WeVisOne-VL-4B 대 UI-Venus-2-9B: 하나는 마스크를 반환하고, 다른 하나는 클릭을 반환한다

동일한 결제 페이지 스크린샷을 WeVisOne-VL-4B와 UI-Venus-2-9B에 건네면 두 가지 다른 종류의 답이 나온다. 첫 번째는 기하학적 정보를 준다. 장바구니 아이콘을 둘러싼 박스, 할인 필드 주변의 세그멘테이션 마스크, 제품 사진을 배경에서 분리해 내는 알파 매트가 그것이다. 두 번째는 동작을 준다. 다음 탭의 좌표와 그 좌표를 도출한 추론이 그것이다. Tencent의 WeChat Vision 팀은 별도 발표 없이 WeVisOne-VL-4B를 Hugging Face에 공개했고 기술 논문 날짜를 2026년 10월 23일로 표기했다. inclusionAI의 UI-Venus-2-9B는 2026년 8월 26일부터 내려받을 수 있다. 둘은 같은 모달리티 라벨 아래 분류되지만 서로 대체재가 아니다.

그렇기 때문에 이 비교의 중심에는 특이한 문제가 하나 있습니다. 두 모델은 공통으로 가진 벤치마크가 없습니다. 두 카드 모두에 나타나는 점수는 단 하나도 없습니다. 둘 다 독립적으로 평가된 적이 없고, 어느 쪽도 추론 제공업체에 의해 배포되고 있지 않으며, 어느 쪽도 공개된 가격이 없습니다. 정직하게 비교할 수 있는 것은 각 모델이 무엇을 출력하는지, 각 모델이 거부하도록 어떻게 훈련되었는지, 실행 비용은 얼마인지, 그리고 어떤 라이선스로 배포하게 될지입니다. 그래서 이 글은 바로 그것을 다루며, 공급업체가 보고한 수치가 등장할 때마다 이를 공급업체 보고 수치로 명시합니다.

두 모델은 같은 질문에 답하고 있는 것이 아니다

WeVisOne-VL-4B는 지각 모델입니다. Qwen3-VL 백본 위에 구축되며, 두 번째 아티팩트로 제공되는 필수 960만 파라미터 픽셀 디코더인 mask_decoder.pt를 추가합니다. 이 디코더는 언어 모델의 박스 예측을 인스턴스 마스크로, 그다음 스트라이드-1 알파 매트로 변환합니다. 좌표는 <0>부터 <1000>까지를 아우르는 전용 토큰으로 출력되고 이미지에 정규화되며, 특수 <OBJ> 토큰(id 152,678)이 밀집 작업에서 각 박스를 닫습니다. 논문의 작업 목록은 기하학 목록입니다: 오픈 어휘 검출, 지시 기반 위치화, 계수, 포인팅, OCR 위치화, 지시 기반 분할, 프롬프트 가능한 알파 매팅.

UI-Venus-2-9B는 에이전트입니다. 이 모델은 Qwen3.5-9B에서 초기화되었으며, 중간 학습(mid-training), 오프라인 스텝 수준 강화 학습, 다중 교사 온-폴리시 증류(multi-teacher on-policy distillation)를 통해 그라운딩, CAPTCHA, 모바일, 웹, 컴퓨터의 다섯 가지 태스크 패밀리에 걸친 스크린샷 전용 상호작용 데이터로 학습되었습니다. 이 모델의 출력은 관찰–추론–행동의 폐쇄 루프 안에서 이루어지는 하나의 행동이며, vLLM 레시피는 --max-model-len 262144를 --reasoning-parser qwen3와 함께 사용하는데, 이는 모델이 모든 행동에 앞서 추론 토큰을 생성하기 때문입니다.

사양을 나란히 놓고 보면 차이가 즉시 드러납니다:

• 출력되는 것 — WeVisOne-VL-4B의 박스, 포인트, 마스크 및 알파 매트; UI-Venus-2-9B의 액션 하나와 그 추론 트레이스.

• 백본 — WeVisOne-VL-4B에는 Qwen3-VL, UI-Venus-2-9B에는 Qwen3.5-9B. 세대도 다르고 텍스트 스택 계열도 다릅니다.

• 크기 — "4B"라는 이름에도 불구하고 저장소에는 5B 파라미터가 기재되어 있으며, 별도의 9.6M 파라미터 디코더가 있습니다. UI-Venus-2-9B의 경우 4개의 BF16 샤드에 걸친 9B dense 모델로, 약 18.8GB입니다.

• 가중치 형식 — WeVisOne-VL-4B 카드에서는 F32 safetensors이며, 이는 이 크기에서는 이례적이고 다운로드 용량이 파라미터 수가 시사하는 것보다 커지게 합니다; UI-Venus-2-9B는 BF16입니다.

• 라이선스 — WeVisOne-VL-4B는 Apache 2.0, UI-Venus-2-9B는 "최종 확인 대기 중".

실질적인 귀결은 둘을 서로 바꿔 쓸 수 없다는 것이며, 승자를 알려주는 어떤 글도 당신이 묻지 않은 질문에 답하는 셈이다. 완벽한 마스크를 반환하는 지각 모델도 여전히 클릭할 수는 없다. 완벽하게 클릭하는 에이전트도 제품 촬영을 위해 당신이 원했던 매트를 건네줄 수는 없다.

두 팀이 진정으로 겹치는 지점: 두 팀 모두 각자의 모델에게 '아니오'라고 말하도록 가르쳤다

두 릴리스가 공통으로 내린 단 하나의 설계 결정이며, 이 조합에서 가장 흥미로운 지점입니다. 오픈 어휘(open-vocabulary) 로컬라이제이션 모델은 특정하고도 값비싼 방식으로 실패합니다. 소화기가 없는 방에서 소화기를 찾으라고 요청하면, 언제나 답을 내놓는 모델은 자신 있게 라디에이터에 박스를 쳐버립니다. 다운스트림에서 그것은 에셋 파이프라인에 존재하지 않는 객체가 들어오거나, 자동화 루프에서 엉뚱한 곳을 탭하는 결과가 됩니다.

WeVisOne-VL-4B는 None을 반환하여 이를 처리하며, 논문은 거부율을 정확도와 함께 별도 지표로 보고합니다. RefCOCOg에서 4B 모델은 67.4의 거부율에 도달했으며, 해당 모델의 Qwen3-VL-4B 베이스는 18.8입니다. WeChat 내부의 WeRef-Bench에서는 베이스 모델의 61.9에 대해 96.4의 거부율을 보고하고, Ref-ZOM에서는 UniPixel-7B의 0.3에 대해 86.0을 보고합니다. 이는 오늘 발표된 논문의 자체 보고 수치이며, 거부 벤치마크는 대부분 저자들이 직접 만든 것이므로 방향성은 신뢰할 만하지만 정확한 격차는 검증되지 않은 것으로 보세요.

UI-Venus-2-9B는 에이전트 측에서 같은 문제에 접근하며, UI-Venus 계열의 거부 인식 그라운딩을 계승합니다. 이 모델은 요청된 요소가 화면에 없을 때 그럴듯한 위치를 추측하기보다 거부하도록 훈련되었습니다. 그라운딩 수치인 ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5는 벤더가 보고한 수치이며, 모델 카드에는 이것이 유해 행위 위험을 없애지는 않는다는 점을 명확히 밝히고 인간 확인과 애플리케이션 수준의 안전장치를 권장합니다. 안전성 표에는 이 모델이 주장하는 효과가 나와 있습니다. OSHarm에서 공격 성공률은 11.3%로 Qwen3.5-9B 베이스의 25.3%와 대비되며, OSBlind에서는 48.8%로 79.4%와 대비됩니다.

두 모델 모두 로컬라이저가 거짓말하는 것을 본 팀들이 만들었고, 두 모델 모두 커버리지보다 기권을 택했습니다. 애플리케이션의 실패 모드가 "자신 있게 틀리는 것"이라면, 그 공통된 우선순위는 파라미터 수보다 더 중요합니다.

Tencent의 모델 카드가 보여주지 않는 숫자들

지금까지 WeVisOne-VL-4B에 관한 모든 글은 한 가지를 정확히 말해 왔습니다: 모델 카드에는 벤치마크가 공개되어 있지 않다는 것입니다. 기술 논문에는 공개되어 있으며, 그 논문은 2026년 10월 23일에 나왔습니다. 그래서 이것이 아직 널리 퍼지지 않은 이야기의 일부입니다. 이 모든 수치는 저자들이 스스로 보고한 것이고, 어느 것도 독립적으로 재현되지 않았으며, 모델은 이제 겨우 하루 되었습니다 — 그러니 이것들을 확정된 결과가 아니라 윤곽을 지닌 주장으로 읽어야 합니다.

자체 Qwen3-VL-4B 베이스와 비교했을 때, 그 격차는 충분히 커서 크게 감안하더라도 흥미로울 만하다:

• 탐지, COCO 제로샷 평균 F1 — WeVisOne-VL-4B는 57.1, Qwen3-VL-4B는 48.7이며, LVIS에서는 55.3 대 44.0입니다.

• 탐지, Dense200 평균 F1 — 71.3 대 15.2. 이것은 논문 표의 오타가 아닙니다. 밀집된 소형 객체 장면은 기본 모델이 붕괴되는 곳입니다.

• Referring detection, RefCOCOg val — 80.8 대 74.1, 거부율은 67.4 대 18.8.

• 카운팅, PixMo-Count val 정확 일치 — 93.7 대 69.6; MixCount val에서는 42.0 대 3.5.

• 포인팅, PointBench F1 — 71.9 대 57.1.

• OCR 위치 인식, SROIE 평균 F1 — 68.1 대 40.4, PP-OCRv5의 58.6보다 앞섬.

• 참조 분할, ReasonSeg val gIoU — LISA-13B의 65.0 대비 71.2.

• 프롬프트 기반 매팅, AM-2K 박스 프롬프트 MAD — SAM2-Matting의 12.1 대비 5.0; WeRefMat 참조 프롬프트에서는 51.9 대비 9.8.

매팅 결과는 잠시 멈춰 볼 만한 대목인데, 이 가격대에서 프롬프트를 통해 제공되는 다른 어떤 기능도 없는 역량이기 때문이다. 비전-언어 모델에 "사람, 알파 매트로"라고 요청해 MAD에서 SAM2 매팅 파이프라인을 능가하는 스트라이드-1 출력을 얻는 것은 마스크를 붙인 검출 헤드와는 다른 제품이다. 또한 논문이 자사 4B에 가장 호의적이지 않은 지점이기도 하다. P3M-500-NP 박스 프롬프트에서 2B 모델은 6.6 MAD를 기록해 4B의 7.3 MAD와 대비되므로, 더 큰 변형이 일률적으로 더 나은 것은 아니며 저자들도 이를 그대로 실었다.

UI-Venus-2-9B의 수치는 무엇을 측정하며, 왜 전이되지 않는가

두 벤치마크 스위트를 나란히 놓으면 그 비교 불가능성은 더 이상 기술적인 사소한 문제가 아니다. UI-Venus-2-9B의 대표 결과는 모두 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, 이는 지각, 계획, 기억, 오류 복구를 하나의 수치로 합쳐 놓은 것이다.

공유 축에 가장 가까운 것은 GUI 그라운딩이다. UI-Venus-2-9B는 고해상도 스크린샷에서 작은 인터페이스 요소를 찾는 벤치마크인 ScreenSpot-Pro에서 73.0을 기록하며, WeVisOne-VL-4B는 이를 보고하지 않는다. WeVisOne-VL-4B는 OCR 위치 지정 및 밀집 포인팅 결과를 기록하지만, UI-Venus-2-9B는 이를 보고하지 않는다. 따라서 정직한 입장은 이 비교에 가장 유용한 단일 수치가 아직 존재하지 않는다는 것이다. ScreenSpot-Pro에서 WeVisOne-VL-4B를 실행하면 5B 지각 전문 모델이 버튼 찾기에서 9B 에이전트를 이기는지 알 수 있을 것이며, 누군가 그것을 실행하기 전까지 이 둘을 그라운딩 기준으로 순위 매기는 사람은 추측하는 것이다.

에이전트 자체 테스트 모음도 약점을 공개적으로 드러냅니다. OSWorld 2.0에서 9B 모델은 부분 점수 7.5, 이진 점수 0.0을 기록합니다. 27B 형제 모델은 부분 점수 13.2, 이진 점수 2.8에 도달합니다. 이 규모에서는 장기적 데스크톱 작업이 해결되지 않으며, 카드에도 그렇게 명시되어 있습니다.

그들을 서비스하는 것이 벤치마크 격차보다 더 큰 격차입니다.

다음 주에 무엇을 실행할지 결정하는 팀에게는 어떤 점수보다 운영상의 차이가 더 중요할 것입니다. UI-Venus-2-9B는 vLLM 명령 하나로 시작하는 단일 모델이며, 텐서 병렬성이 1인 OpenAI 호환 엔드포인트를 노출합니다. WeVisOne-VL-4B는 GitHub에서 가져온 추론 패키지와 별도의 디코더 아티팩트가 필요하고, task 인수가 있는 자체 WeVisOneVL(...) 래퍼를 통해 호출됩니다 — predict(image, task="matting", query="person", temperature=0.0). 카드에는 Transformers, vLLM, SGLang 경로가 문서화되어 있지만 픽셀 디코더는 선택 사항이 아닙니다. 언어 모델만으로는 마스크를 생성할 수 없습니다.

메모리는 파라미터 수가 시사하는 것보다 더 가깝습니다. bf16에서 5B 백본은 디코더 이전에 대략 10GB이며, UI-Venus-2-9B의 네 샤드에 대해서는 약 18.8GB입니다. 둘 다 가중치를 위해 단일 24GB 카드에 들어갑니다. 차이는 컨텍스트를 위해 얼마나 많은 공간이 남느냐입니다.

맥락에 관해서는 두 구성이 일치하는데, 이 일치는 과대해석하기 쉽습니다. WeVisOne-VL-4B의 구성은 max_position_embeddings를 262,144로 제공합니다 — UI-Venus-2-9B가 262,144의 최대 모델 길이로 제공하는 것과 동일한 상한입니다. 하지만 둘은 이것을 서로 다른 목적으로 사용합니다. 에이전트는 긴 맥락을 에피소드 메모리로 취급해 한 작업의 스크린샷 이력을 보관하는 반면, 지각 모델의 공개된 평가는 이미지당 1,960개의 시각 토큰에서 실행됩니다. 단일 턴 이미지 전용 모델에서 256K 윈도는 상한일 뿐 입증된 능력이 아니며, 카드에는 비디오 그리드가 픽셀 디코더에 의해 곧바로 거부된다고 명시되어 있습니다.

라이선스: 이 중 하나는 확정되었고 하나는 확정되지 않았습니다.

WeVisOne-VL-4B는 Apache 2.0 라이선스이며, Tencent가 작성한 코드도 동일한 조건으로 제공됩니다. 이 코드를 읽고, 포크하고, 제품에 탑재하더라도 변호사와 상담할 필요가 없습니다.

UI-Venus-2-9B의 카드에는 모델 가중치 라이선스가 최종 확인 대기 중이며 공개 출시 전에 추가될 것이라고 명시되어 있고, 이전의 Apache-2.0 선언은 업스트림 자료에 상충하는 라이선스 진술이 포함되어 있어 의도적으로 이어받지 않았다고 합니다. 그 문장은 8월부터 카드에 있었고 바뀌지 않았습니다. 그것이 모델을 평가하는 것을 막지는 않으며 대부분의 조직에서 내부 사용을 막지도 않지만, 그 가중치 위에 구축된 외부 제품은 해결되지 않은 문제 위에 구축된 것이며, 아무리 높은 벤치마크 점수도 그것을 해결하지 못합니다. 출시할 의도로 이 둘 중 하나를 선택하고 있다면, 라이선스 열이 정확도 열보다 더 빨리 결정을 내려 줍니다.

둘 다 가격이 없다는 점을 감안할 때, 각각의 비용은 얼마인가

두 모델 모두 공급업체가 설정한 토큰당 가격은 없습니다. WeVisOne-VL-4B의 페이지에는 어떤 추론 제공업체도 이를 배포하지 않는다고 나와 있습니다. UI-Venus-2-9B에는 자사 엔드포인트가 없고 inclusionAI가 공개한 요금표도 없으므로, 제3자 호스트가 이에 대해 부과하는 금액은 해당 호스트의 숫자일 뿐 팀의 숫자가 아닙니다. 두 모델 모두 비용은 직접 임대하거나 보유한 하드웨어의 GPU 시간입니다. 따라서 비교는 "입력 가격 대 출력 가격"이 아니라 "GPU 카드가 몇 장 필요한지, 초당 이미지 몇 장을 처리하는지"입니다.

두 논문 모두 처리량이나 지연 시간을 발표하지 않으므로, 두 번째 수치는 둘 다 알 수 없다. 알 수 있는 것은 형태다. UI-Venus-2-9B는 에피소드의 매 단계마다 9B 순전파와 추론 토큰 비용을 치르며, 에이전트 에피소드는 여러 단계로 이루어진다. WeVisOne-VL-4B는 이미지당 5B 순전파와 디코더 순전파 비용을 치르며, 이미지 하나가 호출 하나다. 작업 부하가 10만 장의 제품 사진이라면 인식 모델의 경제성은 이미지당이며 예측 가능하다. 브라우저 작업이라면 에이전트 비용은 작업이 수행하는 행동 수에 비례하는데, 그것이 바로 카드에서 예측할 수 없는 수치다.

이 지점은 또한 라우팅 계층이 구호가 아니라 존재 가치를 입증하는 곳입니다. 오늘날 두 모델 모두 OrcaRouter에 없으며, 이 글은 그 사실을 다르게 포장하지 않겠습니다 — WeVisOne-VL-4B는 추론 제공자가 전혀 없고, UI-Venus-2-9B는 자체 카탈로그가 아니라 타사 호스팅을 통해 제공됩니다. OrcaRouter가 실제로 서비스하는 모델에 제공하는 것은 200+개 모델에 걸친 하나의 OpenAI 호환 엔드포인트를 0% 마크업으로 제공하는 것이며, 제공업체 정가가 변경 없이 그대로 전달되므로 공급업체의 가격 인하가 다음 계약 갱신 때가 아니라 발생 당일 고객에게 도달합니다. 인식 모델과 에이전트 모델을 순차적으로 호출하는 아키텍처에서 라우팅 DSL은 그 구성이 구현되는 곳입니다 — 두 번의 모델 호출, 어느 쪽 다리든 교체할 수 있는 한 곳 — 그리고 자동 페일오버는 뒤에 있는 모델이 에피소드 중간에 성능이 저하될 때 에이전트 루프를 살아 있게 유지하는 것입니다. 이 두 모델 중 어느 하나라도 제공업체에 출시되는 순간, 그것이 여러분의 스택에 속하는지 알아내는 가장 저렴한 방법이 바로 이것입니다.

어느 걸 고를까?

그 결정은 순위가 아니라 직무 기술서입니다.

• 필요한 출력이 기하 정보라면 WeVisOne-VL-4B를 선택하세요. 예를 들어 주석 파이프라인에 넣을 바운딩 박스, 편집 도구용 마스크, 제품 이미지용 알파 매트, 조밀한 항공 프레임 속 객체 수, 좌표가 함께 제공되는 OCR 등입니다. 오픈 5B급에서 텍스트 프롬프트로 매트를 반환하는 모델은 이것뿐이며, SAM2 파이프라인과 비교한 논문의 매팅 수치는 이번 공개에서 가장 강력한 주장입니다.

• 필요한 결과물이 완료된 작업 — 작성이 끝난 양식, 탐색이 끝난 앱, 풀린 CAPTCHA, 스크린샷으로 구동된 데스크톱 워크플로 — 이라면 UI-Venus-2-9B를 선택하세요. 이 모델은 OpenAI 호환 엔드포인트와 함께 단 하나의 vLLM 명령으로 배포되므로, 일주일이 아니라 하루면 되는 작업이며, AndroidWorld와 WebVoyager 결과는 여러분의 환경과 대조해 볼 수 있는 수치입니다.

• 독립적인 증거, 공개된 가격, 또는 출시 제품을 위한 확정된 라이선스가 필요하다면 아직 둘 중 어느 것도 선택하지 마세요. UI-Venus-2-9B의 라이선스와 두 모델의 벤치마크 모두에서 이 세 가지가 빠져 있습니다.

• 화면을 단순히 클릭해 넘기는 것이 아니라 이미지를 조작해야 하는 에이전트를 만든다면 두 모델을 모두 고려하세요. 흥미로운 점은 이 조합입니다. UI-Venus-2-9B는 어디에서 행동할지 결정하고, WeVisOne-VL-4B는 그 행동이 목표로 한 픽셀 단위로 정확한 결과물을 생성합니다. 이 방식은 단계마다 모델 호출이 두 번 드는 대신, 어느 한 모델만으로는 얻을 수 없는 정밀도를 확보합니다.

이 답변을 바꾸려면 무엇이 필요할까요?

그것을 얼마나 크게 움직일지 순서대로 네 가지.

WeVisOne-VL-4B의 ScreenSpot-Pro 실행. 그것은 양측 모두가 그럴듯하게 택할 수 있는 유일한 벤치마크이며, 절반 크기의 지각 전문가가 목적 특화 UI 에이전트보다 위치 파악을 더 잘하는지 판가름할 것이다. GPU와 반나절만 있으면 누구나 만들어낼 수 있지만, 아무도 해내지 못했다.

{{1}}두 모델 중 어느 쪽{{/1}}에 대한 독립적인 평가. 이 글의 모든 수치는 그 모델을 만든 팀이 작성한 모델 카드나 논문으로 거슬러 올라갑니다. 그것은 출시일에는 정상이지만, 그 부재는 여전히 남아 있습니다.

UI-Venus-2-9B의 라이선스가 확정된 상황. "최종 확인 대기 중"이라는 표시가 카드에 8주째 붙어 있습니다. 관대한 조건으로 확정된다면 이 에이전트는 상업적 작업에 추천하기가 훨씬 쉬워지고, 그렇지 않다면 그것은 질문에 정반대 방향으로 답하는 셈입니다.

둘 중 어느 쪽이든 퍼스트파티 엔드포인트가 필요하다. 현재 어느 벤더도 자사 모델을 직접 서빙하지 않으며, 이 때문에 사용자층은 서빙 스택을 운영할 의향이 있는 팀으로, WeVisOne-VL-4B 쪽에서는 커스텀 추론 패키지를 구동할 의향이 있는 팀으로 제한된다. 벤더가 공개한 요율이 있다면 비용 비교는 단순 계산에서 개별 비용 항목 비교로 바뀔 것이다.

그때까지의 공정한 요약은 이렇습니다: Tencent는 이전의 어떤 소형 오픈 모델도 하지 못한 일을 하는 인식 툴킷을 내놓았고, 자체 벤치마크 표가 아직 읽히지 않았을 만큼 조용히 진행했습니다. 그리고 Ant Group은 한 달 반 앞서 실행하기는 더 쉽고 라이선스하기는 더 어려운 에이전트를 내놓았습니다. 이 둘은 경쟁자가 아닙니다. 둘이 공유하지 않는 벤치마크에서 다른 쪽이 더 높은 점수를 받았다는 이유로 하나를 고르는 것이 실수일 것입니다.