WeVisOne-VL-2B vs UI-Venus-2-9B: A Lacuna de Tamanho que o Nome Esconde

Nove bilhões de parâmetros não é o que a comparação indica. Escrito da forma como a maioria das pessoas escreve — WeVisOne-VL-2B vs UI-Venus 2.9B —, o pareamento é lido como dois pequenos modelos de visão de peso aproximadamente igual, uma disputa justa entre um novo checkpoint de 2B da equipe WeChat Vision da Tencent e algo um pouco maior do inclusionAI do Ant Group. A segunda metade dessa suposição é falsa. UI-Venus-2-9B é o UI-Venus 2 com 9 bilhões de parâmetros, inicializado a partir do Qwen3.5-9B; o “2” é a geração, não o tamanho. WeVisOne-VL-2B, publicado no Hugging Face em 22 de outubro de 2026, tem 2 bilhões de parâmetros com backbone Qwen3-VL. A comparação real é, portanto, a de um modelo quatro vezes e meia menor, sobre uma geração de backbone mais antiga, que retorna um tipo de resposta completamente diferente.

Também chegou sem um lançamento. Há um repositório no Hugging Face, um repositório no GitHub contendo um único commit inicial, um artigo no arXiv e uma página de projeto de pesquisa — e nenhum anúncio do fornecedor, nenhuma postagem em blog e nenhuma página de preços que os conecte. Isso molda o que este artigo pode fazer com honestidade. Os pesos, a arquitetura, o texto da licença e as tabelas do artigo são verificáveis hoje. Avaliação independente, vazão, latência e preço não são, porque nenhum deles existe ainda. O cartão de modelo da Tencent não publica nenhum número de benchmark; cada pontuação atribuída ao WeVisOne-VL-2B abaixo vem das sete tabelas de tarefas dos próprios autores e é rotulada dessa forma. O UI-Venus-2-9B é mais antigo e mais bem documentado, mas seus números são exatamente como autorrelatados.

O que os dois nomes realmente descrevem

WeVisOne-VL-2B é um modelo de percepção. Basta fornecer uma imagem e uma frase e ele retorna geometria: uma caixa delimitadora, um ponto, uma contagem, uma máscara binária ou um alpha matte contínuo. Seu lado de linguagem emite coordenadas como tokens dedicados que vão de <0> a <1000>, normalizados para a imagem, e fecha cada caixa em tarefas densas com um token especial <OBJ> no id 152,678. Esses tokens são apenas marcadores até que mask_decoder.pt leia o estado oculto por trás deles — um artefato obrigatório de 9,511,460 parâmetros, distribuído como um segundo arquivo, que o cartão descreve como "um componente central obrigatório, não um complemento opcional". Sem ele, você obtém caixas. Com ele, você obtém máscaras e alpha mattes com stride 1.

UI-Venus-2-9B é um agente. Entregue a ele uma captura de tela e uma tarefa, e ele retorna um movimento: o próximo toque, clique ou pressionamento de tecla, além dos tokens de raciocínio que o produziram, dentro de um ciclo fechado de observar–raciocinar–agir. Ele foi treinado em interação apenas por captura de tela em grounding, CAPTCHA, dispositivos móveis, web e uso de computador, e sua receita publicada do vLLM combina um comprimento máximo de modelo de 262.144 com o parser de raciocínio Qwen3, porque o rastro de raciocínio aparece antes de cada ação.

Coloque os dois lado a lado e a incompatibilidade é imediata:

• O que retorna — caixas, pontos, contagens, spans de OCR, máscaras e mattes alfa do WeVisOne-VL-2B; uma ação de tela mais seu traço de raciocínio do UI-Venus-2-9B.

• Parâmetros — 2B para o WeVisOne-VL-2B, mais o decodificador separado de 9,5M; 9B denso para o UI-Venus-2-9B, cerca de 4,5 vezes os pesos.

• Backbone — Qwen3-VL para WeVisOne-VL-2B, 28 camadas de texto com tamanho oculto de 2.048; Qwen3.5-9B para UI-Venus-2-9B. Gerações diferentes, stacks de texto diferentes.

• Pesos em disco — bfloat16 para ambos, mas cerca de 4 GB para o 2B, em comparação com quatro shards BF16 que totalizam cerca de 18,8 GB para o 9B.

• Teto de contexto — 262.144 posições em cada um, lidos da configuração do WeVisOne-VL-2B e do comando de serviço do UI-Venus-2-9B. Nenhum dos fornecedores demonstra usar algo parecido.

• Evidência publicada — sete tabelas de tarefas no artigo da Tencent e nenhuma na ficha do modelo; uma longa lista de benchmarks de fornecedores na ficha da inclusionAI e nenhuma tabela no artigo.

• Licença — Apache 2.0 para o código de autoria da Tencent; "confirmação final pendente" para os pesos do UI-Venus-2-9B.

A consequência prática é que você não pode trocar um pelo outro, e qualquer artigo que lhe apresente um vencedor está respondendo a uma pergunta que você não fez. Um modelo de percepção que retorna uma máscara perfeita ainda não consegue apertar um botão. Um agente que navega perfeitamente por um aplicativo ainda não consegue entregar o recorte que você queria para uma foto de produto.

O argumento em favor do modelo menor é mais forte do que 2B versus 9B sugere.

O instinto ao ver um 2B ao lado de um 9B é que o menor é o compromisso orçamentário. No trabalho para o qual foi treinado, o artigo da Tencent argumenta o contrário, e um dos próprios resultados dele argumenta contra o próprio lançamento maior. Todos os números aqui são dos próprios autores, executados pelos autores, reproduzidos por ninguém.

• Detecção zero-shot — F1 médio de 55,2 no COCO, 53,3 no LVIS, 61,4 no Dense200 e 40,4 no VisDrone. O baseline Qwen3-VL-2B obtém 45,2, 40,8, 10,0 e 23,1 na mesma tabela. A diferença no Dense200 é a que chama atenção: seis vezes o modelo base em cenas aglomeradas.

• Contagem — 90,9 e 88,1 de correspondência exata nas duas divisões do PixMo-Count, mas 27,5 e 26,9 no CLOC, 29,5 e 32,4 no KubriCount, e 47,9 no CountQA. Contar não é uma única habilidade, e essa dispersão é a coisa mais honesta do artigo.

• Localização de OCR — F1 médio de 30,5 no HierText, 42,6 no ICDAR2015, 42,5 no TotalText e 62,1 no SROIE, com um limiar de IoU de 0,5. São pontuações de localização com coordenadas associadas, não precisão de transcrição, portanto não são comparáveis ao número do OCRBench normalmente citado para VLMs de consumo.

• Segmentação referencial — 79,7 IoU cumulativo na validação do RefCOCO, 73,1 no RefCOCO+, 74,4 no RefCOCOg e 60,9 gIoU no ReasonSeg.

• Matting com prompts — 6,6 de diferença absoluta média no P3M-500-NP com um prompt de caixa, contra 15,4 do SAM2-Matting; 5,7 contra 12,1 no AM-2K; 15,8 contra 23,0 para um pipeline Qwen3-VL-8B mais SAM2-Matting no split de referência WeRefMat mais difícil. Menor é melhor em todos os casos.

O resultado de matting é onde o argumento de tamanho se inverte. Naquele mesmo teste de box-prompt P3M-500-NP, o 2B pontua 6,6 e o 4B irmão da própria Tencent pontua 7,3. O modelo menor é o melhor dos dois, a Tencent não explica por quê, e o artigo publica isso mesmo assim. Se o seu trabalho é recortar objetos de imagens, a variante mais barata da família não é um downgrade — atualmente, é a escolha com o melhor resultado medido.

O que o artigo não mostra é igualmente importante saber. Não há MMMU, nem MMBench, nem DocVQA e nem benchmark de legendagem em nenhuma das sete tabelas, e a seção de limitações admite que dados de treinamento de propósito geral limitados "podem comprometer as capacidades gerais em relação ao modelo base". O ajuste fino que tornou este modelo bom em percepção pode tê-lo tornado um assistente geral pior, e nada nos testes de lançamento avalia isso. Também não há qualquer saída de cadeia de pensamento, qualquer memória de múltiplos turnos ou suporte a vídeo — o decodificador de pixels rejeita grades de vídeo de imediato.

O único benchmark que resolveria isso não existe

Coloque as duas suítes de avaliação lado a lado e a incomparabilidade deixa de ser uma tecnicalidade. Os resultados de destaque do UI-Venus-2-9B são taxas de sucesso de estado final em um ambiente: AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0, MobileWorld 65,8 no orçamento padrão de etapas do card e 75,2 com 100 etapas. Essas métricas medem se uma tarefa foi concluída, reunindo percepção, planejamento, memória e recuperação de erros em um único número.

O que mais se aproxima de um eixo comum é o grounding de GUI — localizar um pequeno elemento de interface numa captura de tela de alta resolução. O UI-Venus-2-9B registra 73,0 no ScreenSpot-Pro. O WeVisOne-VL-2B não relata nenhum resultado no ScreenSpot-Pro, nenhum resultado no ScreenSpot-V2 e nenhum benchmark de GUI de qualquer tipo, em sua ficha, em seu artigo ou em sua página de projeto. Na direção oposta, o WeVisOne-VL-2B relata localização de OCR e apontamento denso, e o UI-Venus-2-9B não relata nenhum dos dois.

Há uma nuance que faz o pareamento da manchete parecer ainda mais estranho. A inclusionAI já disponibiliza um modelo 2B construído sobre Qwen3-VL — UI-Venus-1.5-2B — e seu card informa 57,7 no ScreenSpot-Pro, contra 68,4 do seu irmão 8B e 69,6 do 30B-A3B. Esse é o verdadeiro equivalente de mesmo tamanho do WeVisOne-VL-2B, na mesma família de backbone, medido no único benchmark com que ambas as linhas se importam. Ele simplesmente não é o modelo nomeado neste confronto.

A posição honesta é limitada. Nenhum número publicado compara o WeVisOne-VL-2B ao UI-Venus-2-9B em qualquer tarefa, e ninguém executou o modelo de percepção 2B em um conjunto de grounding de GUI. Executar o WeVisOne-VL-2B no ScreenSpot-Pro é a medição ausente mais útil desta comparação: ela diria se um especialista em percepção 2B encontra elementos de interface melhor ou pior que um agente 9B e, até que alguém a execute, qualquer pessoa que classifique esses dois na localização de elementos está extrapolando a partir da arquitetura.

O que cada um faz quando o objeto não está lá

O comportamento diante de objetos ausentes é onde os modelos de percepção falham silenciosamente. Peça o extintor de incêndio numa sala que não tem nenhum e um modelo que sempre responde vai delimitar o radiador com toda a confiança — e, num pipeline automatizado, isso vira um objeto alucinado numa biblioteca de ativos, ou um toque mal direcionado no loop de um agente.

A WeVisOne-VL-2B responde None em vez disso, e o artigo relata a rejeição como uma métrica própria ao lado da acurácia. No RefCOCOg, ele relata uma taxa de rejeição de 50,2 para consultas de objeto ausente, contra 0,5 do Rex-Omni-3B e 0,6 do LocateAnything-3B na mesma tabela. Esse é um objetivo de projeto diferente de maximizar o recall, e é o número que torna um modelo pequeno utilizável como componente: um módulo de geometria que diz "não presente" é seguro para alimentar um planejador, enquanto um que inventa uma caixa o corrompe silenciosamente.

O UI-Venus-2-9B aborda o mesmo problema pelo lado da ação, herdando da linha UI-Venus o grounding ciente de recusa — ele é treinado para recusar quando o elemento solicitado não está na tela, em vez de adivinhar uma coordenada plausível. Sua tabela de segurança mostra o efeito que ele alega: uma taxa de sucesso de ataque de 11,3% no OSHarm, contra 25,3% para a base Qwen3.5-9B, e 48,8% no OSBlind, contra 79,4%. A ficha também é explícita ao afirmar que isso não elimina o risco de ações prejudiciais e recomenda confirmação humana além de salvaguardas no nível do aplicativo. Ambas as equipes escolheram a abstenção em vez da cobertura; nenhuma teve essa escolha medida de forma independente.

Executando um 2B ao lado de um 9B

A relação honesta entre esses dois modelos não é de rivalidade, mas de sequência. Um retorna geometria, o outro age sobre ela. Se você está construindo um sistema de automação de tela, uma arquitetura plausível coloca o WeVisOne-VL-2B à frente como o componente que informa o que está onde — caixas, spans de OCR, máscaras — e o UI-Venus-2-9B atrás dele como o componente que decide o que fazer. Isso é composição, não competição, e é o único enquadramento em que o pareamento faz sentido operacional.

A memória torna essa composição barata em uma única máquina. Em bfloat16, o backbone de 2B tem aproximadamente 4 GB de pesos antes do decodificador, e o de 9B tem cerca de 18,8 GB distribuídos em quatro shards. Ambos cabem em uma única placa de 24 GB com espaço restante para contexto; o de 2B sozinho cabe em uma placa de 8 GB, o que é o fato mais interessante. Os limites máximos de contexto coincidem em 262.144 posições, mas significam coisas diferentes: o agente usa contexto longo como memória de episódio, mantendo um histórico de capturas de tela, enquanto as avaliações publicadas do modelo de percepção rodam com aproximadamente 1.960 tokens visuais por imagem. Uma janela de 256K em um modelo de turno único e somente de imagem é um limite máximo, não uma capacidade demonstrada.

O custo é onde os formatos divergem. Nenhum dos fornecedores publica um preço por token, então, para ambos, o custo real são horas de GPU no hardware que você aluga ou possui. Um agente paga por uma passagem direta de 9B mais tokens de raciocínio a cada passo, e um episódio tem muitos passos — um número que você não consegue prever a partir da ficha técnica. Um modelo de percepção paga por uma passagem de 2B mais uma passagem pelo decodificador por imagem, e uma imagem é uma chamada. Cem mil fotos de produto é uma aritmética previsível por imagem; uma tarefa de navegador não é.

É também aqui que uma camada de roteamento se justifica, em vez de ser apenas um slogan. Nenhum dos dois modelos está no OrcaRouter hoje — verificado no catálogo ativo de 209 modelos, e o card do WeVisOne-VL-2B informa que ele não é implantado por nenhum provedor de inferência. Para os modelos que atendemos, as propriedades úteis são um endpoint compatível com OpenAI, 0% de markup com o preço de lista do provedor repassado sem alterações, uma DSL de roteamento que compõe várias chamadas de modelo por trás de uma única interface, e failover automático. Para uma arquitetura de duas pernas como a acima, a DSL é onde a composição reside e onde qualquer uma das pernas pode ser trocada sem reescrever o chamador. No dia em que qualquer um desses dois chegar a um provedor, essa será a forma mais barata de descobrir se ele pertence à sua stack.

Licença, preço e o que ninguém confirmou

O card do WeVisOne-VL-2B concede Apache 2.0 para "código de autoria da Tencent neste repositório", que é a resposta permissiva que a maioria das equipes deseja. Um detalhe complica isso: a API do GitHub informa a licença do repositório como "Other", sem identificador SPDX. Essas afirmações não estão necessariamente em conflito — componentes de terceiros mantêm seus próprios termos —, mas isso significa que vale a pena ler o arquivo de licença antes que isto chegue perto de um produto, em vez de aceitar o selo pelo valor de face.

O cartão do UI-Venus-2-9B é o que está por resolver. Nele se afirma que a licença dos pesos do modelo está pendente de confirmação final e será adicionada antes do lançamento público, e que a declaração anterior de Apache-2.0 não foi intencionalmente transposta porque os materiais upstream contêm declarações de licença conflitantes. Essa frase está no cartão desde agosto e não mudou. Não impede a avaliação nem a maior parte do uso interno, mas um produto externo construído sobre esses pesos assenta numa questão em aberto, e nenhuma pontuação de benchmark a fecha.

Nenhum dos modelos tem um preço definido pelo fornecedor. O WeVisOne-VL-2B não tem provedor de inferência nem tabela de preços. O UI-Venus-2-9B não tem endpoint próprio nem preços publicados pela inclusionAI, portanto, o que quer que um host terceiro cobre é o número desse host, não o da equipe.

Qual escolher

A decisão é uma descrição de cargo, não um ranking.

• Escolha o WeVisOne-VL-2B se a resposta de que você precisa for geometria — caixas em um pipeline de anotação, máscaras para uma ferramenta de edição, alpha mattes para imagens de produto, contagens em um quadro denso ou OCR com coordenadas associadas — e especialmente se você precisar dele em hardware pequeno. É o único modelo aqui que retorna um matte a partir de um prompt de texto, supera seu próprio irmão maior em matting, e sua licença é a já estabelecida.

• Escolha o UI-Venus-2-9B se a resposta de que você precisa for uma tarefa concluída: um formulário preenchido, um app navegado, um CAPTCHA resolvido, um fluxo de trabalho de desktop executado. Você está comprando um loop de agente e deve entrar sabendo que a licença não está resolvida e que trabalho de desktop de horizonte longo não está resolvido neste porte — os próprios números do card para o OSWorld 2.0 são 7,5 parcial e 0,0 binário.

Escolha o UI-Venus-1.5-2B em vez disso se o que você realmente queria era um pequeno grounder de GUI. Ele é o modelo de 2B baseado em Qwen3-VL da linha da inclusionAI, registra 57,7 no ScreenSpot-Pro e é o comparador de tamanho equivalente que o nome deste confronto implica, mas não nomeia.

• Execute ambos em sequência se você estiver criando automação de tela que precisa ver com precisão e depois agir — etapa de geometria primeiro, etapa de agente depois, uma GPU.

• Espere, se um número de grounding de GUI para o WeVisOne-VL-2B é aquilo de que sua decisão depende. Ele ainda não existe, e adivinhá-lo a partir da contagem de parâmetros não é um método.

O que mudaria esta resposta

Quatro coisas, em ordem de utilidade. Uma execução do ScreenSpot-Pro ou do ScreenSpot-V2 com o WeVisOne-VL-2B transformaria a lacuna central deste texto em uma comparação e, dado que o modelo tem um dia de idade e é Apache 2.0, isso é um fim de semana de trabalho para qualquer pessoa com uma GPU e o harness de avaliação. Uma resolução da licença do UI-Venus-2-9B removeria o único obstáculo que nenhum número de precisão consegue contestar. A listagem de qualquer um dos modelos por um provedor de inferência substituiria a aritmética de horas de GPU por um preço real. E uma comparação de 4B para 2B que explique por que o modelo menor se sai melhor diria aos compradores se a nomenclatura da família significa alguma coisa.

Até lá, a maneira útil de considerar esses dois não é como rivais em um ranking, mas como instrumentos diferentes: um que mede a imagem e outro que age na tela. O nome dessa comparação sugere que você está escolhendo entre modelos pequenos quase equivalentes. Você está escolhendo entre um especialista de 2B e um agente de 9B, e a única coisa que eles realmente compartilham é o hábito de dizer não.