, 마지막에는 도메인 전문가들을 하나의 정책으로 통합하는 다중 교사 온폴리시 증류가 이루어집니다. 이번 릴리스의 핵심은 환경 커버리지입니다. 중국어와 영어에 걸친 170개 이상의 모바일 앱, 19개 카테고리의 4,000개 이상 도메인으로 구성된 웹 풀, 그리고 처음부터 구축한 데스크톱 OS 제어가 포함됩니다.

공급업체가 직접 제시한 수치이며, 모두 모델 카드와 해당 기술 보고서에서 가져온 것입니다:

• GUI 그라운딩 — ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5, UI-Vision 53.2.

• 모바일 에이전트 — AndroidWorld 80.2, MobileWorld는 표준 스텝에서 65.8, 100스텝 예산에서 75.2, MobileGym 52.7, VenusBench-Mobile 46.5, KnowUBench 56.5, MemGUI 62.6.

• Desktop — OSWorld-Verified 70.8, DeskCraft 48.0, 그리고 OSWorld 2.0은 150단계 예산 내 108개 과제에서 7.5의 부분 점수와 함께 0.0의 이진 정확도를 기록했습니다. 그 0은 주의 깊게 읽어볼 가치가 있습니다. 그것은 엄격한 이진 지표이며, 오타가 아닙니다.

• 웹 — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys 평균 77.3, 완벽 62.0

• 안전성 — OSHarm에서 공격 성공률 11.3%, OSBlind에서 48.8%로, Qwen3.5-9B 베이스 모델의 25.3%, 79.4%와 대비됩니다.

독립적인 검증이 하나 존재한다. 2026년 10월에 공개된 PointerBench 진단 벤치마크는 UI-Venus-2-9B에 Sheets 64.2, Text 25.8, Pro 73.6, 평균 54.5점을 부여하며, 이를 가장 강력한 네이티브 GUI 그라운딩 전문 모델이라고 평가하면서도 텍스트 수준 그라운딩을 가장 약한 영역으로 지적한다. 이는 다른 작업 구성에 대한 제3자 결과이며 유용한 교정 자료다: ScreenSpot-Pro의 헤드라인 수치가 전체 그림은 아니다.

Molmo2-4B가 실제로 무엇인지

포인트 출력을 지원하는 범용 비전-언어 모델입니다. 4,850,869,200개의 파라미터, Qwen3-4B-Instruct-2507 위에 SigLIP 2 so400m 비전 타워, 36,864개 포지션, 4개 샤드에 걸친 19.42GB의 float32 가중치를 갖추고 있습니다. 이미지, 여러 이미지, 동영상을 처리하며, 이미지 너비와 높이 기준 0–1000으로 조정된 좌표를 반환하고, 입력이 동영상일 때는 타임스탬프도 함께 반환합니다. 벤더 집계 점수는 15개 학술 벤치마크 전반에서 62.8입니다.

그것에 없는 것은 공개된 GUI 수치입니다. Molmo2-4B는 UI-Venus 기술 보고서의 표에도, PointerBench 평가에도, 자체 카드의 ScreenSpot-Pro 결과에도 나타나지 않습니다. Molmo 계열의 GUI 수치 중 가장 가까운 것은 다른 모델의 것입니다: 2026년 3월 MolmoPoint 라인의 8B GUI 특화 파인튜닝 모델인 MolmoPoint-GUI-8B는 ScreenSpot-Pro에서 61.1을 보고합니다. 그것을 Molmo2-4B의 결과로 인용하는 것은 범주 오류이며, 이 둘을 비교할 때 독자가 저지르기 가장 쉬운 단일 오류입니다.

겹치는 부분은 이름이 암시하는 것보다 작습니다.

• 크기 — Molmo2-4B용 4.85B dense 대 Qwen3.5-9B에서 초기화된 9B dense 모델.

• 입력 — Molmo2-4B의 경우 이미지, 다중 이미지 및 비디오, UI-Venus-2-9B의 경우 스크린샷. 루프로 실행되며 이전 작업이 피드백됩니다.

• 출력 — Molmo2-4B용 정규화 좌표의 희소 점들; UI-Venus-2-9B용 구조화된 액션으로, 하네스가 이를 파싱한 후 장치를 구동합니다.

• 강점 — Molmo2-4B의 자연 이미지 및 비디오 그라운딩, 카운팅 및 추적; UI-Venus-2-9B의 고해상도 인터페이스에서 요소 로컬라이제이션 및 다단계 내비게이션.

• 공개된 GUI 그라운딩 — Molmo2-4B는 없음; UI-Venus-2-9B는 ScreenSpot-Pro 73.0.

• 라이선스 — Molmo2-4B의 경우 Apache 2.0 가중치에 제3자 데이터 관련 단서 조항이 붙어 있습니다. UI-Venus-2-9B 모델 카드에는 라이선스 항목 자체가 전혀 게시되어 있지 않은데, 이는 상업적 활용 전에 반드시 해결해야 할 공백입니다.

마지막 행은 세부 사항이 아닙니다. Qwen3.5-9B에서 파생된 9B 모델의 모델 카드에 라이선스 필드가 없다는 것은 README만 근거로 법무 검토가 승인할 수 있는 사안이 아닙니다. 카드 자체의 메타데이터도 도움이 되지 않습니다. Safetensors 배지에는 "1.47M params"라고 적혀 있는데, 이는 이 정도 규모의 체크포인트에 그럴듯한 크기가 아니며 샤드 메타데이터 아티팩트처럼 보입니다. 이를 전제로 계획을 세우기 전에 두 가지 모두에 대해 유지관리자에게 문의하세요.

Molmo 계열에서 GUI 그라운딩을 원한다면

정직한 경로는 Molmo2-4B가 아니다. Ai2 자체의 GUI 작업은 MolmoPoint 패밀리에 있으며, 여기서 MolmoPoint-GUI-8B는 ScreenSpot-Pro에서 61.1을 보고하는 반면 UI-Venus-2-9B는 73.0을 보고한다. 그리고 두 수치는 적어도 같은 벤치마크에서 나온 것이다. 그렇더라도 이 비교는 하네스 간 비교다. 액션 스캐폴드가 다르고, 스크린샷 전처리가 다르며, UI-Venus의 경우 직접 포인트 위치 지정을 위해 추론이 비활성화되고 온도가 0으로 설정된다는 문서화된 가정이 있다. 하네스 선택에 그렇게 민감한 벤치마크에서의 12포인트 격차는 신호이지 판결이 아니다.

Molmo2-4B가 에이전트 스택에서 실제로 잘하는 것은 버튼이 아닌 인지 단계입니다. 카메라 프레임에서 사용자가 설명한 객체를 찾아내기, 영상 전반에서 그 객체를 가리키기, 인스턴스 수 세기, 시간에 걸쳐 무언가를 추적하기 — 이런 것들이 이 모델이 훈련받은 출력이며, 그중 어느 것도 4K 스크린샷 위의 UI 요소가 아닙니다. 팀들은 흔히 두 종류의 모델을 모두 실행하게 됩니다: 인터페이스용 전문가 모델과 장면용 범용 모델입니다.

그것은 모델링 문제라기보다 라우팅 문제입니다. 두 모델은 서로 호환되지 않는 출력 계약과 서로 다른 하드웨어 프로필을 가지고 있으며, 두 모델을 둘 모두를 아우르는 단일 키 뒤에서 실행하는 것 — 한 엔드포인트가 성능 저하될 때의 페일오버와 공급자 정가에 대한 마크업 없이 — 은 비전과 아무 관련이 없는 스택 부분을 제거합니다. 또한 이 두 모델 모두 OrcaRouter 카탈로그에 없다는 점을 분명히 말할 가치가 있습니다. 둘 다 직접 호스팅하는 가중치이며, 라우팅 계층은 그 아래가 아니라 그 주위에 놓입니다.

짧은 버전

작업이 "이 앱을 조작하라"라면 UI-Venus-2-9B가 전문가이고 Molmo2-4B는 그 벤치마크에서 내놓을 것이 없습니다. 작업이 "이 사진이나 이 영상 속의 것을 가리켜라"라면 UI-Venus-2-9B는 내놓을 것이 없고 Molmo2-4B가 이 비교가 존재하는 이유입니다. 그리고 실제로 원한 것이 저렴하게 실행할 작은 GUI 모델이었다면, 올바른 비교는 애초에 이게 아니었습니다 — 2B의 UI-Venus-1.5-2B와, 그 옆에 맞출 수 있는 어떤 컴팩트 범용 모델을 비교하는 것이었습니다.