Molmo2-4B vs UI-Venus-2-9B: Jedna z tych nazw to rozmiar — i jest błędna

Model nazywa się UI-Venus 2 i ma 9B. To nie jest 2,9B i nie jest to wersja 9B modelu 2,9B. Ciąg w nazwie pliku to numer generacji sklejony z liczbą parametrów — inclusionAI/UI-Venus-2-9B — i został odczytany od tyłu przez wystarczająco wiele kanałów radarowych i stron z listami, że porównanie z Molmo2-4B wygląda teraz jak dwa małe modele w tej samej klasie wagowej. Tak nie jest. UI-Venus-2-9B to agent GUI 9B zainicjalizowany z Qwen3.5-9B, około dwa razy większy niż 4,85B w Molmo2-4B, a oba modele wykonują zupełnie różne zadania. Jeśli naprawdę chcesz mały model GUI z tej rodziny, to jest nim UI-Venus-1.5-2B i tam należy umieścić liczbę 2B. Dwa modele specjalistyczne o różnych kontraktach wyjściowych to problem routingu. bez narzutu ponad cenę katalogową dostawcy Przełączanie awaryjne obejmuje przypadek, w którym jeden z nich ma zły dzień.

Oba modele są starsze, niż sugeruje to ujęcie. Molmo2-4B został ogłoszony przez Allen Institute for AI 11 grudnia 2025 r., a jego wagi udostępniono 14 grudnia. Wagi UI-Venus-2-9B pojawiły się 26 sierpnia 2026 r. wraz z raportem technicznym, arXiv 2609.00028. To, co ostatnio zmieniło się po stronie Molmo, to narzędzia, a nie wagi: natywne wsparcie Transformers zostało scalone 9 października 2026 r. i wydane w wersji v5.20.0 15 października, a dostrojony model robotyczny Molmo2-4B-tb pojawił się 5 listopada. Żadne z nich nie jest premierą i żadne nie czyni z Molmo2-4B modelu GUI.

Czym właściwie jest UI-Venus 2 w wersji 9B

To agent interfejsu działający w pętli zamkniętej. Dane wejściowe to zrzut ekranu; dane wyjściowe to uzasadnione działanie — dotknij tutaj, wpisz to, przewiń — a pętla trwa, aż zadanie zostanie wykonane. Trening przebiega w trzech etapach na pięciu rodzinach zadań (grounding, CAPTCHA, mobile, web i computer), kończąc się destylacją on-policy z wieloma nauczycielami, która łączy specjalistów dziedzinowych w jedną politykę. Zakres środowisk jest istotą wydania: ponad 170 aplikacji mobilnych w języku chińskim i angielskim, pula internetowa ponad 4000 domen w 19 kategoriach oraz sterowanie systemem operacyjnym komputera zbudowane od podstaw.

Własne liczby dostawcy, wszystkie z karty modelu i jego raportu technicznego:

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

• Agenci mobilni — AndroidWorld 80,2, MobileWorld 65,8 przy standardowej liczbie kroków i 75,2 przy budżecie 100 kroków, MobileGym 52,7, VenusBench-Mobile 46,5, KnowUBench 56,5, MemGUI 62,6.

• Desktop — OSWorld-Verified 70.8, DeskCraft 48.0 oraz OSWorld 2.0 z dokładnością binarną 0.0 i wynikiem częściowym 7.5 na 108 zadaniach w budżecie 150 kroków. To zero warto uważnie odczytać; to twarda metryka binarna, nie literówka.

• Web — WebVoyager 90,8, Online-Mind2Web 74,0, REAL 76,9, Odysseys 77,3 średnio, przy 62,0 idealnych.

Bezpieczeństwo — odsetek udanych ataków wynosi 11,3% w przypadku OSHarm i 48,8% w przypadku OSBlind, w porównaniu z 25,3% i 79,4% dla bazowego modelu Qwen3.5-9B.

Istnieje jedna niezależna weryfikacja. Opublikowany w październiku 2026 r. diagnostyczny benchmark PointerBench przyznaje UI-Venus-2-9B wyniki 64,2 w Sheets, 25,8 w Text i 73,6 w Pro, co daje średnią 54,5, i opisuje go jako najsilniejszego specjalistę ds. natywnego groundingu GUI, jednocześnie wskazując grounding na poziomie tekstu jako jego najsłabszy obszar. To wynik strony trzeciej na innym zestawie zadań i stanowi użyteczną korektę: wynik główny ScreenSpot-Pro nie oddaje całego obrazu.

Czym tak naprawdę jest Molmo2-4B

Model wizyjno-językowy ogólnego przeznaczenia z wyjściem punktowym. 4 850 869 200 parametrów, wieża wizyjna SigLIP 2 so400m na bazie Qwen3-4B-Instruct-2507, 36 864 pozycje, 19,42 GB wag float32 w czterech shardach. Obsługuje obrazy, wiele obrazów i wideo oraz zwraca współrzędne przeskalowane do 0–1000 szerokości i wysokości obrazu, ze znacznikami czasu, gdy dane wejściowe są wideo. Jego zagregowany wynik dostawcy wynosi 62,8 w 15 akademickich benchmarkach.

Czego mu brakuje, to opublikowanego wyniku liczbowego dla GUI. Molmo2-4B nie pojawia się w tabelach raportu technicznego UI-Venus, w ewaluacji PointerBench ani z wynikiem ScreenSpot-Pro na własnej karcie modelu. Najbliższa wartość GUI z rodziny Molmo należy do innego modelu: MolmoPoint-GUI-8B, wyspecjalizowany w GUI wariant 8B po dostrojeniu z serii MolmoPoint z marca 2026 r., podaje 61,1 w ScreenSpot-Pro. Cytowanie tego jako wyniku Molmo2-4B byłoby błędem kategorii i jest to najbardziej prawdopodobny błąd, jaki czytelnik może popełnić, porównując te dwa modele.

Pokrywanie się jest mniejsze, niż sugeruje nazwa.

• Rozmiar — 4,85B parametrów gęstych dla Molmo2-4B w porównaniu z 9B modelem gęstym zainicjalizowanym z Qwen3.5-9B.

• Dane wejściowe — obraz, wiele obrazów i wideo dla Molmo2-4B; zrzut ekranu dla UI-Venus-2-9B, w pętli, z poprzednią akcją przekazywaną zwrotnie.

• Wyjścia — rzadkie punkty we współrzędnych znormalizowanych dla Molmo2-4B; ustrukturyzowana akcja dla UI-Venus-2-9B, parsowana przez harness, który następnie steruje urządzeniem.

• Mocne strony — grounding na obrazach naturalnych i wideo, zliczanie i śledzenie w przypadku Molmo2-4B; lokalizacja elementów i wieloetapowa nawigacja po interfejsach o wysokiej rozdzielczości w przypadku UI-Venus-2-9B.

• Opublikowane wyniki GUI grounding — brak dla Molmo2-4B; ScreenSpot-Pro 73,0 dla UI-Venus-2-9B.

• Licencja — wagi Apache 2.0 z zastrzeżeniem dotyczącym danych stron trzecich dla Molmo2-4B; karta modelu UI-Venus-2-9B w ogóle nie zawiera pola licencji, co stanowi lukę do rozwiązania przed jakimkolwiek użyciem komercyjnym.

Ten ostatni wiersz nie jest szczegółem. Model 9B wywodzący się z Qwen3.5-9B, bez pola licencji na karcie modelu, nie jest czymś, co przegląd prawny może zatwierdzić na podstawie samego README. Metadane samej karty też nie pomagają: jej odznaka Safetensors wskazuje „1.47M params”, co nie jest wiarygodnym rozmiarem dla tak dużego checkpointu i wygląda na artefakt metadanych shardów. Zapytaj opiekunów o oba te aspekty, zanim zaczniesz na tym opierać swoje plany.

Jeśli chcesz GUI grounding z serii Molmo

Uczciwa ścieżka to nie Molmo2-4B. Prace Ai2 nad GUI należą do rodziny MolmoPoint, gdzie MolmoPoint-GUI-8B osiąga 61,1 na ScreenSpot-Pro wobec 73,0 dla UI-Venus-2-9B, a te dwie liczby pochodzą przynajmniej z tego samego benchmarku. Nawet wtedy porównanie jest cross-harness: inne szkielety działań, inne przetwarzanie wstępne zrzutów ekranu, a w przypadku UI-Venus udokumentowane założenie, że rozumowanie jest wyłączone, a temperatura ustawiona na zero w celu bezpośredniej lokalizacji punktu. Różnica 12 punktów na benchmarku tak wrażliwym na wybory dotyczące harnessu jest sygnałem, nie werdyktem.

To, do czego Molmo2-4B naprawdę się nadaje w stosie agentowym, to etap percepcji, który nie jest przyciskiem. Znajdowanie obiektu opisanego przez użytkownika w kadrze z kamery, wskazywanie go w filmie, liczenie wystąpień, śledzenie czegoś w czasie — to są wyniki, do których model był trenowany, i żaden z nich nie jest elementem interfejsu na zrzucie ekranu 4K. Zespoły często kończą na uruchamianiu obu rodzajów modeli: specjalisty do interfejsu i generalisty do sceny.

To bardziej problem routingu niż modelowania. Oba modele mają niekompatybilne kontrakty wyjściowe i różne profile sprzętowe, a uruchamianie ich za jednym kluczem dla obu — z przełączaniem awaryjnym, gdy jeden punkt końcowy zacznie działać gorzej, i bez narzutu ponad cenę katalogową dostawcy — usuwa tę część stosu, która nie ma nic wspólnego z wizją. Warto też powiedzieć wprost, że żaden z tych modeli nie znajduje się w katalogu OrcaRouter; oba to wagi, które hostujesz sam, a warstwa routingu otacza je, a nie leży pod nimi.

Krótka wersja

Jeśli zadaniem jest „obsługa tej aplikacji”, UI-Venus-2-9B jest specjalistą, a Molmo2-4B nie ma nic do zaoferowania w tym benchmarku. Jeśli zadaniem jest „wskazanie rzeczy na tym zdjęciu lub w tym filmie”, UI-Venus-2-9B nie ma nic do zaoferowania, a Molmo2-4B jest powodem, dla którego to porównanie istnieje. A jeśli tak naprawdę chciałeś małego modelu GUI do taniego uruchamiania, właściwym porównaniem nigdy nie było to — jest nim UI-Venus-1.5-2B o rozmiarze 2B, zestawiony z dowolnym kompaktowym modelem ogólnym, którego możesz zmieścić obok niego.