UI-Venus-2-9B: Agente GUI de 9B do Ant Group Lançado Sem Paper, Sem Anúncio e com Números Quase SOTA

O UI-Venus-2-9B foi disponibilizado no Hugging Face em 26 de agosto de 2026 sem nada do que normalmente acompanha o lançamento de um modelo. Sem post de anúncio. Sem comunicado à imprensa. Sem relatório técnico — o selo do arXiv no README aponta para uma URL provisória, e o bloco de citação traz um explícito TODO: atualizar o identificador do arXiv assim que o relatório do UI-Venus-2 for público. O link da página do projeto também é um placeholder. No momento em que este texto foi escrito, o repositório tem zero downloads e um like, e os quatro shards safetensors dentro dele descrevem um agente de GUI de propósito geral que, em sua própria model card, supera o Q​wen3.6-27B no AndroidWorld e no OSWorld-Verified, supera o Claude Opus 4.6 no WebVoyager, supera o O​penAI Operator no Online-Mind2Web e reduz a taxa de sucesso de ataques OSBlind de mais de 90% — típica dos agentes de GUI anteriores — para 18,5%. As model cards da InclusionAI atribuem a família ao Venus Team da Ant Group, o que torna esta a entrada discreta da Ant Group na corrida de uso de computador com pesos abertos — e a parte mais discreta é que nenhum desses números foi ainda reproduzido de forma independente.

O que realmente foi lançado

O repositório é chamado inclusionAI/UI-Venus-2-9B, marcado como image-text-to-text com qwen3_5 como tag de arquitetura. O modelo tem 9B de parâmetros, inicializado a partir de Q​wen3.5-9B, lançado sob a licença Apache-2.0 em BF16. É um agente de GUI de fundação: ele observa uma interface, raciocina sobre o estado da tarefa, executa uma ação e incorpora o feedback resultante na próxima decisão — um ciclo fechado de observar–raciocinar–agir–feedback que, segundo o card, é treinado para abranger aplicações móveis, plataformas web e sistemas operacionais de desktop em um único checkpoint.

• Parâmetros — 9B, inicializado a partir de Q​wen3.5-9B, BF16, quatro shards.

• Licença — Apache-2.0.

• Contexto — a invocação oficial do vLLM define --max-model-len 262144 (256K tokens), que é o quanto de histórico de capturas de tela o agente pode manter em um episódio.

• Servindo — suporte de primeira classe para vLLM com um endpoint compatível com O​penAI e uma --reasoning-parser qwen3 flag, o que significa que o modelo emite tokens de raciocínio antes de sua ação, no estilo Q​wen3.

• Alcance — o cartão afirma cobertura de treinamento em mais de 170+ aplicativos móveis multilíngues (100+ em chinês, 70+ em inglês), 50k+ sites ativos e SO nativo de desktop com 50+ aplicativos profissionais.

O detalhe do parser de raciocínio importa mais do que parece. Um agente de GUI que pensa antes de agir não é novidade, mas lançar um que se conecta ao vLLM padrão com uma API compatível com OpenAI e um parser de raciocínio Qwen padrão significa que a história de implantação é chata no bom sentido — um comando e ele está de pé, o que é extraordinariamente maduro para um modelo criado ontem.

Os números, e o que eles não são

Tudo abaixo é relatado pelo fornecedor. A ficha do modelo publica tabelas de comparação com fortes baselines publicados, e a linha que apresenta o melhor resultado para UI-Venus-2-9B é AndroidWorld 80.2 — acima de Q​wen3.6-27B com 70.3, MAI-UI-8B com 70.7 e GUI-Owl-1.5-32B-Instruct com 69.8. Em OSWorld-Verified, o 9B registra 70.8, novamente à frente de Q​wen3.6-27B com 62.0, mas atrás de Kimi K2.6 com 73.1. Em navegação web, a ficha lista WebVoyager 90.8, acima de Claude Opus 4.6 com 88.0 e Seed-2.0 com 85.1, e Online-Mind2Web 74.0 contra os 61.3 do O​penAI Operator.

A comparação interna mais marcante é contra a própria base do modelo. No DeskCraft, o UI-Venus-2-9B obtém 48,0, enquanto o Q​wen3.5-9B a partir do qual foi inicializado obtém 14,6 — um salto de 33,4 pontos que é todo o argumento a favor da receita de treinamento, e isso se repete no CAPTCHA: MCA-Bench 75,7 contra os 30,4 da base, NextGen-CAPTCHAs 47,6 contra 2,8. Os números do CAPTCHA merecem uma pausa por si mesmos, porque são o sinal mais claro de que o modelo foi construído para operar em sites reais, hostis e em produção, em vez de páginas de benchmark limpas.

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

• Uso de computador — OSWorld-Verified 70.8, DeskCraft 48.0.

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

• ancoragem em 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.

• Segurança — taxa de sucesso do ataque OSBlind de 18,5%, contra Claude 4.5 Sonnet em 73,0 e GPT-4o em 93,3 no mesmo cartão.

A receita: cinco famílias de tarefas, três etapas

O pipeline de treinamento que o card descreve é a razão pela qual os deltas do modelo base são tão grandes. O UI-Venus-2 é treinado em uma mistura deliberadamente complementar de cinco famílias de tarefas — Grounding, CAPTCHA, Mobile, Web e Computer — em três estágios. Primeiro, mid-training multimodal baseado em trajetórias em larga escala em ambientes simulados de mobile, web e SO, com verificação colaborativa humano-discriminador filtrando interações inválidas, além de supervisão de grounding e CAPTCHA sintetizada programaticamente. Segundo, aprendizado por reforço offline em nível de passo para Mobile, SO e Web, que otimiza a seleção de ações ciente do estado, com instâncias verificadas de CAPTCHA e grounding incorporadas em interfaces realistas para ensinar localização precisa sob desordem visual. Terceiro, destilação on-policy multi-professor que consolida professores especializados em domínio em uma política unificada.

A camada de verificação é a parte mais distintiva. A conclusão da tarefa é avaliada por pontos-chave visuais relevantes à tarefa, em vez de uma aparência grosseira da tela final, e múltiplos modelos votam para agregar juízes heterogêneos — um design que visa tornar o sinal de recompensa do RL robusto a reward hacking. O feedback verificado é então destilado de volta ao treinamento como supervisão de reflexão, para que o agente possa distinguir progresso parcial da conclusão real e se recuperar durante interação de horizonte longo. Nada disso é verificado de forma independente, e o card não fornece reproduções às quais recorrer — é a afirmação que o artigo deveria comprovar.

A família e a conexão com o Ant Group

UI-Venus-2-9B é a terceira geração de uma família que a inclusionAI vem lançando silenciosamente desde o início. O relatório técnico original da UI-Venus apareceu em agosto de 2025 com checkpoints de 7B e 72B; a UI-Venus 1.5 veio em seguida, em fevereiro de 2026, com variantes de 2B, 8B e 30B-A3B. O bloco de citação no novo card credita o "Venus Team, Ant Group", que é como a relação da inclusionAI com o Ant Group é declarada em suas próprias palavras — este é o laboratório de IA do Ant Group publicando sob o nome inclusionAI. A aposta fundamental da família é que um agente de GUI deve trabalhar apenas a partir de pixels: observar a tela por meio de capturas de tela, em vez de árvores DOM, XML de acessibilidade ou dumps de interface, o que o torna portátil para o grande número de aplicativos móveis chineses e ingleses que não expõem dados de interface estruturados. O Venus Framework complementar, do GitHub da família, controla a automação do Android e suporta controle paralelo de múltiplos dispositivos.

O que ainda não sabemos

A leitura honesta deste repositório é que a lacuna entre as alegações e as evidências ainda é ampla. Não há relatório técnico público do UI-Venus-2 — o selo é um espaço reservado, e o README diz que o relatório é "não público" — portanto, as tabelas de benchmark permanecem como números do próprio fornecedor, sem documento de metodologia e sem reexecução independente. Não há página de projeto ao vivo. Não há anúncio, o que significa que não há preços oficiais, nem API hospedada, nem roteiro confirmado. As próprias tabelas do card listam repetidamente um UI-Venus-2-27B — 84.0 no AndroidWorld, 80.5 no OSWorld-Verified, 12.3 no OSBlind — que não existe no Hugging Face até o momento desta redação, portanto o carro-chefe da família é referenciado, mas não lançado. E com zero downloads, ninguém fora do laboratório executou este checkpoint ainda.

Como você realmente o executaria

Para todas as incógnitas, a única coisa concreta é o serving. O card documenta um único comando vLLM que disponibiliza o modelo com uma janela de contexto de 256K e uma API compatível com O​penAI:

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

Isso torna o caminho prático o self-hosting — baixe os pesos, rode o vLLM e aponte seu harness de agente para o localhost. Este é o caso em que uma camada de roteamento se justifica na stack ao redor, e não no próprio agente de GUI: o modelo que escreve o plano de tarefas, o modelo de visão que verifica duas vezes o estado da tela, o modelo de transcrição que registra o que aconteceu — todos eles ficam no OrcaRouter pelo preço de tabela do provedor, com 0% de margem e failover automático, para que você possa prototipar com um modelo de um dia sem apostar um pipeline de produção nele. No dia em que um checkpoint de agente de GUI como este chegar a um provedor roteado, ele aparecerá pelo preço de tabela do provedor com o mesmo repasse, e os cortes de preço do fornecedor chegam ao nosso lado no mesmo dia. Até lá, os pesos Apache-2.0 são toda a história.

O que assistir a seguir

Três coisas decidirão se este navio silencioso vira notícia. Se o UI-Venus-2-27B que preenche as tabelas do card realmente aparecer no Hugging Face, e se ele carregar consigo o número 12.3 do OSBlind. Se o relatório técnico for publicado e resistir à primeira reprodução independente. E se a Ant Group decidir que a fase silenciosa acabou — porque um agente de pesos abertos de 9B com esses números de tabela e um contexto de 256K não é algo que permanece com zero downloads por muito tempo.