LFM3-VL-2B kontra UI-Venus 2.9B: 2.9B, które w rzeczywistości jest 9B

Nie istnieje model o nazwie UI-Venus 2.9B. Checkpoint w inclusionAI/UI-Venus-2-9B to UI-Venus-2-9B — druga wersja agenta UI-Venus od Ant Group, o 9 miliardach parametrów, zbudowana na Qwen3.5-9B. Nazwa katalogu wygląda jak liczba dziesiętna, ale nią nie jest. W zestawieniu z LFM3-VL-2B o 1,92 miliarda parametrów oznacza to porównanie 2B z 9B noszące etykietę 2B kontra 2B.

Ten błąd ma znaczenie, ponieważ zmienia pytanie. Gdyby oba modele miały około 2B, porównałbyś wiersze benchmarków i wybrał lepszy. W przypadku 9B kontra 2B mniejszy model nie konkuruje na tym samym sprzęcie, a większy wcale nie jest ogólnym modelem wizyjnym. UI-Venus-2-9B to agent GUI wyszkolony do obsługi telefonów, przeglądarek i pulpitów na podstawie zrzutów ekranu. LFM3-VL-2B to ogólny model wizyjno-językowy, który akurat obejmuje kategorię GUI wśród swoich 62 benchmarków. Zakres wspólny jest węższy, niż sugeruje nazewnictwo.

Jak nazwa została przekręcona

Konwencja nazewnicza Ant Group to rodzina-wersja-rozmiar. UI-Venus-2-9B odczytuje się jako UI-Venus, generacja 2, 9B parametrów. Katalog lub radar, który rozdziela po myślnikach i szuka kropki dziesiętnej, odczytuje „2-9” jako „2.9”, i tak model 9B trafia do tej samej kategorii co modele 2B. Ta sama konwencja daje UI-Venus-2-27B, większego brata, a oba zostały opublikowane razem pod koniec sierpnia 2026 r.

To nie jest błąd kosmetyczny. Liczba parametrów to pierwszy filtr w każdej decyzji wdrożeniowej, a czytelnik, który przychodzi z oczekiwaniem modelu 2,9B, będzie zaskoczony checkpointem BF16 o rozmiarze 18,8 GB, który nie mieści się na urządzeniu, jakie miał na myśli. Metadane samego repozytorium są jednoznaczne: architektura Qwen3.5-9B, BF16, image-text-to-text.

Dwa zadania, nie dwa rozmiary

LFM3-VL-2B przyjmuje tekst, obrazy i wideo z szybkością 2 fps, generuje tekst, obsługuje tryb myślenia i utrzymuje kontekst 128K w 16 językach. To generalista: dokumenty, wykresy, grounding, rozumowanie ucieleśnione, rozumienie GUI i wideo — wszystkie występują jako kategorie na jego karcie. Liquid AI opublikowała go na Hugging Face 19 października 2026 r. i ogłosiła rodzinę 27 października, bez ceny API i bez wymienionego dostawcy inferencji.

UI-Venus-2-9B wykonuje zrzuty ekranu i przyjmuje opis zadania, a następnie zwraca kolejną akcję w zamkniętej pętli obserwacja–rozumowanie–działanie. Jego trening przebiega w trzech etapach: multimodalny trening wstępny na symulowanych trajektoriach w ponad 170 aplikacjach mobilnych i ponad 4000 domen internetowych, offline'owe uczenie ze wzmocnieniem na poziomie kroków w zadaniach z zakresu grounding, CAPTCHA, mobilnych, internetowych i komputerowych, a następnie destylacja on-policy od wielu nauczycieli do jednej polityki. Działa na vLLM z endpointem zgodnym z OpenAI oraz parserem rozumowania Qwen3. To środowisko uruchomieniowe agenta, a nie model opisujący obrazy.

Praktyczna konsekwencja: nie można ich zamieniać. LFM3-VL-2B będzie opisywać zrzut ekranu i odpowiadać na pytania na jego temat. UI-Venus-2-9B zdecyduje, gdzie następnie dotknąć, i oczekuje, że otaczająca infrastruktura — parsery akcji, prompty, przykłady — z repozytorium GitHub projektu zrobi coś użytecznego.

Jedyny benchmark, który się zgadza

Oba modele podają wynik ScreenSpot-Pro, co jest rzadkim przypadkiem, w którym porównanie jest uzasadnione. LFM3-VL-2B uzyskuje 55,5 z myśleniem i 49,3 bez niego. UI-Venus-2-9B uzyskuje 73,0. To różnica 17,5 punktu na korzyść modelu, który jest prawie pięć razy większy, i jest to najwyraźniejsza pojedyncza liczba w tym zestawieniu.

Nie rozszerzaj tego na resztę historii GUI. UI-Venus-2-9B podaje również AndroidWorld 80.2, OSWorld-Verified 70.8, WebVoyager 90.8, Online-Mind2Web 74.0 i VenusBench-GD 77.1. LFM3-VL-2B podaje średnią dla kategorii GUI wynoszącą 83.1 w innym zestawie zadań, a uśrednianie kategorii nie jest tym samym co uzyskanie wyniku w pojedynczym benchmarku. Kategorie nie są porównywalne i nie należy ich odejmować.

Jedna liczba na karcie UI-Venus zasługuje na wyróżnienie, ponieważ przeczy nagłówkowi: w OSWorld 2.0 model uzyskuje 0,0 w metryce binarnej i 7,5 w metryce częściowej. Cokolwiek jest problemem z harnessem, agent 9B, który prowadzi w OSWorld-Verified i uzyskuje blisko zera w następczej wersji benchmarku, to model z granicą, a karta raportuje to uczciwie.

Okna kontekstu, które mierzą co innego

UI-Venus-2-9B deklaruje kontekst do 256 tys. tokenów, a użyteczna część to to, co ten kontekst zawiera: historia zrzutów ekranu, dzięki której agent pamięta, jak ekran wyglądał cztery kroki wcześniej. LFM3-VL-2B deklaruje 128 tys., a jego karta nie podaje budżetu tokenów obrazu ani maksymalnej długości wideo. Żadna z tych liczb nie mówi, ile zrzutów ekranu można zachować w pętli, zanim model zgubi pierwszy z nich. Oba wymagają pomiaru przy własnej rozdzielczości i liczbie kroków.

Różnica rodzaju wciąż ma znaczenie. Długa historia zrzutów ekranu to wymóg pamięciowy dla agenta działającego przez kilka minut. Kontekst 128K w ogólnym VLM to wymóg dokumentowy lub wideo. Liczby wyglądają porównywalnie i odpowiadają na różne pytania.

Wdrożenie: 4 GB w porównaniu z 19 GB

LFM3-VL-2B ma 1,92 mld parametrów, czyli arytmetycznie około 3,84 GB wag w BF16, a buildy GGUF, MLX 4-bit i ONNX są już opublikowane. UI-Venus-2-9B to około 18,8 GB w BF16 i jest serwowany przez vLLM; istnieje społecznościowy GGUF, ale ścieżka serwowania dostawcy zakłada GPU z miejscem na pełny checkpoint. Te modele nie konkurują o to samo miejsce. Jeden jest kandydatem brzegowym, drugi — agentem po stronie serwera.

To ta różnica, a nie luka w benchmarkach, sprawia, że to zestawienie jest interesujące. Zespół, który chce rozumienia GUI na urządzeniu, ma tutaj dokładnie jedną opcję. Zespół, który chce agenta GUI z wynikami bliskimi czołówki, ma drugą — i potrzebuje GPU, aby go uruchomić.

Pytanie o licencję, na które nikt nie odpowiedział

LFM3-VL-2B jest objęty licencją LFM Open License v1.0: użytkowanie komercyjne jest dozwolone tylko dopóty, dopóki licencjobiorca pozostaje poniżej 10 mln USD rocznego przychodu. To restrykcyjne, ale czytelne, a treść licencji jest opublikowana.

W przypadku UI-Venus-2-9B sytuacja jest mniej jasna. Repozytorium kodu projektu podaje licencję Apache 2.0; karta modelu stwierdza, że licencja na wagi oczekuje na ostateczne potwierdzenie, ponieważ oświadczenia podmiotów nadrzędnych są sprzeczne. Na dzień 28 października 2026 r. kwestia ta nie została rozwiązana. Oczekująca licencja nie jest przeszkodą w badaniach, ale jest realną przeszkodą dla wdrożenia komercyjnego, które musi znać jej warunki przed wypuszczeniem produktu. Każdy, kto planuje budować na UI-Venus-2-9B, powinien uzyskać odpowiedź na piśmie, zamiast wnioskować ją ze znacznika w repozytorium.

Gdzie pasuje OrcaRouter, jeśli w ogóle

OrcaRouter nie obsługuje żadnego z tych checkpointów i ten tekst nie twierdzi, że tak jest. Mamy natomiast DSL routingu, który potrafi złożyć kilka modeli w jedno wywołanie — przydatne tutaj, ponieważ naturalna architektura nie polega na „wybraniu jednego”. Niewielki ogólny VLM może odczytać ekran i zdecydować, czy zadanie dotyczy dokumentu, czy interakcji; większy specjalista GUI może wykonać kroki interakcji. Routing między nimi według typu zadania to konfiguracja, a nie druga integracja.

To uczciwsze wykorzystanie tego porównania niż udawanie, że te dwa modele są alternatywami. To dwa etapy tego samego pipeline'u, między którymi różnica parametrów wynosi 5×.

Którego właściwie chcesz

• LFM3-VL-2B, jeśli zadanie polega na rozumieniu, a nie działaniu, jeśli potrzebujesz danych wejściowych w postaci wideo lub dokumentów albo jeśli model musi działać w około 4 GB. Zaakceptuj licencję z limitem przychodów i fakt, że nikt spoza Liquid go nie ocenił.

• UI-Venus-2-9B jeśli zadanie polega na kompleksowej obsłudze interfejsu, jeśli możesz zapewnić 19 GB pamięci GPU i stos serwowania vLLM oraz jeśli możesz poczekać na potwierdzenie licencji wag. Przyjmij, że to specjalista z harnessem, a nie asystent ogólnego przeznaczenia.

• Żaden z nich, jeśli chciałeś modelu 2,9B. Taki model nie istnieje, a obie rzeczywiste opcje są bardziej wyspecjalizowane, niż sugerowała nazwa.

Korekta jest najważniejszym wnioskiem. Liczba parametrów w nazwie folderu nie jest specyfikacją, a w tym przypadku ukryła pięciokrotną różnicę rozmiarów i zupełnie inne zadanie. Przeczytaj pole architektury przed slugiem.