WeVisOne-VL-4B vs UI-Venus-2-9B: Jeden zwraca maskę, drugi zwraca kliknięcie

Ten sam zrzut ekranu strony finalizacji zakupu przekaż WeVisOne-VL-4B i UI-Venus-2-9B, a otrzymasz dwa różne rodzaje odpowiedzi. Pierwszy daje geometrię: ramkę wokół ikony koszyka, maskę segmentacji wokół pola rabatowego, maskę alfa wycinającą zdjęcie produktu z tła. Drugi daje ruch: współrzędne następnego dotknięcia oraz rozumowanie, które do niego doprowadziło. Zespół WeChat Vision Tencenta opublikował WeVisOne-VL-4B na Hugging Face bez zapowiedzi i datował swój artykuł techniczny na 23 października 2026 r.; UI-Venus-2-9B od inclusionAI jest dostępny do pobrania od 26 sierpnia 2026 r. Są klasyfikowane pod tą samą etykietą modalności i nie są substytutami.

To sprawia, że jest to porównanie, którego centrum stanowi nietypowy problem: te dwa modele nie mają wspólnego benchmarku. Ani jeden wynik nie pojawia się na obu kartach. Żaden z nich nie został niezależnie oceniony, żaden nie jest wdrażany przez dostawcę usług inferencji i żaden nie ma opublikowanej ceny. Uczciwie porównać można to, co każdy z nich generuje, w jaki sposób każdy z nich wytrenowano do odmawiania, ile kosztuje ich uruchomienie oraz pod jaką licencją chciałbyś je dostarczać — i właśnie to robi ten artykuł, a za każdym razem, gdy pojawia się liczba podana przez dostawcę, oznacza ją jako podaną przez dostawcę.

Te dwa modele nie odpowiadają na to samo pytanie.

WeVisOne-VL-4B to model percepcji. Jest zbudowany na szkielecie Qwen3-VL i dodaje wymagany dekoder pikselowy z 9,6 mln parametrów — mask_decoder.pt, dostarczany jako drugi artefakt — który przekształca przewidywania ramek modelu językowego w maski instancji, a następnie w maty alfa o kroku 1. Współrzędne są emitowane jako dedykowane tokeny od <0> do <1000>, znormalizowane względem obrazu, a specjalny token <OBJ> (id 152,678) zamyka każdą ramkę w zadaniach gęstych. Lista zadań przedstawiona w artykule to lista geometrii: detekcja z otwartym słownikiem, lokalizacja na podstawie opisu, liczenie, wskazywanie, lokalizacja OCR, segmentacja na podstawie opisu i matowanie alfa sterowane podpowiedziami.

UI-Venus-2-9B jest agentem. Jest inicjalizowany na podstawie Qwen3.5-9B i trenowany na interakcji opartej wyłącznie na zrzutach ekranu w ramach pięciu rodzin zadań — grounding, CAPTCHA, mobile, web i computer — poprzez trening pośredni, offline’owe uczenie ze wzmocnieniem na poziomie kroków oraz destylację on-policy z wielu nauczycieli. Jego wyjściem jest akcja w zamkniętej pętli obserwuj–rozumuj–działaj, a jego recepta vLLM łączy --max-model-len 262144 z --reasoning-parser qwen3, ponieważ emituje tokeny rozumowania przed każdą akcją.

Zestaw ze sobą specyfikacje, a różnica będzie natychmiast widoczna:

• Co otrzymujemy — ramki, punkty, maski i maty alfa z WeVisOne-VL-4B; jedna akcja wraz z jej śladem rozumowania z UI-Venus-2-9B.

• Backbone — Qwen3-VL dla WeVisOne-VL-4B; Qwen3.5-9B dla UI-Venus-2-9B. Różne generacje, różne rodziny stosu tekstowego.

• Rozmiar — 5B parametrów podanych w repozytorium mimo nazwy „4B”, plus osobny dekoder z 9,6M parametrów; 9B gęsty dla UI-Venus-2-9B w czterech shardach BF16, około 18,8 GB.

• Format wag — F32 safetensors na karcie WeVisOne-VL-4B, co jest nietypowe przy tym rozmiarze i sprawia, że pobieranie jest większe, niż sugeruje liczba parametrów; BF16 dla UI-Venus-2-9B.

• Licencja — Apache 2.0 dla WeVisOne-VL-4B; „oczekuje na ostateczne potwierdzenie” dla UI-Venus-2-9B.

Praktyczna konsekwencja jest taka, że nie możesz zamienić jednego na drugie, a każdy artykuł, który wskazuje zwycięzcę, odpowiada na pytanie, którego nie zadałeś. Model percepcji, który zwraca idealną maskę, wciąż nie potrafi kliknąć. Agent, który klika bezbłędnie, wciąż nie odda ci matte’a, którego chciałeś do sesji zdjęciowej produktu.

Tam, gdzie naprawdę się pokrywają: oba zespoły nauczyły swoje modele mówić „nie”.

To jedna decyzja projektowa, którą podjęły oba wydania, i najciekawszy element w tym zestawieniu. Modele lokalizacji z otwartym słownikiem zawodzą w konkretny, kosztowny sposób: poproś o gaśnicę w pomieszczeniu, w którym jej nie ma, a model, który zawsze odpowiada, z pewnością siebie zaznaczy ramką kaloryfer. W dalszym ciągu oznacza to halucynowany obiekt w twoim potoku zasobów albo źle skierowane kliknięcie w twojej pętli automatyzacji.

WeVisOne-VL-4B radzi sobie z tym, zwracając None, a artykuł podaje współczynnik odrzuceń jako osobną metrykę obok dokładności. Na RefCOCOg model 4B osiąga współczynnik odrzuceń 67,4, podczas gdy jego baza Qwen3-VL-4B wynosi 18,8. Na wewnętrznym WeRef-Bench WeChat raportuje 96,4 odrzuceń wobec 61,9 dla modelu bazowego, a na Ref-ZOM 86,0 wobec 0,3 dla UniPixel-7B. To wartości raportowane samodzielnie w opublikowanym dziś artykule, a benchmarki odrzuceń w dużej mierze należą do samych autorów — kierunek należy uznawać za wiarygodny, a dokładną różnicę za niezweryfikowaną.

UI-Venus-2-9B podchodzi do tego samego problemu od strony agenta, dziedzicząc po linii UI-Venus ugruntowanie z uwzględnieniem odmowy: model jest trenowany tak, aby odmawiać, gdy żądany element nie znajduje się na ekranie, zamiast zgadywać prawdopodobną lokalizację. Jego wyniki w zakresie ugruntowania — ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5 — pochodzą od dostawcy, a karta wyraźnie stwierdza, że nie eliminuje to ryzyka działań szkodliwych i zaleca potwierdzenie przez człowieka oraz zabezpieczenia na poziomie aplikacji. Tabela bezpieczeństwa pokazuje efekt, który faktycznie deklaruje: 11,3% wskaźnika skuteczności ataków na OSHarm wobec 25,3% dla bazowego Qwen3.5-9B oraz 48,8% na OSBlind wobec 79,4%.

Oba modele zostały zbudowane przez zespoły, które widziały, jak lokalizator kłamie, i oba wybrały wstrzymanie się od odpowiedzi zamiast pokrycia. Jeśli trybem awarii Twojej aplikacji jest „pewna siebie niepoprawność”, ta wspólna priorytetowość ma większe znaczenie niż liczba parametrów.

Liczby, których karta modelu Tencent nie pokazuje

Każde dotychczasowe opracowanie WeVisOne-VL-4B mówiło to samo i słusznie: karta modelu nie zawiera żadnych benchmarków. Zawiera je artykuł techniczny, który ukazał się 23 października 2026 r., co sprawia, że to ta część historii, która jeszcze nie została rozpowszechniona. Wszystko to jest samodzielnie raportowane przez autorów, nic nie zostało niezależnie odtworzone, a model ma jeden dzień — czytaj więc te dane jako twierdzenia o określonym kształcie, a nie jako ustalone wyniki.

W porównaniu z własną bazą Qwen3-VL-4B luki są wystarczająco duże, że byłyby interesujące nawet po znacznym zdyskontowaniu:

• Detekcja, średnie F1 w trybie zero-shot na COCO — 57,1 dla WeVisOne-VL-4B w porównaniu z 48,7 dla Qwen3-VL-4B oraz 55,3 wobec 44,0 na LVIS.

• Detekcja, średnia F1 na Dense200 — 71,3 vs 15,2. To nie literówka w tabeli artykułu; to właśnie w gęstych scenach małych obiektów model bazowy się załamuje.

• Detekcja obiektów referencyjnych, RefCOCOg val — 80,8 vs 74,1, przy współczynniku odrzuceń wynoszącym 67,4 vs 18,8.

Zliczanie, dokładne dopasowanie na zbiorze walidacyjnym PixMo-Count — 93,7 vs 69,6; na zbiorze walidacyjnym MixCount — 42,0 vs 3,5.

• Pointing, PointBench F1 — 71.9 vs 57.1.

• Lokalizacja OCR, średnia F1 w SROIE — 68,1 vs 40,4, wyprzedzając wynik 58,6 modelu PP-OCRv5.

• Segmentacja referencyjna, ReasonSeg val gIoU — 71,2 wobec 65,0 dla LISA-13B.

• Matting z podpowiedziami, MAD dla podpowiedzi ramkowych w AM-2K — 5,0 wobec 12,1 dla SAM2-Matting; w przypadku podpowiedzi referring w WeRefMat — 9,8 wobec 51,9.

Wynik mattingu jest tym, nad którym warto się zatrzymać, ponieważ to zdolność, której nic innego w tej klasie cenowej nie oferuje przez prompt. Poproszenie modelu językowo-wizualnego o „osobę jako matę alfa” i otrzymanie wyniku stride-1, który przewyższa pipeline mattingu SAM2 pod względem MAD, to inny produkt niż głowica detekcji z przypiętą maską. To także miejsce, w którym artykuł najmniej korzystnie przedstawia własny model 4B: przy promptach ramkowych P3M-500-NP model 2B uzyskuje 6,6 MAD wobec 7,3 dla 4B, więc większy wariant nie jest jednolicie lepszy — i autorzy piszą o tym wprost.

Co mierzą liczby UI-Venus-2-9B i dlaczego nie przełożą się na inne przypadki

Postaw oba zestawy benchmarków obok siebie, a nieporównywalność przestaje być kwestią techniczną. Kluczowe wyniki UI-Venus-2-9B to wszystkie wskaźniki sukcesu stanu końcowego w środowisku: AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0, MobileWorld 65,8 przy domyślnym budżecie kroków karty i 75,2 przy 100 krokach. Te liczby mierzą, czy zadanie zostało ukończone, co łączy percepcję, planowanie, pamięć i odzyskiwanie po błędach w jedną wartość.

Najbliższym odpowiednikiem wspólnej osi jest grounding GUI. UI-Venus-2-9B osiąga 73,0 na ScreenSpot-Pro, benchmarku polegającym na lokalizowaniu małych elementów interfejsu na zrzutach ekranu o wysokiej rozdzielczości — a WeVisOne-VL-4B tego nie raportuje. WeVisOne-VL-4B podaje wyniki lokalizacji OCR i gęstego wskazywania (dense pointing), a UI-Venus-2-9B ich nie raportuje. Uczciwe stanowisko jest więc takie, że jedyna najbardziej użyteczna liczba w tym porównaniu jeszcze nie istnieje: uruchomienie WeVisOne-VL-4B na ScreenSpot-Pro pozwoliłoby stwierdzić, czy 5B specjalista od percepcji bije 9B agenta w znajdowaniu przycisku, a dopóki ktoś tego nie uruchomi, każdy, kto rankuje te dwa modele pod kątem groundingu, zgaduje.

Własny zestaw testów agenta również publicznie ujawnia jego słaby punkt. W OSWorld 2.0 model 9B uzyskuje 7,5 punktu w ocenie częściowej i 0,0 w ocenie binarnej; model 27B osiąga 13,2 punktu w ocenie częściowej i 2,8 w ocenie binarnej. Długoterminowa praca na pulpicie nie jest rozwiązana przy tej wielkości modelu, i karta modelu mówi o tym wprost.

Udostępnianie ich to większa luka niż różnica w benchmarkach.

Dla zespołu decydującego, co uruchomić w przyszłym tygodniu, różnica operacyjna będzie miała większe znaczenie niż jakikolwiek wynik. UI-Venus-2-9B to pojedynczy model, który uruchamia się jedną komendą vLLM, udostępniając punkt końcowy zgodny z OpenAI z równoległością tensorową wynoszącą 1. WeVisOne-VL-4B wymaga swojego pakietu do wnioskowania z GitHub oraz oddzielnego artefaktu dekodera, a wywołuje się go przez własną otoczkę WeVisOneVL(...) z argumentem zadania — predict(image, task="matting", query="person", temperature=0.0). Karta dokumentuje ścieżki Transformers, vLLM i SGLang, ale dekoder pikseli nie jest opcjonalny: sam model językowy nie może wytworzyć maski.

Pamięć jest bliżej, niż sugerują liczby parametrów. Przy bf16 backbone 5B zajmuje około 10 GB przed dekoderem, w porównaniu z około 18,8 GB dla czterech shardów UI-Venus-2-9B. Oba mieszczą się na pojedynczej karcie 24 GB pod względem wag; różnica polega na tym, ile miejsca pozostaje na kontekst.

Jeśli chodzi o kontekst, obie konfiguracje zgadzają się w sposób, który łatwo nadinterpretować. Konfiguracja WeVisOne-VL-4B zawiera max_position_embeddings równe 262 144 — ten sam pułap, jaki UI-Venus-2-9B zapewnia przy swojej maksymalnej długości modelu wynoszącej 262 144. Ale wykorzystują go do różnych celów: agent traktuje długi kontekst jako pamięć epizodu, przechowując historię zrzutów ekranu danego zadania, natomiast opublikowane ewaluacje modelu percepcji są przeprowadzane przy 1 960 tokenach wizualnych na obraz. Okno 256K w modelu jednoturowym, obsługującym wyłącznie obrazy, jest górnym limitem, a nie wykazaną możliwością, a karta wymienia siatki wideo jako kategorycznie odrzucane przez dekoder pikseli.

Licencja: jedna z nich jest rozstrzygnięta, a druga nie.

WeVisOne-VL-4B jest objęty licencją Apache 2.0, a kod napisany przez Tencent podlega tym samym warunkom. Możesz go czytać, forkować, wdrażać w produkcie i nie musisz się o to konsultować z prawnikiem.

Karta UI-Venus-2-9B stwierdza, że licencja wag modelu oczekuje na ostateczne potwierdzenie i zostanie dodana przed publicznym wydaniem, a wcześniejsza deklaracja Apache-2.0 została celowo pominięta, ponieważ materiały źródłowe zawierają sprzeczne oświadczenia licencyjne. To zdanie widnieje na karcie od sierpnia i nie zostało zmienione. Nie przeszkadza ono w ocenie modelu ani nie uniemożliwia użytku wewnętrznego w większości organizacji — oznacza jednak, że zewnętrzny produkt zbudowany na tych wagach opiera się na nierozstrzygniętej kwestii, a żaden wynik benchmarku tego nie naprawi. Jeśli wybierasz między tymi dwoma modelami do czegoś, co zamierzasz wdrożyć, kolumna licencji decyduje szybciej niż kolumna dokładności.

Ile kosztuje każdy z nich, biorąc pod uwagę, że żaden z nich nie ma ceny

Dla żadnego z tych modeli nie istnieje cena za token ustalona przez dostawcę. Strona WeVisOne-VL-4B podaje, że nie jest on wdrażany przez żadnego dostawcę inferencji; UI-Venus-2-9B nie ma własnego endpointu ani cennika opublikowanego przez inclusionAI, więc cokolwiek zewnętrzny host za niego pobiera, jest stawką tego hosta, a nie zespołu. W obu przypadkach koszt to godziny GPU na sprzęcie, który wynajmujesz lub posiadasz, co oznacza, że porównanie nie polega na zestawieniu „ceny wejścia z ceną wyjścia”, lecz na pytaniu „jakiej karty potrzebuję i ile obrazów na sekundę przetwarza”.

Żaden z artykułów nie podaje przepustowości ani opóźnienia, więc ta druga liczba jest nieznana w obu przypadkach. Wiadomo natomiast, jaki jest kształt: UI-Venus-2-9B płaci za przejście w przód 9B plus tokeny rozumowania na każdym kroku epizodu, a epizod agenta to wiele kroków. WeVisOne-VL-4B płaci za przejście 5B plus przejście w przód dekodera na obraz, a jeden obraz to jedno wywołanie. Jeśli Twoje obciążenie to sto tysięcy zdjęć produktów, ekonomika modelu percepcji jest liczona na obraz i przewidywalna; jeśli to zadanie przeglądarkowe, koszt agenta skaluje się z liczbą akcji, których wymaga zadanie, a to jest liczba, której nie można prognozować z karty.

To także miejsce, w którym warstwa routingu zasługuje na swoją rolę, zamiast być jedynie sloganem. Żaden z tych modeli nie jest dziś dostępny w OrcaRouter i ten tekst nie zamierza udawać, że jest inaczej — WeVisOne-VL-4B nie ma w ogóle dostawcy inferencji, a UI-Venus-2-9B jest obsługiwany przez hosting zewnętrzny, a nie z naszego własnego katalogu. To, co OrcaRouter zapewnia modelom, które obsługuje, to jeden punkt końcowy zgodny z OpenAI w przypadku 200+ z nich przy 0% marży, z ceną katalogową dostawcy przekazywaną bez zmian, dzięki czemu obniżka ceny przez dostawcę dociera do Ciebie w dniu, w którym następuje, a nie przy kolejnym odnowieniu umowy. W architekturze, która wywołuje model percepcji i model agenta po kolei, DSL routingu jest miejscem, w którym żyje ta kompozycja — dwa wywołania modeli, jedno miejsce do podmiany dowolnego z ogniw — a automatyczne przełączanie awaryjne jest tym, co utrzymuje pętlę agenta przy życiu, gdy model za nią zaczyna działać gorzej w trakcie epizodu. W momencie, gdy którykolwiek z tych dwóch pojawi się u dostawcy, to najtańszy sposób, aby sprawdzić, czy należy do Twojego stosu.

Który wybrać?

Ta decyzja to opis stanowiska, a nie ranking.

• Wybierz WeVisOne-VL-4B, jeśli na wyjściu potrzebujesz geometrii — prostokątów ograniczających do potoku anotacji, masek dla narzędzia do edycji, mat alfa dla obrazów produktowych, zliczeń obiektów na gęstej klatce lotniczej lub OCR z dołączonymi współrzędnymi. Nic innego w otwartej klasie 5B nie zwraca maty na podstawie promptu tekstowego, a wyniki mattingu z pracy w porównaniu z potokiem SAM2 są najsilniejszą tezą w tym wydaniu.

• Wybierz UI-Venus-2-9B, jeśli potrzebujesz ukończonego zadania — wypełnionego formularza, nawigacji w aplikacji, rozwiązanej CAPTCHA, przepływu pracy na pulpicie sterowanego zrzutami ekranu. Jest dostarczany jako jedno polecenie vLLM z punktem końcowym zgodnym z OpenAI, co oznacza dzień pracy zamiast tygodnia, a jego wyniki AndroidWorld i WebVoyager to liczby, które warto porównać z własnym środowiskiem.

• Nie wybieraj jeszcze żadnego z nich, jeśli potrzebujesz niezależnych dowodów, opublikowanej ceny lub ustalonej licencji dla produktu gotowego do wdrożenia. Brakuje wszystkich trzech w przypadku licencji UI-Venus-2-9B oraz benchmarków obu modeli.

• Rozważ oba, jeśli budujesz agenta, który musi operować na obrazach, a nie tylko klikać po ekranach. Ciekawa jest kompozycja: UI-Venus-2-9B decyduje, gdzie działać, a WeVisOne-VL-4B tworzy dokładny co do piksela artefakt, do którego zmierzała akcja. To kosztuje dwa wywołania modelu na krok i zapewnia precyzję, której żaden z modeli nie ma sam.

Co zmieniłoby tę odpowiedź?

Cztery rzeczy, uporządkowane według tego, jak bardzo by to zmieniły.

Przeprowadzenie testu ScreenSpot-Pro na WeVisOne-VL-4B. To jedyny benchmark, na którym obie strony mogłyby realistycznie się zmierzyć, i rozstrzygnąłby, czy specjalista od percepcji o połowę mniejszy osiąga lepsze wyniki w lokalizacji niż agent UI zbudowany specjalnie do tego celu. Każdy, kto ma GPU i wolne popołudnie, może go przeprowadzić, a jednak nikt tego nie zrobił.

Niezależna ocena któregokolwiek z modeli. Każda liczba w tym artykule pochodzi z karty modelu lub publikacji napisanej przez zespół, który go stworzył. To normalne w dniu premiery, a jednak wciąż jest to luka.

Rozstrzygnięta kwestia licencji UI-Venus-2-9B. „Oczekiwanie na ostateczne potwierdzenie” widnieje na karcie od ośmiu tygodni. Jeśli rozstrzygnie się to na rzecz czegoś permisywnego, agenta będzie znacznie łatwiej polecić do zastosowań komercyjnych; jeśli nie, odpowiedź na to pytanie będzie odwrotna.

Własny endpoint dla obu opcji. Żaden z dostawców nie udostępnia dziś własnego modelu, co ogranicza grupę odbiorców do zespołów gotowych uruchomić stos serwowania, a po stronie WeVisOne-VL-4B — do zespołów gotowych obsługiwać niestandardowy pakiet inferencyjny. Opublikowana przez dostawcę stawka zmieniłaby porównanie kosztów z arytmetyki w pozycję kosztorysową.

Do tego czasu uczciwe podsumowanie jest takie: Tencent wydał zestaw narzędzi do percepcji, który robi coś, czego żaden mały otwarty model wcześniej nie robił, wystarczająco dyskretnie, że jego własne tabele benchmarków nie zostały jeszcze przeczytane, a Ant Group wydała półtora miesiąca wcześniej agenta, którego łatwiej uruchomić i trudniej licencjonować. Nie są rywalami. Błędem byłoby wybrać jednego, ponieważ drugi uzyskał wyższy wynik w benchmarku, którego nie współdzielą.