UI-Venus-2-9B: Agent GUI 9B od Ant Group wydany bez publikacji, bez zapowiedzi i z wynikami bliskimi SOTA

UI-Venus-2-9B pojawił się na Hugging Face 26 sierpnia 2026 roku, a brakowało wszystkiego, co zwykle towarzyszy premierze modelu. Brak postu z ogłoszeniem. Brak komunikatu prasowego. Brak raportu technicznego — odnośnik arXiv w pliku README wskazuje na zastępczy URL, a blok cytowań zawiera wyraźne TODO: zaktualizuj identyfikator arXiv, gdy raport UI-Venus-2 będzie publiczny. Link do strony projektu również jest tylko zastępczy. W momencie pisania tego tekstu repozytorium ma zero pobrań i jedno polubienie, a cztery shardy safetensors w nim zawarte opisują uniwersalnego agenta GUI, który według własnej karty modelu pokonuje Q​wen3.6-27B na AndroidWorld i OSWorld-Verified, pokonuje Claude Opus 4.6 na WebVoyager, pokonuje O​penAI Operator na Online-Mind2Web i obniża wskaźnik skuteczności ataków OSBlind z ponad 90% typowych dla wcześniejszych agentów GUI do 18,5%. Karty modeli InclusionAI przypisują rodzinę zespołowi Venus z Ant Group, co czyni to cichym wejściem Ant Group do wyścigu w obsłudze komputera z otwartymi wagami — a najcichszą częścią jest to, że żadna z tych liczb nie została jeszcze niezależnie zreprodukowana.

Co faktycznie zostało wydane

Repozytorium nazywa się inclusionAI/UI-Venus-2-9B, oznaczone jako image-text-to-text z qwen3_5 tagiem architektury. Model o parametrach 9B, inicjalizowany z Q​wen3.5-9B, wydany na licencji Apache-2.0 w BF16. To fundamentowy agent GUI: obserwuje interfejs, rozumuje o stanie zadania, wykonuje akcję i uwzględnia otrzymane informacje zwrotne w kolejnej decyzji — zamknięta pętla obserwacja–rozumowanie–działanie–informacja zwrotna, która według karty jest trenowana tak, aby obejmować aplikacje mobilne, platformy webowe i systemy operacyjne komputerów stacjonarnych w jednym punkcie kontrolnym.

• Parametry — 9B, zainicjalizowany z Q​wen3.5-9B, BF16, cztery shardy.

• Licencja — Apache-2.0.

• Kontekst — oficjalne wywołanie vLLM ustawia --max-model-len 262144 (256K tokenów), czyli tyle historii zrzutów ekranu, ile agent może zachować w jednym epizodzie.

• Serwowanie — wsparcie pierwszej klasy dla vLLM z punktem końcowym zgodnym z OpenAI i --reasoning-parser qwen3 flagą, co oznacza, że model emituje tokeny rozumowania przed swoim działaniem, w stylu Qwen3.

• Reach — karta twierdzi, że swoim treningiem obejmuje 170+ wielojęzycznych aplikacji mobilnych (100+ chińskich, 70+ angielskich), 50k+ aktywnych stron internetowych oraz natywny system operacyjny pulpitu z 50+ profesjonalnymi aplikacjami.

Szczegół parsera rozumowania ma znaczenie większe, niż się wydaje. Agent GUI, który myśli, zanim zadziała, nie jest nowością, ale wypuszczenie takiego, który integruje się ze standardowym vLLM, ma API zgodne z O​penAI i korzysta ze standardowego parsera rozumowania Q​wen, oznacza, że historia serwowania jest nudna w dobrym sensie — jedno polecenie i działa, co jest niezwykle dojrzałe jak na model, który powstał wczoraj.

Liczby i to, czym nie są

Wszystko poniżej pochodzi z raportów producenta. Karta modelu publikuje tabele porównawcze z silnymi opublikowanymi punktami odniesienia, a wiersz, który wypada najlepiej dla UI-Venus-2-9B, to AndroidWorld 80.2 — powyżej Qwen3.6-27B z 70.3, MAI-UI-8B z 70.7 i GUI-Owl-1.5-32B-Instruct z 69.8. W OSWorld-Verified model 9B osiąga 70.8, ponownie przed Qwen3.6-27B z 62.0, ale za Kimi K2.6 z 73.1. W nawigacji internetowej karta wymienia WebVoyager 90.8, powyżej Claude Opus 4.6 z 88.0 i Seed-2.0 z 85.1, oraz Online-Mind2Web 74.0 wobec 61.3 OpenAI Operator.

Najbardziej uderzające porównanie wewnętrzne dotyczy bazy samego modelu. Na DeskCraft, UI-Venus-2-9B osiąga 48,0, podczas gdy Q​wen3.5-9B, z którego został zainicjalizowany, osiąga 14,6 — skok o 33,4 punktu, który stanowi cały argument za recepturą treningową, i powtarza się on w przypadku CAPTCHA: MCA-Bench 75,7 wobec 30,4 bazy, NextGen-CAPTCHAs 47,6 wobec 2,8. Liczby CAPTCHA zasługują na osobną uwagę, ponieważ są najwyraźniejszym sygnałem, że model został zbudowany do działania na prawdziwych, wrogich, produkcyjnych stronach internetowych, a nie na czystych stronach benchmarkowych.

• Mobile — AndroidWorld 80.2, MobileWorld 65.8, VenusBench-Mobile 46.5.

• Obsługa komputera — OSWorld-Verified 70.8, DeskCraft 48.0.

• Web — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys 77.3.

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

• CAPTCHA — Spatial-CAPTCHA-Bench 42.8, MCA-Bench 75.7, NextGen-CAPTCHAs 47.6, OpenCaptcha 50.7.

• Bezpieczeństwo — wskaźnik powodzenia ataku OSBlind wynosi 18,5%, podczas gdy Claude 4.5 Sonnet osiąga 73,0, a GPT-4o 93,3 na tej samej karcie.

Przepis: pięć rodzin zadań, trzy etapy

Potok treningowy opisany na karcie jest powodem, dla którego delty modelu bazowego są tak duże. UI-Venus-2 jest trenowany na celowo komplementarnej mieszance pięciu rodzin zadań — Grounding, CAPTCHA, Mobile, Web i Computer — w trzech etapach. Po pierwsze, zakrojone na szeroką skalę, oparte na trajektoriach multimodalne trenowanie pośrednie w symulowanych środowiskach mobilnych, internetowych i systemów operacyjnych, z łączną weryfikacją człowiek–dyskryminator odfiltrowującą nieprawidłowe interakcje, a także programowo syntetyzowanym nadzorem typu grounding i CAPTCHA. Po drugie, offline’owe uczenie przez wzmacnianie na poziomie kroków dla Mobile, OS i Web, które optymalizuje wybór działań z uwzględnieniem stanu, ze zweryfikowanymi instancjami CAPTCHA i groundingu osadzonymi w realistycznych interfejsach, aby nauczyć precyzyjnej lokalizacji w wizualnym bałaganie. Po trzecie, wielonauczycielowa destylacja polityki on-policy, która konsoliduje wyspecjalizowanych nauczycieli w jedną ujednoliconą politykę.

Warstwa weryfikacji jest najbardziej charakterystyczną częścią. Ukończenie zadania jest oceniane na podstawie wizualnych punktów kluczowych istotnych dla zadania, a nie zgrubnego wyglądu końcowego ekranu, a wiele modeli głosuje, aby uzyskać zagregowany wynik od heterogenicznych sędziów — rozwiązanie zaprojektowane tak, aby sygnał nagrody RL był odporny na reward hacking. Zweryfikowane informacje zwrotne są następnie destylowane z powrotem do treningu jako nadzór refleksyjny, dzięki czemu agent może odróżnić częściowy postęp od prawdziwego ukończenia i wrócić na właściwe tory podczas interakcji o długim horyzoncie. Nic z tego nie jest niezależnie zweryfikowane, a karta nie zawiera żadnych reprodukcji, na które można by wskazać — to twierdzenie, które artykuł ma poprzeć.

Rodzina i powiązania z Ant Group

UI-Venus-2-9B to trzecia generacja rodziny, którą inclusionAI po cichu wypuszczała na rynek przez cały czas. Oryginalny raport techniczny UI-Venus ukazał się w sierpniu 2025 roku z punktami kontrolnymi 7B i 72B; UI-Venus 1.5 pojawił się w lutym 2026 roku z wariantami 2B, 8B i 30B-A3B. Blok cytowań na nowej karcie przypisuje zasługi zespołowi „Venus Team, Ant Group", co jest sposobem, w jaki inclusionAI we własnych słowach określa swoją relację z Ant Group — to laboratorium AI Ant Group publikujące pod nazwą inclusionAI. Podstawowym założeniem rodziny jest, że agent GUI powinien działać wyłącznie na podstawie pikseli: obserwować ekran poprzez zrzuty ekranu, a nie drzewa DOM, XML dostępności czy zrzuty UI, co czyni go przenośnym do dużej populacji chińskich i angielskich aplikacji mobilnych, które nie udostępniają żadnych strukturalnych danych UI. Towarzyszący Venus Framework z GitHub rodziny napędza automatyzację Androida i obsługuje równoległe sterowanie wieloma urządzeniami.

Czego jeszcze nie wiemy

Uczciwa lektura tego repozytorium wskazuje, że przepaść między deklaracjami a dowodami wciąż jest szeroka. Nie ma publicznego raportu technicznego UI-Venus-2 — plakietka to tylko placeholder, a README informuje, że raport jest „niepubliczny” — więc tabele benchmarków pozostają wyłącznie własnymi liczbami dostawcy, bez dokumentu metodologicznego i bez niezależnego powtórzenia testów. Nie ma aktywnej strony projektu. Nie ma żadnego ogłoszenia, co oznacza brak oficjalnych cen, brak hostowanego API i brak potwierdzonej mapy drogowej. Tabele na samej karcie modelu wielokrotnie wymieniają UI-Venus-2-27B — 84.0 na AndroidWorld, 80.5 na OSWorld-Verified, 12.3 OSBlind — który w chwili pisania tego tekstu nie istnieje na Hugging Face, więc flagowy model tej rodziny jest przywoływany, ale nie został wydany. A przy zerowej liczbie pobrań nikt spoza laboratorium nie uruchomił jeszcze tego checkpointu.

Jak byś to faktycznie uruchomił

Ze wszystkich niewiadomych jedyną konkretną rzeczą jest serwowanie. Karta dokumentuje pojedyncze polecenie vLLM, które uruchamia model z oknem kontekstu 256K i {{1}}API zgodnym z OpenAI{{/1}}:

vllm serve inclusionAI/UI-Venus-2-9B --port 8000 --tensor-parallel-size 1 --max-model-len 262144 --reasoning-parser qwen3

To sprawia, że praktyczna ścieżka to samodzielne hostowanie — pobierz wagi, uruchom vLLM i skieruj swój harness agenta na localhost. To przypadek, w którym warstwa routingu opłaca się na otaczającym stosie technologicznym, a nie na samym agencie GUI: model, który pisze plan zadania, model wizyjny, który weryfikuje stan ekranu, model transkrypcji, który rejestruje przebieg zdarzeń — wszystkie one działają na OrcaRouter po cenie katalogowej dostawcy, z zerową marżą i automatycznym przełączaniem awaryjnym, więc możesz prototypować na modelu sprzed jednego dnia, nie stawiając na niego produkcyjnego pipeline'u. W dniu, w którym taki checkpoint agenta GUI trafi do routowanego dostawcy, pojawi się po cenie katalogowej dostawcy z takim samym pass-through, a obniżki cen dostawcy tego samego dnia trafią na naszą stronę. Do tego czasu wagi Apache-2.0 są całą historią.

Co obejrzeć dalej

Trzy rzeczy zadecydują, czy ten cichy statek zamieni się w news. Czy UI-Venus-2-27B, który wypełnia tabele karty, faktycznie pojawi się na Hugging Face i czy będzie niósł ze sobą wynik 12.3 OSBlind. Czy raport techniczny się ukaże i wytrzyma pierwszą niezależną reprodukcję. Oraz czy Ant Group uzna, że cicha faza dobiegła końca — ponieważ agent o otwartych wagach z 9B parametrów, z takimi wynikami w tabelach i kontekstem 256K, nie pozostanie długo z zerową liczbą pobrań.