Molmo2-4B vs UI-Venus-2-9B: Um desses nomes é um tamanho, e está errado

O modelo se chama UI-Venus 2 com 9B. Não é 2,9B, e não é uma versão de 9B de um modelo de 2,9B. A string no nome do arquivo é um número de geração colado a uma contagem de parâmetros — inclusionAI/UI-Venus-2-9B — e tem sido lida ao contrário por feeds de radar e páginas de listagem suficientes para que uma comparação com o Molmo2-4B agora pareça dois modelos pequenos na mesma classe de peso. Não é. O UI-Venus-2-9B é um agente GUI de 9B inicializado a partir do Qwen3.5-9B, aproximadamente o dobro do tamanho dos 4,85B do Molmo2-4B, e os dois fazem trabalhos completamente diferentes. Se você realmente quer o modelo GUI pequeno dessa família, é o UI-Venus-1.5-2B, que é onde o número 2B se encaixa. Dois modelos especialistas com contratos de saída diferentes são um problema de roteamento. sem acréscimo sobre o preço de tabela do provedor O failover cobre o caso em que um deles está tendo uma tarde ruim.

Ambos os modelos são mais antigos do que o enquadramento sugere. O Molmo2-4B foi anunciado pelo Allen Institute for AI em 11 de dezembro de 2025, e seus pesos foram disponibilizados em 14 de dezembro. Os pesos do UI-Venus-2-9B chegaram em 26 de agosto de 2026, junto com um relatório técnico, arXiv 2609.00028. O que mudou recentemente no lado do Molmo são as ferramentas, não os pesos: o suporte nativo ao Transformers foi integrado em 9 de outubro de 2026 e lançado na v5.20.0 em 15 de outubro, e um ajuste fino para robótica, Molmo2-4B-tb, surgiu em 5 de novembro. Nenhum dos dois é um lançamento, e nenhum dos dois transforma o Molmo2-4B em um modelo de GUI.

O que o UI-Venus 2 de 9B realmente é

É um agente de interface em loop fechado. A entrada é uma captura de tela; a saída é uma ação fundamentada — toque aqui, digite isto, role — e o loop continua até a tarefa ser concluída. O treinamento ocorre em três estágios sobre cinco famílias de tarefas (fundamentação, CAPTCHA, mobile, web e computador), terminando em destilação on-policy com múltiplos professores que integra especialistas de domínio em uma única política. A cobertura de ambientes é a substância do lançamento: mais de 170 aplicativos mobile em chinês e inglês, um conjunto de domínios web com mais de 4.000 domínios em 19 categorias e controle de SO desktop construído do zero.

Os números do próprio fornecedor, todos provenientes da ficha do modelo e do respetivo relatório técnico:

• Ancoragem de GUI — ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5, UI-Vision 53,2.

• Agentes móveis — AndroidWorld 80,2, MobileWorld 65,8 em etapas padrão e 75,2 com um orçamento de 100 etapas, MobileGym 52,7, VenusBench-Mobile 46,5, KnowUBench 56,5, MemGUI 62,6.

• Desktop — OSWorld-Verified 70,8, DeskCraft 48,0 e OSWorld 2.0 com 0,0 de precisão binária e uma pontuação parcial de 7,5 em 108 tarefas dentro de um orçamento de 150 etapas. Esse zero merece uma leitura atenta; é uma métrica binária rígida, não um erro de digitação.

• Web — WebVoyager 90,8, Online-Mind2Web 74,0, REAL 76,9, Odysseys 77,3 de média com 62,0 perfeitos.

• Segurança — taxa de sucesso de ataque de 11,3% no OSHarm e 48,8% no OSBlind, contra 25,3% e 79,4% para a base Qwen3.5-9B.

Existe uma verificação independente. O benchmark diagnóstico PointerBench, publicado em outubro de 2026, pontua o UI-Venus-2-9B com Sheets 64,2, Text 25,8 e Pro 73,6, uma média de 54,5, e o descreve como o especialista nativo mais forte em ancoragem de GUI, ao mesmo tempo que sinaliza a ancoragem em nível de texto como sua área mais fraca. Esse é um resultado de terceiros em uma combinação de tarefas diferente, e é uma correção útil: a manchete do ScreenSpot-Pro não é o quadro completo.

O que o Molmo2-4B realmente é

Um modelo vision-linguagem de uso geral com saída de pontos. 4.850.869.200 parâmetros, uma torre de visão SigLIP 2 so400m sobre o Qwen3-4B-Instruct-2507, 36.864 posições, 19,42 GB de pesos float32 em quatro shards. Ele lida com imagens, múltiplas imagens e vídeo, e retorna coordenadas dimensionadas para 0–1000 da largura e altura da imagem, com carimbos de data/hora quando a entrada é um vídeo. Seu agregado do fornecedor é 62,8 em 15 benchmarks acadêmicos.

O que ele não tem é um número de GUI publicado. O Molmo2-4B não aparece nas tabelas do relatório técnico do UI-Venus, na avaliação PointerBench, nem com um resultado no ScreenSpot-Pro em seu próprio cartão. O número de GUI mais próximo da família Molmo pertence a um modelo diferente: o MolmoPoint-GUI-8B, um fine-tune especializado em GUI de 8B da linha MolmoPoint de março de 2026, reporta 61,1 no ScreenSpot-Pro. Citar isso como um resultado do Molmo2-4B seria um erro de categoria, e é o erro mais provável que um leitor cometeria ao comparar esses dois.

A sobreposição é menor do que a nomenclatura sugere.

• Tamanho — 4,85B densos para o Molmo2-4B, contra um modelo denso de 9B inicializado a partir do Qwen3.5-9B.

• Entradas — imagem, múltiplas imagens e vídeo para o Molmo2-4B; uma captura de tela para o UI-Venus-2-9B, em loop, com a ação anterior realimentada.

• Saídas — pontos esparsos em coordenadas normalizadas para o Molmo2-4B; uma ação estruturada para o UI-Venus-2-9B, interpretada por um harness que então controla o dispositivo.

• Ponto forte — ancoragem em imagens naturais e vídeo, contagem e rastreamento para o Molmo2-4B; localização de elementos e navegação em múltiplas etapas em interfaces de alta resolução para o UI-Venus-2-9B.

• Grounding de GUI publicado — nenhum para o Molmo2-4B; ScreenSpot-Pro 73,0 para o UI-Venus-2-9B.

• Licença — pesos Apache 2.0 com uma ressalva relativa a dados de terceiros para o Molmo2-4B; o cartão de modelo do UI-Venus-2-9B não publica qualquer campo de licença, o que constitui uma lacuna a resolver antes de qualquer utilização comercial.

Essa última linha não é um detalhe. Um modelo 9B derivado do Qwen3.5-9B sem campo de licença na ficha do modelo não é algo que uma revisão jurídica possa aprovar com base em um README. Os metadados da própria ficha também não ajudam: o selo Safetensors indica "1.47M params", o que não é um tamanho plausível para um checkpoint desse porte e parece um artefato de metadados de shard. Pergunte aos mantenedores sobre as duas coisas antes de basear seu planejamento nisso.

Se você quer grounding de GUI da linha Molmo

O caminho honesto não é o Molmo2-4B. O próprio trabalho de GUI da Ai2 está na família MolmoPoint, em que o MolmoPoint-GUI-8B reporta 61,1 no ScreenSpot-Pro contra 73,0 do UI-Venus-2-9B, e os dois números vêm pelo menos do mesmo benchmark. Mesmo assim, a comparação é entre harnesses diferentes: scaffolds de ação diferentes, pré-processamentos de captura de tela diferentes e, no caso do UI-Venus, uma suposição documentada de que o raciocínio está desativado e a temperatura definida como zero para localização direta de pontos. Uma diferença de 12 pontos em um benchmark tão sensível a escolhas de harness é um sinal, não um veredito.

Aquilo para que o Molmo2-4B é realmente bom em uma stack de agentes é a etapa de percepção que não é um botão. Encontrar o objeto que um usuário descreveu em um quadro de câmera, apontar para ele ao longo de um vídeo, contar instâncias, rastrear algo ao longo do tempo — essas são as saídas para as quais o modelo foi treinado, e nenhuma delas é um elemento de UI em uma captura de tela em 4K. Equipes frequentemente acabam executando os dois tipos de modelo: um especialista para a interface, um generalista para a cena.

Isso é mais um problema de roteamento do que de modelagem. Os dois modelos têm contratos de saída incompatíveis e perfis de hardware diferentes, e executá-los por trás de uma única chave para ambos — com failover quando um endpoint degrada e sem markup sobre o preço de tabela do provedor — remove a parte da pilha que não tem nada a ver com visão. Também vale dizer claramente que nenhum desses modelos está no catálogo do OrcaRouter; ambos são pesos que você mesmo hospeda, e a camada de roteamento fica ao redor deles, e não abaixo deles.

A versão resumida

Se a tarefa é “operar este app”, o UI-Venus-2-9B é o especialista e o Molmo2-4B não tem nada a oferecer nesse benchmark. Se a tarefa é “apontar para a coisa nesta fotografia ou neste vídeo”, o UI-Venus-2-9B não tem nada a oferecer e o Molmo2-4B é a razão pela qual a comparação existe. E se o que você realmente queria era um pequeno modelo de GUI para rodar com baixo custo, a comparação correta nunca foi esta — é o UI-Venus-1.5-2B, com 2B, contra qualquer generalista compacto que você consiga encaixar ao lado dele.