WeVisOne-VL-2B vs UI-Venus-2-9B: różnica rozmiarów, którą ukrywa nazwa

Dziewięć miliardów parametrów to nie to, co sugeruje to zestawienie. Zapisane tak, jak robi to większość ludzi — WeVisOne-VL-2B vs UI-Venus 2.9B — zestawienie czyta się jako dwa małe modele wizyjne o zbliżonej liczbie parametrów, uczciwa walka między świeżym checkpointem 2B zespołu WeChat Vision Tencenta a czymś nieco większym od inclusionAI z Ant Group. Druga część tego założenia jest fałszywa. UI-Venus-2-9B to UI-Venus 2 mający 9 miliardów parametrów, zainicjalizowany z Qwen3.5-9B; „2” oznacza generację, a nie rozmiar. WeVisOne-VL-2B, opublikowany na Hugging Face 22 października 2026 r., to model o 2 miliardach parametrów oparty na szkielecie Qwen3-VL. Prawdziwe porównanie dotyczy więc modelu cztery i pół razy mniejszego, opartego na starszej generacji szkieletu, który zwraca zupełnie inny rodzaj odpowiedzi.

Pojawił się również bez premiery. Istnieje repozytorium Hugging Face, repozytorium GitHub zawierające pojedynczy początkowy commit, artykuł na arXiv i strona projektu badawczego — a mimo to nie ma ogłoszenia producenta, wpisu na blogu ani strony z cennikiem, które by je łączyły. To kształtuje to, co ten artykuł może uczciwie zrobić. Wagi, architektura, tekst licencji i tabele z artykułu są dziś możliwe do sprawdzenia. Niezależna ocena, przepustowość, opóźnienie i cena nie są, ponieważ żadne z nich jeszcze nie istnieje. Karta modelu Tencent nie publikuje żadnych liczb benchmarkowych; każdy wynik przypisany poniżej modelowi WeVisOne-VL-2B pochodzi z siedmiu tabel zadań samych autorów i jest tak oznaczony. UI-Venus-2-9B jest starszy i lepiej udokumentowany, ale jego liczby są dokładnie takie, jak je samodzielnie zgłoszono.

Co tak naprawdę opisują te dwie nazwy

WeVisOne-VL-2B to model percepcji. Podaj mu obraz i frazę, a zwróci geometrię: pole ograniczające, punkt, liczbę, maskę binarną lub ciągłą matę alfa. Jego strona językowa emituje współrzędne jako dedykowane tokeny od <0> do <1000>, znormalizowane względem obrazu, i zamyka każde pole w zadaniach gęstych specjalnym tokenem <OBJ> o id 152,678. Te tokeny są tylko znacznikami, dopóki mask_decoder.pt nie odczyta ukrytego stanu za nimi — wymaganego artefaktu o 9,511,460 parametrach, dostarczanego jako drugi plik, który karta opisuje jako „wymagany komponent podstawowy, a nie opcjonalny dodatek”. Bez niego dostajesz pola. Z nim dostajesz maski i maty alfa o kroku 1.

UI-Venus-2-9B jest agentem. Przekaż mu zrzut ekranu i zadanie, a zwróci ruch: następne dotknięcie, kliknięcie lub naciśnięcie klawisza, wraz z tokenami rozumowania, które go wywołały, w zamkniętej pętli obserwuj–rozumuj–działaj. Został wytrenowany na interakcji wyłącznie na podstawie zrzutów ekranu w zakresie groundingu, CAPTCHA, urządzeń mobilnych, stron internetowych i obsługi komputera, a jego opublikowany przepis vLLM łączy maksymalną długość modelu 262 144 z parserem rozumowania Qwen3, ponieważ ślad rozumowania pojawia się przed każdą akcją.

Postaw je obok siebie, a rozbieżność jest natychmiast widoczna:

• Co jest zwracane — ramki, punkty, zliczenia, fragmenty OCR, maski i maty alfa z WeVisOne-VL-2B; jedna akcja ekranowa oraz jej ślad rozumowania z UI-Venus-2-9B.

• Parametry — 2B dla WeVisOne-VL-2B plus osobny dekoder 9,5M; gęsty model 9B dla UI-Venus-2-9B, około 4,5 razy więcej wag.

• Backbone — Qwen3-VL dla WeVisOne-VL-2B, 28 warstw tekstowych przy rozmiarze ukrytym 2048; Qwen3.5-9B dla UI-Venus-2-9B. Różne generacje, różne stosy tekstowe.

• Wagi na dysku — bfloat16 w obu przypadkach, ale około 4 GB dla modelu 2B w porównaniu z czterema fragmentami BF16 o łącznej wielkości około 18,8 GB dla modelu 9B.

• Limit kontekstu — 262 144 pozycje w każdym z nich, odczytany z konfiguracji WeVisOne-VL-2B oraz z polecenia serwowania UI-Venus-2-9B. Żaden z dostawców nie pokazuje wykorzystania czegoś takiego.

• Opublikowane dowody — siedem tabel z zadaniami w artykule Tencent i żadnej na karcie modelu; długa lista benchmarków dostawcy na karcie inclusionAI i brak tabel w artykule.

• Licencja — Apache 2.0 dla kodu autorstwa Tencent; „oczekuje na ostateczne potwierdzenie” dla wag UI-Venus-2-9B.

Praktyczna konsekwencja jest taka, że nie można zamienić jednego na drugie, a każdy artykuł, który wskazuje ci zwycięzcę, odpowiada na pytanie, którego nie zadałeś. Model percepcji, który zwraca idealną maskę, nadal nie może nacisnąć przycisku. Agent, który perfekcyjnie porusza się po aplikacji, nadal nie może przekazać ci wycięcia, którego chciałeś do zdjęcia produktu.

Argument za mniejszym modelem jest mocniejszy, niż sugeruje porównanie 2B z 9B.

Odruchowa reakcja na widok modelu 2B obok modelu 9B jest taka, że ten mniejszy to budżetowy kompromis. W przypadku zadania, do którego go wytrenowano, artykuł Tencentu twierdzi inaczej, a jeden z jego własnych wyników przemawia przeciwko jego własnemu większemu wydaniu. Wszystkie podane tu liczby pochodzą od samych autorów, zostały uzyskane przez autorów i nie zostały przez nikogo odtworzone.

• Detekcja zero-shot — średnia F1 wynosi 55,2 na COCO, 53,3 na LVIS, 61,4 na Dense200 i 40,4 na VisDrone. Model bazowy Qwen3-VL-2B osiąga 45,2, 40,8, 10,0 i 23,1 w tej samej tabeli. Na uwagę zasługuje różnica na Dense200: sześciokrotnie wyższy wynik niż model bazowy na zatłoczonych scenach.

• Liczenie — dokładne dopasowanie 90,9 i 88,1 w przypadku dwóch podziałów PixMo-Count, ale 27,5 i 26,9 na CLOC, 29,5 i 32,4 na KubriCount oraz 47,9 na CountQA. Liczenie nie jest jedną umiejętnością, a ten rozrzut jest najuczciwszą rzeczą w artykule.

• Lokalizacja OCR — średnia F1 wynosząca 30,5 na HierText, 42,6 na ICDAR2015, 42,5 na TotalText i 62,1 na SROIE, przy progu IoU 0,5. Są to wyniki lokalizacji z dołączonymi współrzędnymi, a nie dokładność transkrypcji, więc nie są porównywalne z wynikiem OCRBench zwykle podawanym dla konsumenckich VLM.

• Segmentacja na podstawie opisu — 79,7 skumulowanego IoU na zbiorze walidacyjnym RefCOCO, 73,1 na RefCOCO+, 74,4 na RefCOCOg i 60,9 gIoU na ReasonSeg.

• Matting z podpowiedziami — średnia różnica bezwzględna 6,6 na P3M-500-NP z podpowiedzią w postaci ramki wobec 15,4 dla SAM2-Matting; 5,7 wobec 12,1 na AM-2K; 15,8 wobec 23,0 dla potoku Qwen3-VL-8B plus SAM2-Matting w trudniejszym podziale referring WeRefMat. Niższa wartość oznacza lepszy wynik w całym zestawieniu.

Wynik mattingu to miejsce, w którym argument o rozmiarze się odwraca. W tym samym teście box-prompt P3M-500-NP model 2B uzyskuje 6,6, a bratni model 4B samego Tencenta uzyskuje 7,3. Mniejszy model jest lepszym z tych dwóch, Tencent nie wyjaśnia dlaczego, a artykuł i tak to publikuje. Jeśli Twoim zadaniem jest wycinanie obiektów z obrazów, najtańszy wariant w rodzinie nie jest degradacją — obecnie jest najlepiej zmierzoną opcją.

To, czego artykuł nie pokazuje, jest równie warte poznania. W siedmiu tabelach nie ma nigdzie MMMU, MMBench, DocVQA ani benchmarku do opisywania obrazów, a sekcja ograniczeń przyznaje, że ograniczone dane treningowe ogólnego przeznaczenia „mogą osłabić ogólne możliwości względem modelu bazowego”. Dostrajanie, które sprawiło, że model ten jest dobry w percepcji, mogło uczynić go gorszym ogólnym asystentem, a nic w materiałach wydania tego nie testuje. Nie ma też żadnych wyników rozumowania łańcuchowego, pamięci wieloturowej ani obsługi wideo — dekoder pikseli wprost odrzuca siatki wideo.

Jedyny benchmark, który by to rozstrzygnął, nie istnieje.

Zestaw oba pakiety ewaluacyjne obok siebie, a nieporównywalność przestanie być wyłącznie kwestią techniczną. Główne wyniki UI-Venus-2-9B to wskaźniki sukcesu stanu końcowego w danym środowisku: AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0, MobileWorld 65,8 przy domyślnym budżecie kroków z karty oraz 75,2 przy 100 krokach. Mierzą one, czy zadanie zostało ukończone, łącząc percepcję, planowanie, pamięć i odzyskiwanie po błędach w jedną liczbę.

Najbliższym wspólnym punktem odniesienia jest grounding GUI — lokalizowanie małego elementu interfejsu na zrzucie ekranu o wysokiej rozdzielczości. UI-Venus-2-9B uzyskuje 73,0 w ScreenSpot-Pro. WeVisOne-VL-2B nie podaje wyniku ScreenSpot-Pro, wyniku ScreenSpot-V2 ani żadnego benchmarku GUI, zarówno na swojej karcie, w swoim artykule, jak i na swojej stronie projektu. W drugą stronę, WeVisOne-VL-2B podaje lokalizację OCR i gęste wskazywanie, a UI-Venus-2-9B nie podaje ani jednego, ani drugiego.

Istnieje pewien zgrzyt, który sprawia, że zestawienie z nagłówka wygląda jeszcze dziwniej. inclusionAI już udostępnia model 2B zbudowany na Qwen3-VL — UI-Venus-1.5-2B — a jego karta podaje 57,7 w ScreenSpot-Pro, wobec 68,4 dla jego wersji 8B i 69,6 dla 30B-A3B. To jest prawdziwy odpowiednik WeVisOne-VL-2B dopasowany pod względem rozmiaru, w tej samej rodzinie backbone'ów, mierzony na jednym benchmarku, który liczy się dla obu linii. To po prostu nie jest model wymieniony w tym zestawieniu.

Uczciwe stanowisko jest więc wąskie. Żadna opublikowana liczba nie porównuje WeVisOne-VL-2B z UI-Venus-2-9B w jakimkolwiek zadaniu, a nikt nie uruchomił modelu percepcji 2B na zbiorze do groundingu GUI. Uruchomienie WeVisOne-VL-2B na ScreenSpot-Pro to pojedynczy najbardziej użyteczny brakujący pomiar w tym porównaniu: powiedziałby ci, czy specjalista od percepcji 2B znajduje elementy interfejsu lepiej czy gorzej niż agent 9B, a dopóki ktoś tego nie uruchomi, każdy, kto szereguje te dwa modele pod względem znajdowania rzeczy, ekstrapoluje z architektury.

Co robi każdy z nich, gdy obiektu nie ma

Zachowanie wobec nieobecnego obiektu to miejsce, w którym modele percepcji po cichu zawodzą. Poproś o gaśnicę w pomieszczeniu, w którym jej nie ma, a model, który zawsze odpowiada, z pełnym przekonaniem zaznaczy ramką grzejnik — a w zautomatyzowanym potoku staje się to halucynowanym obiektem w bibliotece zasobów albo źle skierowanym kliknięciem w pętli agenta.

WeVisOne-VL-2B odpowiada None, a artykuł raportuje odrzucenie jako osobną metrykę obok dokładności. W przypadku RefCOCOg podaje współczynnik odrzuceń wynoszący 50,2 dla zapytań o nieobecne obiekty, w porównaniu z 0,5 dla Rex-Omni-3B i 0,6 dla LocateAnything-3B w tej samej tabeli. To inny cel projektowy niż maksymalizacja pełności, i to właśnie ta liczba sprawia, że mały model można wykorzystać jako komponent: moduł geometryczny, który mówi „nieobecny”, można bezpiecznie podać planerowi, podczas gdy ten, który wymyśla ramkę, po cichu go psuje.

UI-Venus-2-9B podchodzi do tego samego problemu od strony działań, dziedzicząc z linii UI-Venus ugruntowywanie świadome odmowy — jest trenowany tak, by odmówić, gdy żądany element nie znajduje się na ekranie, zamiast zgadywać prawdopodobną współrzędną. Jego tabela bezpieczeństwa pokazuje deklarowany efekt: 11,3% wskaźnika skuteczności ataków na OSHarm wobec 25,3% dla bazowego modelu Qwen3.5-9B oraz 48,8% na OSBlind wobec 79,4%. Karta jest też wyraźna co do tego, że nie eliminuje to ryzyka szkodliwych działań, i zaleca potwierdzenie przez człowieka oraz zabezpieczenia na poziomie aplikacji. Oba zespoły wybrały wstrzymanie się od działania zamiast pokrycia; ten wybór nie został u żadnego z nich zmierzony niezależnie.

Uruchamianie modelu 2B obok modelu 9B

Uczciwa relacja między tymi dwoma modelami to nie rywalizacja, lecz sekwencja. Jeden zwraca geometrię, drugi działa na jej podstawie. Jeśli budujesz system automatyzacji ekranu, sensowna architektura stawia WeVisOne-VL-2B z przodu jako komponent, który raportuje, co gdzie się znajduje — ramki, obszary OCR, maski — a UI-Venus-2-9B za nim jako ten, który decyduje, co zrobić. To kompozycja, a nie konkurencja, i to jedyne ujęcie, w którym takie połączenie ma sens operacyjny.

Pamięć sprawia, że ta kompozycja jest tania na jednej maszynie. Przy bfloat16 backbone 2B to około 4 GB wag przed dekoderem, a 9B to około 18,8 GB w czterech shardach. Oba mieszczą się na pojedynczej karcie 24 GB z zapasem na kontekst; sam 2B mieści się na karcie 8 GB, co jest ciekawszym faktem. Limity kontekstu zgadzają się na 262 144 pozycjach, ale oznaczają różne rzeczy: agent wykorzystuje długi kontekst jako pamięć epizodu, przechowując historię zrzutów ekranu, podczas gdy publikowane ewaluacje modelu percepcji działają przy około 1 960 tokenach wizualnych na obraz. Okno 256K w modelu jednoturowym, wyłącznie obrazowym, jest limitem, a nie udowodnioną możliwością.

Koszt to punkt, w którym te kształty się rozchodzą. Żaden z dostawców nie publikuje ceny za token, więc w obu przypadkach rzeczywistym kosztem są godziny GPU na sprzęcie, który wynajmujesz lub posiadasz. Agent płaci za przebieg w przód modelu 9B plus tokeny rozumowania na każdym kroku, a epizod to wiele kroków — liczba, której nie da się prognozować z karty katalogowej. Model percepcji płaci za przebieg 2B plus przejście w przód dekodera na obraz, a jeden obraz to jedno wywołanie. Sto tysięcy zdjęć produktów to przewidywalna arytmetyka na obraz; zadanie w przeglądarce już nie.

To także miejsce, w którym warstwa routingu zyskuje uzasadnienie, zamiast być sloganem. Żaden z tych modeli nie znajduje się dziś w OrcaRouter — sprawdzono to w bieżącym katalogu 209 modeli, a karta modelu WeVisOne-VL-2B stwierdza, że nie jest on w ogóle wdrażany przez żadnego dostawcę inferencji. Dla modeli, które obsługujemy, przydatne właściwości to jeden punkt końcowy zgodny z OpenAI, 0% narzutu z ceną katalogową dostawcy przekazywaną bez zmian, DSL routingu, który komponuje kilka wywołań modeli za jednym interfejsem, oraz automatyczne przełączanie awaryjne. W architekturze dwuczłonowej, takiej jak powyższa, DSL jest miejscem, w którym żyje kompozycja i w którym można wymienić dowolne z ogniw bez przepisywania wywołującego. Gdy którykolwiek z tych dwóch modeli pojawi się u dostawcy, będzie to najtańszy sposób, aby sprawdzić, czy należy do Twojego stosu.

Licencja, cena i to, czego nikt nie potwierdził

Karta modelu WeVisOne-VL-2B udziela licencji Apache 2.0 na „kod autorstwa Tencent w tym repozytorium”, co jest permisywną odpowiedzią, której oczekuje większość zespołów. Jeden szczegół to komplikuje: API GitHuba zgłasza licencję repozytorium jako „Other” bez identyfikatora SPDX. Te stwierdzenia niekoniecznie są sprzeczne — komponenty firm trzecich zachowują własne warunki — ale oznacza to, że warto przeczytać plik licencji, zanim to trafi w pobliże produktu, zamiast brać odznakę za dobrą monetę.

Karta UI-Venus-2-9B jest tą nierozstrzygniętą. Głosi, że licencja na wagi modelu oczekuje na ostateczne potwierdzenie i zostanie dodana przed publicznym wydaniem, a wcześniejsza deklaracja Apache-2.0 celowo nie została przeniesiona, ponieważ materiały źródłowe zawierają sprzeczne oświadczenia licencyjne. To zdanie widnieje na karcie od sierpnia i nie uległo zmianie. Nie wstrzymuje to ewaluacji ani większości wewnętrznego użytku, ale zewnętrzny produkt zbudowany na tych wagach opiera się na otwartej kwestii, której nie zamyka żaden wynik benchmarku.

Żaden z modeli nie ma ceny ustalonej przez dostawcę. WeVisOne-VL-2B nie ma dostawcy usług inferencji ani cennika. UI-Venus-2-9B nie ma własnego punktu końcowego ani cen opublikowanych przez inclusionAI, więc kwota pobierana przez zewnętrznego hosta jest stawką tego hosta, a nie zespołu.

Który wybrać?

Ta decyzja to opis stanowiska, a nie ranking.

• Wybierz WeVisOne-VL-2B, jeśli potrzebna Ci odpowiedź dotycząca geometrii — prostokąty do pipeline'u adnotacji, maski do narzędzia edycyjnego, maty alfa do obrazów produktowych, zliczenia w gęstej klatce lub OCR ze współrzędnymi — a zwłaszcza jeśli potrzebujesz tego na małym sprzęcie. To jedyny model tutaj, który zwraca matę na podstawie promptu tekstowego, przewyższa swoją większą wersję w matowaniu, a jego licencja jest już ustalona.

• Wybierz UI-Venus-2-9B, jeśli odpowiedzią, której potrzebujesz, jest ukończone zadanie: wypełniony formularz, nawigacja w aplikacji, rozwiązana CAPTCHA, wykonany przepływ pracy na pulpicie. Kupujesz pętlę agenta i powinieneś mieć świadomość, że licencja pozostaje nierozstrzygnięta, a długoterminowa praca na pulpicie nie jest rozwiązana przy tej wielkości modelu — podane na karcie modelu wyniki OSWorld 2.0 to 7,5 w ocenie częściowej i 0,0 w ocenie binarnej.

• Zamiast tego wybierz UI-Venus-1.5-2B, jeśli w rzeczywistości chciałeś małego groundera GUI. To model 2B oparty na Qwen3-VL z linii inclusionAI, uzyskuje 57,7 na ScreenSpot-Pro i jest komparatorem o dopasowanym rozmiarze, którego nazwa tego starcia się domyśla, ale go nie wymienia.

• Uruchom oba po kolei, jeśli budujesz automatyzację ekranu, która musi dokładnie widzieć, a następnie działać — najpierw etap geometrii, potem etap agenta, na jednym GPU.

• Czekaj — jeśli liczba dotycząca GUI-grounding dla WeVisOne-VL-2B jest tym, od czego zależy Twoja decyzja. Ona jeszcze nie istnieje, a zgadywanie jej na podstawie liczby parametrów nie jest metodą.

Co zmieniłoby tę odpowiedź?

Cztery rzeczy, w kolejności użyteczności. Uruchomienie testu ScreenSpot-Pro lub ScreenSpot-V2 na WeVisOne-VL-2B zamieniłoby centralną lukę w tym tekście w porównanie, a biorąc pod uwagę, że model ma zaledwie jeden dzień i jest na licencji Apache 2.0, to weekend pracy dla każdego, kto ma GPU i zestaw narzędzi ewaluacyjnych. Rozstrzygnięcie kwestii licencji dla UI-Venus-2-9B usunęłoby jedyną przeszkodę, której nie da się podważyć żadnym wynikiem dokładności. Udostępnienie któregokolwiek z tych modeli przez dostawcę inferencji zastąpiłoby arytmetykę godzin GPU rzeczywistą ceną. A porównanie 4B z 2B, które wyjaśnia, dlaczego mniejszy model wypada lepiej, powiedziałoby kupującym, czy nazewnictwo tej rodziny modeli cokolwiek znaczy.

Do tego czasu użytecznym sposobem ujmowania tych dwóch nie jest traktowanie ich jako rywali w rankingu, lecz jako różnych narzędzi: jednego, które mierzy obraz, i drugiego, które działa na ekranie. Nazwa tego starcia sugeruje, że wybierasz między niemal równymi małymi modelami. Wybierasz między specjalistą 2B a agentem 9B, a jedyne, co naprawdę mają wspólnego, to nawyk mówienia „nie”.