WeVisOne-VL-2B vs UI-Venus-2-9B: 이름이 감추는 크기 격차

90억 개 파라미터라는 사실은 이 맞대결의 표기만 봐서는 드러나지 않는다. 대부분 사람들이 쓰는 방식대로 — WeVisOne-VL-2B vs UI-Venus 2.9B — 적으면, 이 조합은 대략 같은 무게의 두 소형 비전 모델, 즉 텐센트 WeChat Vision 팀의 새로운 2B 체크포인트와 앤트 그룹 inclusionAI의 조금 더 큰 모델 사이의 공정한 맞대결처럼 읽힌다. 그 가정의 뒷부분은 틀렸다. UI-Venus-2-9B는 90억 개 파라미터의 UI-Venus 2이며, Qwen3.5-9B에서 초기화되었다. 여기서 "2"는 세대를 뜻하지 크기를 뜻하지 않는다. 2026년 10월 22일 Hugging Face에 공개된 WeVisOne-VL-2B는 Qwen3-VL 백본을 사용하는 20억 개 파라미터 모델이다. 따라서 실제 비교 대상은 4.5배 더 작고, 한 세대 더 오래된 백본을 쓰며, 전혀 다른 종류의 답을 내놓는 모델이다.

또한 출시 발표도 없이 등장했습니다. Hugging Face 저장소, 단 하나의 초기 커밋만 담은 GitHub 저장소, arXiv 논문, 그리고 연구 프로젝트 페이지가 있을 뿐, 이들을 하나로 묶어 주는 벤더의 발표도, 블로그 글도, 가격 페이지도 없습니다. 이 점이 이 글에서 정직하게 할 수 있는 일의 범위를 규정합니다. 가중치, 아키텍처, 라이선스 문구, 논문의 표는 오늘 확인할 수 있습니다. 독립적 평가, 처리량, 지연 시간, 가격은 확인할 수 없는데, 아직 그중 어느 것도 존재하지 않기 때문입니다. Tencent의 모델 카드는 벤치마크 수치를 전혀 공개하지 않으며, 아래에서 WeVisOne-VL-2B에 귀속된 모든 점수는 저자 자신의 7개 과제 표에서 나온 것이고 그렇게 표시되어 있습니다. UI-Venus-2-9B는 더 오래되었고 문서화가 더 잘 되어 있지만, 그 수치 역시 정확히 자기 보고 그대로입니다.

두 이름이 실제로 설명하는 것

WeVisOne-VL-2B는 지각 모델입니다. 이미지와 문구를 주면 기하학적 정보를 반환합니다: 바운딩 박스, 포인트, 개수, 이진 마스크 또는 연속 알파 매트. 언어 측은 이미지에 정규화된 <0>에서 <1000>까지의 전용 토큰으로 좌표를 출력하고, 밀집 작업에서는 id 152,678의 특수 <OBJ> 토큰으로 각 박스를 닫습니다. 그 토큰들은 mask_decoder.pt가 그 뒤의 은닉 상태를 읽기 전까지는 단지 표식일 뿐입니다 — 필수 9,511,460개 파라미터 아티팩트로, 두 번째 파일로 제공되며, 카드에서는 "필수 핵심 구성 요소이지 선택적 추가 기능이 아닙니다"라고 설명합니다. 그것 없이는 박스만 얻습니다. 그것이 있으면 마스크와 스트라이드-1 알파 매트를 얻습니다.

UI-Venus-2-9B는 에이전트입니다. 스크린샷과 작업을 주면 다음 동작, 즉 다음 탭, 클릭 또는 키 입력과 그것을 만들어낸 추론 토큰을 폐쇄된 관찰–추론–행동 루프 안에서 반환합니다. 이 모델은 그라운딩, CAPTCHA, 모바일, 웹, 컴퓨터 사용 전반에서 스크린샷만으로 이루어지는 상호작용으로 학습되었으며, 공개된 vLLM 레시피는 추론 흔적이 모든 동작보다 먼저 나오기 때문에 최대 모델 길이 262,144를 Qwen3 추론 파서와 짝지어 사용합니다.

둘을 나란히 놓으면 불일치가 즉시 드러납니다:

• 반환되는 것 — WeVisOne-VL-2B의 박스, 포인트, 개수, OCR 스팬, 마스크 및 알파 매트; UI-Venus-2-9B의 화면 액션 하나와 그 추론 트레이스.

• 파라미터 — WeVisOne-VL-2B는 2B에 별도의 9.5M 디코더가 추가됨; UI-Venus-2-9B는 9B dense로, 가중치 기준 약 4.5배.

• 백본 — {{1}}Qwen3-VL{{/1}}({{2}}WeVisOne-VL-2B{{/2}}용), 히든 크기 2,048의 텍스트 레이어 28개; {{3}}Qwen3.5-9B{{/3}}({{4}}UI-Venus-2-9B{{/4}}용). 서로 다른 세대, 서로 다른 텍스트 스택.

• 디스크상의 가중치 — 둘 다 bfloat16이지만, 2B는 약 4GB인 반면 9B는 총 약 18.8GB에 이르는 4개의 BF16 샤드로 이루어져 있습니다.

• 컨텍스트 상한 — 각각 262,144개 포지션이며, WeVisOne-VL-2B의 config와 UI-Venus-2-9B의 서빙 명령에서 확인한 값입니다. 어느 벤더도 이와 같은 것을 사용하는 사례를 보여주지 않습니다.

• 공개된 근거 — Tencent 논문에는 일곱 개의 작업 표가 있고 모델 카드에는 없음; inclusionAI의 카드에는 긴 벤더 벤치마크 목록이 있고 논문 표는 없음.

• 라이선스 — Tencent가 작성한 코드에는 Apache 2.0; UI-Venus-2-9B 가중치에는 "최종 확인 대기 중".

실질적인 결론은 둘을 서로 바꿔 쓸 수 없다는 것이며, 승자를 알려주는 어떤 기사도 당신이 하지 않은 질문에 답하고 있는 셈이다. 완벽한 매트를 반환하는 지각 모델도 여전히 버튼을 누를 수는 없다. 앱을 완벽하게 탐색하는 에이전트도 제품 촬영용으로 원했던 컷아웃을 여전히 건네줄 수는 없다.

더 작은 모델을 선택해야 한다는 주장은 2B 대 9B라는 비교가 시사하는 것보다 더 강력하다.

2B 옆에 9B가 있는 걸 보면 작은 쪽이 예산상 타협이라고 직감하기 마련이다. 하지만 그것이 학습된 작업에 관해서는 Tencent의 논문이 반대를 주장하며, 그 논문 자체의 결과 중 하나는 자사의 더 큰 공개 모델에 반박한다. 여기 있는 모든 수치는 저자들 자신의 것이고, 저자들이 직접 실행했으며, 아무도 재현하지 않았다.

• 제로샷 검출 — COCO에서 평균 F1 55.2, LVIS에서 53.3, Dense200에서 61.4, VisDrone에서 40.4를 기록했습니다. Qwen3-VL-2B 베이스라인은 같은 표에서 45.2, 40.8, 10.0, 23.1을 기록했습니다. 주목할 점은 Dense200 격차입니다: 혼잡한 장면에서 베이스 모델의 여섯 배입니다.

• 계수 — 두 PixMo-Count 분할에서는 90.9와 88.1의 정확 일치를 보였지만, CLOC에서는 27.5와 26.9, KubriCount에서는 29.5와 32.4, CountQA에서는 47.9였다. 계수는 하나의 기술이 아니며, 이 편차는 논문에서 가장 정직한 대목이다.

• OCR 로컬라이제이션 — IoU 임계값 0.5에서 HierText 30.5, ICDAR2015 42.6, TotalText 42.5, SROIE 62.1의 평균 F1입니다. 이는 좌표가 포함된 로컬라이제이션 점수이며 전사 정확도가 아니므로, 소비자용 VLM에 대해 흔히 인용되는 OCRBench 수치와는 비교할 수 없습니다.

• 참조 분할 — RefCOCO 검증에서 누적 IoU 79.7, RefCOCO+에서 73.1, RefCOCOg에서 74.4, ReasonSeg에서 gIoU 60.9.

• 프롬프트 기반 매팅 — 박스 프롬프트를 사용한 P3M-500-NP에서 평균 절대 차이 6.6으로 SAM2-Matting의 15.4에 대비; AM-2K에서 12.1에 대비해 5.7; 더 어려운 WeRefMat referring 분할에서 Qwen3-VL-8B와 SAM2-Matting 파이프라인의 23.0에 대비해 15.8. 전체적으로 낮을수록 좋습니다.

매팅 결과에서 크기 논리가 뒤집힌다. 동일한 P3M-500-NP 박스 프롬프트 테스트에서 2B는 6.6점, Tencent 자사의 4B 형제 모델은 7.3점을 기록한다. 둘 중 더 나은 매팅 결과를 내는 쪽은 작은 모델이며, Tencent는 그 이유를 설명하지 않지만 논문은 이를 그대로 싣는다. 이미지에서 객체를 잘라내는 일이 당신의 작업이라면, 이 제품군에서 가장 저렴한 변형은 다운그레이드가 아니라 현재 측정상 최선의 선택이다.

이 논문이 보여주지 않는 것도 똑같이 알아둘 가치가 있다. 일곱 개의 표 어디에도 MMMU, MMBench, DocVQA, 캡셔닝 벤치마크는 없다. 또한 한계 섹션에서는 제한된 범용 학습 데이터가 "기본 모델 대비 일반 능력을 저하시킬 수 있다"고 인정한다. 이 모델을 지각에서 뛰어나게 만든 파인튜닝이 오히려 더 나쁜 범용 어시스턴트로 만들었을 수 있지만, 출시 자료 어디에서도 이를 검증하지 않는다. 사고 연쇄 출력도, 다중 턴 기억도, 비디오 지원도 없다 — 픽셀 디코더는 비디오 그리드를 아예 거부한다.

이 문제를 판가름할 단 하나의 벤치마크는 존재하지 않는다

두 평가 스위트를 나란히 놓으면 비교 불가능성은 더 이상 기술적인 문제가 아니게 된다. UI-Venus-2-9B의 대표 결과는 환경에서의 최종 상태 성공률이다. AndroidWorld 80.2, OSWorld-Verified 70.8, WebVoyager 90.8, Online-Mind2Web 74.0, MobileWorld는 카드의 기본 스텝 예산에서 65.8, 100스텝에서 75.2다. 이 수치들은 과제가 완료되었는지를 측정하며, 지각, 계획, 기억, 오류 복구를 하나의 숫자로 합산한다.

공통 축에 가장 가까운 것은 GUI 그라운딩 — 고해상도 스크린샷에서 작은 인터페이스 요소를 찾는 작업 — 이다. UI-Venus-2-9B는 ScreenSpot-Pro에서 73.0을 기록한다. WeVisOne-VL-2B는 모델 카드, 논문, 프로젝트 페이지 어디에도 ScreenSpot-Pro 결과도, ScreenSpot-V2 결과도, 그 어떤 GUI 벤치마크도 보고하지 않는다. 반대로 WeVisOne-VL-2B는 OCR 위치 검출과 밀집 포인팅을 보고하지만, UI-Venus-2-9B는 둘 다 보고하지 않는다.

헤드라인 비교를 더욱 이상하게 보이게 하는 변수가 하나 있다. inclusionAI는 이미 Qwen3-VL 기반의 2B 모델인 UI-Venus-1.5-2B를 출시했으며, 해당 모델 카드에는 ScreenSpot-Pro에서 57.7이 보고되어 있다. 이는 8B 형제 모델의 68.4, 30B-A3B의 69.6과 대비된다. 이것이 동일한 백본 계열에서 두 라인이 모두 중시하는 단 하나의 벤치마크로 측정된, WeVisOne-VL-2B의 진정한 크기 대응 모델이다. 다만 이번 비교에서 이름이 언급된 모델은 단지 이것이 아니다.

솔직한 입장은 좁습니다. 어떤 작업에서든 WeVisOne-VL-2B를 UI-Venus-2-9B와 비교한 공개된 수치는 없고, 아무도 2B 지각 모델을 GUI 그라운딩 세트에서 실행하지 않았습니다. ScreenSpot-Pro에서 WeVisOne-VL-2B를 실행하는 것은 이 비교에서 가장 유용하게 빠져 있는 단일 측정입니다. 그것은 2B 지각 전문가가 인터페이스 요소를 9B 에이전트보다 더 잘 찾는지 아니면 더 못 찾는지를 알려줄 것이며, 누군가 그것을 실행하기 전까지 이 둘을 요소 찾기 성능으로 순위 매기는 사람은 아키텍처에서 추론하는 것입니다.

객체가 없을 때 각각이 수행하는 작업

객체가 없을 때의 동작은 인식 모델이 조용히 실패하는 지점입니다. 소화기가 없는 방에서 소화기를 요청하면, 항상 답하는 모델은 자신 있게 라디에이터를 바운딩 박스로 표시할 것입니다. 그리고 자동화 파이프라인에서 이것은 자산 라이브러리의 환각 객체가 되거나, 에이전트 루프에서의 엉뚱한 탭이 됩니다.

WeVisOne-VL-2B는 대신 None이라고 답하며, 논문은 거부(rejection)를 정확도 옆의 독립 지표로 보고한다. RefCOCOg에서 부재 객체 질의에 대해 거부율 50.2를 보고하는데, 같은 표에서 Rex-Omni-3B는 0.5, LocateAnything-3B는 0.6이다. 이는 재현율 최대화와는 다른 설계 목표이며, 작은 모델을 구성요소로 쓸 수 있게 만드는 숫자다. "존재하지 않음"이라고 말하는 기하 레그는 플래너에 안전하게 투입할 수 있지만, 상자를 만들어내는 레그는 조용히 플래너를 오염시킨다.

UI-Venus-2-9B는 행동 측면에서 같은 문제에 접근하며, UI-Venus 계열의 거부 인식 그라운딩을 계승합니다. 즉, 요청된 요소가 화면에 없을 때 그럴듯한 좌표를 추측하는 대신 거절하도록 훈련되었습니다. 안전성 표는 주장하는 효과를 보여 줍니다. OSHarm에서 공격 성공률이 11.3%로, Qwen3.5-9B 베이스의 25.3%보다 낮고, OSBlind에서는 48.8%로 79.4%보다 낮습니다. 이 카드는 또한 이것이 유해 행동 위험을 제거하지는 않는다는 점을 분명히 하며, 사람의 확인과 애플리케이션 수준의 보호 조치를 권장합니다. 두 팀 모두 커버리지보다 기권을 선택했지만, 어느 쪽도 그 선택을 독립적으로 측정받은 적은 없습니다.

9B 옆에서 2B 실행하기

이 두 모델의 진실한 관계는 경쟁이 아니라 순서입니다. 하나는 기하 정보를 반환하고, 다른 하나는 그 정보를 토대로 행동합니다. 화면 자동화 시스템을 구축한다면, 설득력 있는 아키텍처는 WeVisOne-VL-2B를 앞단에 두어 무엇이 어디에 있는지 — 박스, OCR 스팬, 마스크 — 를 보고하는 역할을 맡기고, UI-Venus-2-9B를 그 뒤에 두어 무엇을 할지 결정하는 역할을 맡깁니다. 이는 경쟁이 아니라 조합이며, 이 짝이 운영상 의미를 갖는 유일한 구도입니다.

메모리 덕분에 그 구성은 한 머신에서 저렴해진다. bfloat16에서 2B 백본은 디코더 이전 가중치가 대략 4GB이고, 9B는 네 개의 샤드에 걸쳐 약 18.8GB이다. 둘 다 컨텍스트를 위한 여유를 남기고 24GB 카드 한 장에 들어가며, 2B만은 8GB 카드에 들어간다는 점이 더 흥미로운 사실이다. 컨텍스트 상한은 262,144 위치로 일치하지만, 의미하는 바는 다르다. 에이전트는 긴 컨텍스트를 에피소드 메모리로 사용해 스크린샷 이력을 보관하는 반면, 지각 모델의 공개 평가는 이미지당 대략 1,960개의 시각 토큰으로 실행된다. 단일 턴의 이미지 전용 모델에서 256K 윈도는 상한일 뿐, 입증된 능력은 아니다.

비용은 두 형태가 갈라지는 지점이다. 어느 벤더도 토큰당 가격을 공개하지 않으므로, 둘 다 실제 비용은 직접 임대하거나 보유한 하드웨어의 GPU 시간이다. 에이전트는 매 단계마다 9B 순전파에 추론 토큰까지 지불하며, 하나의 에피소드는 여러 단계로 이루어진다 — 이는 스펙 카드만으로는 예측할 수 없는 숫자다. 지각 모델은 이미지당 2B 순전파에 디코더 순전파를 더해 지불하며, 이미지 하나가 호출 하나다. 제품 사진 10만 장은 이미지당 계산으로 예측 가능하지만, 브라우저 작업은 그렇지 않다.

이 지점은 또한 라우팅 계층이 구호가 아니라 제 역할을 하는 곳이기도 합니다. 두 모델 모두 현재 OrcaRouter에 없습니다 — 실제 209개 모델 카탈로그와 대조해 확인했으며, WeVisOne-VL-2B의 카드에는 어떤 추론 제공업체에서도 배포되지 않았다고 명시되어 있습니다. 우리가 실제로 제공하는 모델의 경우 유용한 속성은 하나의 OpenAI 호환 엔드포인트, 제공업체 정가를 그대로 전달하는 0% 마크업, 하나의 인터페이스 뒤에서 여러 모델 호출을 구성하는 라우팅 DSL, 그리고 자동 장애 조치입니다. 위와 같은 2단 아키텍처에서 DSL은 구성이 존재하는 곳이자 호출자를 다시 작성하지 않고 어느 쪽 레그든 교체할 수 있는 곳입니다. 이 두 모델 중 하나라도 제공업체에 올라오는 날, 그것이 당신의 스택에 속하는지 알아내는 가장 저렴한 방법이 바로 이것입니다.

라이선스, 가격, 그리고 아무도 확인하지 못한 것

WeVisOne-VL-2B의 카드는 "이 저장소에서 Tencent가 작성한 코드"에 Apache 2.0을 부여한다고 명시하며, 이는 대부분의 팀이 원하는 관대한 답변입니다. 한 가지 세부 사항이 이를 복잡하게 만듭니다. GitHub API는 저장소 라이선스를 SPDX 식별자 없이 "Other"로 보고합니다. 이러한 진술이 반드시 충돌하는 것은 아닙니다. 타사 구성 요소는 자체 조건을 유지하기 때문입니다. 하지만 이는 제품에 적용되기 전에 배지를 액면 그대로 받아들이기보다 라이선스 파일을 읽어볼 가치가 있다는 뜻입니다.

UI-Venus-2-9B의 카드는 아직 해결되지 않은 항목이다. 카드에는 모델 가중치 라이선스가 최종 확인을 기다리고 있으며 공개 릴리스 전에 추가될 것이라고 적혀 있고, 업스트림 자료에 서로 상충하는 라이선스 문구가 포함되어 있기 때문에 이전의 Apache-2.0 선언은 의도적으로 이어받지 않았다고 명시되어 있다. 그 문장은 8월부터 카드에 있었고 바뀌지 않았다. 그것이 평가나 대부분의 내부 사용을 막지는 않지만, 그 가중치를 기반으로 만든 외부 제품은 미해결 문제 위에 세워진 것이며, 어떤 벤치마크 점수도 그것을 해결하지 못한다.

두 모델 모두 공급업체가 정한 가격이 없습니다. WeVisOne-VL-2B에는 추론 제공자도, 요금표도 없습니다. UI-Venus-2-9B에는 자사 엔드포인트도 없고 inclusionAI가 공개한 가격도 없으므로, 제3자 호스트가 청구하는 금액은 해당 호스트의 수치일 뿐 팀의 수치가 아닙니다.

어느 걸 고를까?

그 결정은 순위가 아니라 직무 기술서입니다.

• 필요한 답이 기하 정보라면 — 주석 파이프라인에 넣을 박스, 편집 도구용 마스크, 제품 이미지용 알파 매트, 밀집된 프레임 속 개수, 또는 좌표가 붙은 OCR — WeVisOne-VL-2B를 선택하세요. 특히 소형 하드웨어에서 필요하다면 더욱 그렇습니다. 이 모델은 여기서 텍스트 프롬프트로 매트를 반환하는 유일한 모델이며, 매팅에서는 자사의 더 큰 형제 모델을 능가하고, 라이선스는 확정된 것입니다.

• 필요한 답이 완료된 작업—양식 작성, 앱 탐색, CAPTCHA 해결, 데스크톱 워크플로 실행—이라면 UI-Venus-2-9B를 선택하세요. 당신은 에이전트 루프를 구매하는 것이며, 라이선스가 미해결이고 이 규모에서는 장기적인 데스크톱 작업이 해결되지 않았다는 점을 알고 시작해야 합니다 — 카드 자체의 OSWorld 2.0 수치는 부분 7.5, 바이너리 0.0입니다.

• 실제로 원했던 것이 작은 GUI 그라운더였다면 대신 UI-Venus-1.5-2B를 선택하세요. 이는 inclusionAI 라인업의 2B, Qwen3-VL 기반 모델이며, ScreenSpot-Pro에서 57.7을 기록하고, 이 매치업의 이름이 암시하지만 명시하지는 않는 크기가 일치하는 비교 대상입니다.

• 정밀하게 보고 그다음 행동해야 하는 화면 자동화를 만든다면 둘을 순차적으로 실행하세요 — 기하학 구간이 먼저, 에이전트 구간이 다음, GPU 하나로.

• 잠깐, 만약 WeVisOne-VL-2B의 GUI 그라운딩 수치가 당신의 결정이 달려 있는 바로 그 값이라면, 그것은 아직 존재하지 않으며, 매개변수 수에서 그것을 추측하는 것은 방법이 아닙니다.

이 답변을 바꾸려면 무엇이 필요할까요?

유용한 순서대로 네 가지입니다. WeVisOne-VL-2B의 ScreenSpot-Pro 또는 ScreenSpot-V2 실행은 이 글의 핵심 공백을 비교로 바꿔 줄 것이며, 이 모델이 출시된 지 하루밖에 안 됐고 Apache 2.0이라는 점을 감안하면 GPU와 평가 하네스가 있는 사람이라면 누구나 주말이면 할 수 있는 작업입니다. UI-Venus-2-9B의 라이선스 문제를 해결하면 어떤 정확도 수치로도 반박할 수 없는 유일한 걸림돌이 사라질 것입니다. 추론 제공업체가 두 모델 중 하나를 목록에 올리면 GPU 시간 계산이 실제 가격으로 대체될 것입니다. 그리고 더 작은 모델이 왜 더 잘 맞는지 설명하는 4B-to-2B 비교는 구매자에게 이 제품군의 이름이 과연 의미가 있는지 알려 줄 것입니다.

그때까지 이 둘을 다루는 유용한 방식은 리더보드에서 경쟁자로 보는 것이 아니라 서로 다른 도구로 보는 것입니다. 하나는 이미지를 측정하고, 다른 하나는 화면에서 작동합니다. 이 매치업의 이름은 당신이 거의 동등한 소형 모델들 중에서 선택하고 있음을 암시합니다. 당신은 2B 전문가와 9B 에이전트 사이에서 선택하고 있으며, 그들이 진정으로 공유하는 유일한 것은 거절하는 습관입니다.