WeVisOne-VL-4B vs UI-Venus-2-9B: Um retorna uma máscara, o outro retorna um clique

Se você entregar a mesma captura de tela de uma página de checkout ao WeVisOne-VL-4B e ao UI-Venus-2-9B, receberá dois tipos diferentes de resposta. O primeiro fornece geometria: uma caixa ao redor do ícone do carrinho, uma máscara de segmentação ao redor do campo de desconto, um matte alfa recortando a foto do produto do fundo. O segundo fornece uma ação: as coordenadas do próximo toque, além do raciocínio que a produziu. A equipe WeChat Vision, da Tencent, publicou o WeVisOne-VL-4B no Hugging Face sem anúncio e datou seu artigo técnico de 23 de outubro de 2026; o UI-Venus-2-9B, da inclusionAI, está disponível para download desde 26 de agosto de 2026. Eles são classificados sob o mesmo rótulo de modalidade e não são substitutos.

Isso faz com que esta seja uma comparação com um problema incomum no centro: os dois modelos não têm nenhum benchmark em comum. Nem uma única pontuação aparece nas duas fichas. Nenhum dos dois foi avaliado de forma independente, nenhum é implantado por um provedor de inferência e nenhum tem preço publicado. O que pode ser comparado honestamente é o que cada um produz, como cada um foi treinado para recusar, quanto custa executá-los e sob qual licença você estaria distribuindo — então é isso que este artigo faz, e sinaliza números relatados pelo fornecedor como relatados pelo fornecedor sempre que um aparece.

Os dois modelos não estão respondendo à mesma pergunta.

O WeVisOne-VL-4B é um modelo de percepção. Ele é construído sobre um backbone Qwen3-VL e adiciona um decodificador de pixels obrigatório de 9,6 milhões de parâmetros — mask_decoder.pt, fornecido como um segundo artefato — que converte as previsões de caixas do modelo de linguagem em máscaras de instância e, em seguida, em mattes alfa de stride 1. As coordenadas são emitidas como tokens dedicados que vão de <0> a <1000>, normalizados em relação à imagem, e um token especial <OBJ> (id 152,678) fecha cada caixa em tarefas densas. A lista de tarefas do artigo é uma lista de geometria: detecção de vocabulário aberto, localização por referência, contagem, apontamento, localização de OCR, segmentação por referência e alpha matting promptável.

UI-Venus-2-9B é um agente. Ele é inicializado a partir do Qwen3.5-9B e treinado em interação apenas por captura de tela em cinco famílias de tarefas — grounding, CAPTCHA, mobile, web e computador — por meio de mid-training, aprendizado por reforço offline em nível de passo e destilação on-policy com múltiplos professores. Sua saída é uma ação em um ciclo fechado de observar–raciocinar–agir, e sua receita vLLM combina --max-model-len 262144 com --reasoning-parser qwen3 porque ele emite tokens de raciocínio antes de cada ação.

Coloque as especificações lado a lado e a diferença é imediata:

• O que sai — caixas, pontos, máscaras e mattes alfa do WeVisOne-VL-4B; uma ação e seu traço de raciocínio do UI-Venus-2-9B.

• Backbone — Qwen3-VL para WeVisOne-VL-4B; Qwen3.5-9B para UI-Venus-2-9B. Gerações diferentes, famílias diferentes de stack de texto.

• Tamanho — 5B parâmetros listados no repositório, apesar do nome “4B”, além de um decodificador separado de 9,6M de parâmetros; 9B denso para o UI-Venus-2-9B em quatro shards BF16, cerca de 18,8 GB.

• Formato dos pesos — safetensors F32 no card do WeVisOne-VL-4B, o que é incomum neste tamanho e torna o download maior do que o número de parâmetros sugere; BF16 para o UI-Venus-2-9B.

• Licença — Apache 2.0 para WeVisOne-VL-4B; "confirmação final pendente" para UI-Venus-2-9B.

A consequência prática é que você não pode trocar um pelo outro, e qualquer artigo que apresente um vencedor está respondendo a uma pergunta que você não fez. Um modelo de percepção que retorna uma máscara perfeita ainda não consegue clicar. Um agente que clica perfeitamente ainda não consegue entregar o matte que você queria para o ensaio do produto.

Onde eles realmente se sobrepõem: ambas as equipes ensinaram seu modelo a dizer não

Esta é a única decisão de design que ambas as versões tomaram, e é a coisa mais interessante no pareamento. Modelos de localização de vocabulário aberto falham de uma forma específica e cara: peça o extintor de incêndio em uma sala que não tem nenhum, e um modelo que sempre responde vai delimitar o radiador com confiança. A jusante, isso é um objeto alucinado no seu pipeline de assets ou um toque mal direcionado no seu loop de automação.

O WeVisOne-VL-4B lida com isso retornando None, e o artigo reporta a taxa de rejeição como uma métrica própria ao lado da acurácia. No RefCOCOg, o modelo 4B atinge uma taxa de rejeição de 67,4, enquanto sua base Qwen3-VL-4B fica em 18,8. No WeRef-Bench interno do WeChat, ele reporta 96,4 de rejeição contra 61,9 do modelo base, e no Ref-ZOM, 86,0 contra 0,3 do UniPixel-7B. Esses são números autorreportados de um artigo publicado hoje, e os benchmarks de rejeição são em grande parte dos próprios autores — trate a direção como crível e a diferença exata como não verificada.

O UI-Venus-2-9B aborda o mesmo problema pelo lado do agente, herdando da linha UI-Venus o grounding ciente de recusa: o modelo é treinado para recusar quando o elemento solicitado não está na tela, em vez de adivinhar uma localização plausível. Seus números de grounding — ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5 — são relatados pelo fornecedor, e o cartão é explícito ao afirmar que isso não elimina o risco de ações prejudiciais e recomenda confirmação humana, além de salvaguardas no nível da aplicação. Sua tabela de segurança mostra o efeito que ele de fato reivindica: uma taxa de sucesso de ataque de 11,3% no OSHarm, contra 25,3% do modelo base Qwen3.5-9B, e 48,8% no OSBlind, contra 79,4%.

Então ambos os modelos foram construídos por equipes que viram um localizador mentir, e ambos escolheram a abstenção em vez da cobertura. Se o modo de falha da sua aplicação é "confiantemente errado", essa prioridade compartilhada importa mais do que a contagem de parâmetros.

Os números que o model card da Tencent não mostra

Todo texto sobre o WeVisOne-VL-4B até agora disse a mesma coisa, corretamente: o model card não publica nenhum benchmark. O artigo técnico publica, e ele saiu em 23 de outubro de 2026, o que faz desta a parte da história que ainda não circulou. Tudo é auto-relatado pelos autores, nada foi reproduzido de forma independente, e o modelo tem um dia de idade — então leia estas informações como alegações com uma forma, não como resultados consolidados.

Em comparação com sua própria base Qwen3-VL-4B, as diferenças são grandes o suficiente para serem interessantes mesmo após um desconto substancial:

• Detecção, F1 média zero-shot no COCO — 57,1 para WeVisOne-VL-4B vs 48,7 para Qwen3-VL-4B, e 55,3 vs 44,0 no LVIS.

• Detecção, F1 média do Dense200 — 71,3 vs 15,2. Isso não é um erro de digitação na tabela do artigo; cenas densas com objetos pequenos são onde o modelo base colapsa.

• Detecção de referência, RefCOCOg val — 80,8 vs 74,1, com a taxa de rejeição em 67,4 vs 18,8.

• Contagem, correspondência exata na validação do PixMo-Count — 93,7 vs 69,6; na validação do MixCount, 42,0 vs 3,5.

• Apontamento, F1 do PointBench — 71,9 vs 57,1.

• Localização de OCR, F1 médio no SROIE — 68,1 vs 40,4, e à frente dos 58,6 do PP-OCRv5.

• Segmentação por referência, gIoU de validação no ReasonSeg — 71,2, contra 65,0 do LISA-13B.

• Matting com prompts, MAD do prompt de caixa no AM-2K — 5,0 contra 12,1 para SAM2-Matting; em prompts de referência do WeRefMat, 9,8 contra 51,9.

O resultado de matting é aquele sobre o qual vale a pena parar, porque é a capacidade que nada mais nesta faixa de preço oferece por meio de um prompt. Pedir a um modelo de linguagem visual “a pessoa, como um alpha matte” e obter uma saída stride-1 que supera um pipeline de matting SAM2 em MAD é um produto diferente de uma cabeça de detecção com uma máscara acoplada. É também onde o artigo é menos lisonjeiro com seu próprio 4B: em prompts de caixa do P3M-500-NP, o modelo 2B pontua 6,6 MAD contra 7,3 do 4B, portanto a variante maior não é uniformemente melhor, e os autores publicam isso.

O que os números do UI-Venus-2-9B medem, e por que eles não serão transferíveis

Coloque as duas suítes de benchmark lado a lado e a incomparabilidade deixa de ser um detalhe técnico. Os resultados principais do UI-Venus-2-9B são todos 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 passos do card e 75,2 em 100 passos. Esses números medem se uma tarefa foi concluída, o que agrega percepção, planejamento, memória e recuperação de erros em um único valor.

A coisa mais próxima de um eixo compartilhado é o grounding de GUI. O UI-Venus-2-9B registra 73,0 no ScreenSpot-Pro, um benchmark de localização de pequenos elementos de interface em capturas de tela de alta resolução — e o WeVisOne-VL-4B não reporta esse resultado. O WeVisOne-VL-4B registra resultados de localização de OCR e de pointing denso, e o UI-Venus-2-9B não reporta esses resultados. Portanto, a posição honesta é que o número mais útil para essa comparação ainda não existe: executar o WeVisOne-VL-4B no ScreenSpot-Pro diria se um especialista em percepção de 5B supera um agente de 9B na tarefa de encontrar um botão e, até que alguém o execute, qualquer um que ranqueie esses dois em grounding está adivinhando.

O próprio conjunto de testes do agente também expõe publicamente seu ponto fraco. No OSWorld 2.0, o modelo 9B obtém 7,5 parcial e 0,0 binário; o irmão 27B alcança 13,2 parcial e 2,8 binário. Trabalho de desktop de longo horizonte não está resolvido nesse tamanho, e o cartão diz isso.

Servi-los é uma lacuna maior do que a lacuna do benchmark.

Para uma equipe decidindo o que executar na próxima semana, a diferença operacional importará mais do que qualquer pontuação. O UI-Venus-2-9B é um único modelo que você inicia com um comando vLLM, expondo um endpoint compatível com OpenAI com paralelismo de tensor 1. O WeVisOne-VL-4B precisa do pacote de inferência dele no GitHub mais o artefato decodificador separado, e é chamado por meio do próprio wrapper WeVisOneVL(...) com um argumento de tarefa — predict(image, task="matting", query="person", temperature=0.0). O card documenta os caminhos Transformers, vLLM e SGLang, mas o decodificador de pixels não é opcional: o modelo de linguagem sozinho não consegue produzir uma máscara.

A memória está mais próxima do que os números de parâmetros sugerem. Em bf16, o backbone de 5B ocupa cerca de 10 GB antes do decoder, contra cerca de 18,8 GB para os quatro shards do UI-Venus-2-9B. Ambos cabem em uma única placa de 24 GB no que diz respeito aos pesos; o que muda é quanto espaço sobra para o contexto.

E, quanto ao contexto, as duas configurações concordam de um modo fácil de superinterpretar. A configuração do WeVisOne-VL-4B traz max_position_embeddings de 262.144 — o mesmo teto que o UI-Venus-2-9B oferece com seu comprimento máximo de modelo de 262.144. Mas eles usam isso para coisas diferentes: o agente trata contexto longo como memória de episódio, mantendo o histórico de capturas de tela de uma tarefa, enquanto as avaliações publicadas do modelo de percepção rodam com 1.960 tokens visuais por imagem. Uma janela de 256K em um modelo de turno único e somente imagem é um teto, não uma capacidade demonstrada, e o card lista grades de vídeo como rejeitadas de plano pelo decodificador de pixels.

Licença: um destes está resolvido e o outro não

O WeVisOne-VL-4B está sob Apache 2.0, com código de autoria da Tencent sob os mesmos termos. Você pode lê-lo, fazer fork, distribuí-lo em um produto e não precisar falar com um advogado sobre isso.

O card do UI-Venus-2-9B 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 mantida intencionalmente porque os materiais upstream contêm declarações de licença conflitantes. Essa frase está no card desde agosto e não mudou. Isso não impede você de avaliar o modelo, nem impede o uso interno na maioria das organizações — mas significa que um produto externo construído sobre esses pesos se baseia em uma questão não resolvida, e nenhuma pontuação de benchmark, por mais alta que seja, resolve isso. Se você está escolhendo entre esses dois para algo que pretende lançar, a coluna da licença decide mais rápido do que a coluna da precisão.

Quanto custa cada um, dado que nenhum dos dois tem preço

Não há preço por token definido pelo fornecedor para nenhum dos dois modelos. A página do WeVisOne-VL-4B diz que ele não é implantado por nenhum provedor de inferência; o UI-Venus-2-9B não tem endpoint próprio nem tabela de preços publicada pela inclusionAI, então o que quer que um host terceirizado cobre por ele é o número desse host, não o da equipe. Para ambos, o custo é em horas de GPU no hardware que você aluga ou possui, o que significa que a comparação não é "preço de entrada vs preço de saída", mas "de quanta placa eu preciso e quantas imagens por segundo ela processa".

Nenhum dos artigos publica throughput ou latência, então esse segundo número é desconhecido para ambos. O que é possível saber é o formato: o UI-Venus-2-9B paga por um forward pass de 9B mais tokens de raciocínio a cada passo de um episódio, e um episódio de agente tem muitos passos. O WeVisOne-VL-4B paga por um passe de 5B mais um forward do decoder por imagem, e uma imagem é uma chamada. Se sua carga de trabalho for cem mil fotos de produtos, a economia do modelo de percepção é por imagem e previsível; se for uma tarefa de navegador, o custo do agente escala com quantas ações a tarefa exige, que é o número que você não consegue prever a partir da ficha técnica.

É também aqui que uma camada de roteamento justifica o seu lugar em vez de ser apenas um slogan. Nenhum dos modelos está no OrcaRouter hoje, e este texto não vai fingir o contrário — o WeVisOne-VL-4B não tem nenhum fornecedor de inferência, e o UI-Venus-2-9B é servido por hospedagem de terceiros em vez de vir do nosso próprio catálogo. O que o OrcaRouter oferece para os modelos que serve é um único endpoint compatível com OpenAI para mais de 200 deles com 0% de markup, com o preço de tabela do fornecedor repassado sem alterações, para que um corte de preço do fornecedor chegue até você no dia em que acontece, e não na próxima renovação de contrato. Para uma arquitetura que chama um modelo de percepção e um modelo agente em sequência, a DSL de roteamento é onde essa composição vive — duas chamadas de modelo, um único lugar para trocar qualquer uma das pernas — e o failover automático é o que mantém um loop de agente vivo quando o modelo por trás dele degrada a meio de um episódio. No momento em que um destes dois chegar a um fornecedor, essa será a forma mais barata de descobrir se ele pertence à sua stack.

Qual escolher

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

• Escolha o WeVisOne-VL-4B se a saída de que você precisa for geometria — caixas delimitadoras em um pipeline de anotação, máscaras para uma ferramenta de edição, alpha mattes para imagens de produtos, contagens de objetos em um quadro aéreo denso ou OCR com coordenadas anexadas. Nada mais na classe aberta de 5B retorna um matte a partir de um prompt de texto, e os números de matting do artigo em comparação com um pipeline SAM2 são a alegação mais forte no lançamento.

• Escolha o UI-Venus-2-9B se o resultado de que você precisa for uma tarefa concluída — um formulário preenchido, um app navegado, um CAPTCHA resolvido, um fluxo de trabalho de desktop conduzido por capturas de tela. Ele é entregue como um único comando vLLM com um endpoint compatível com a OpenAI, o que representa um dia de trabalho em vez de uma semana, e seus resultados no AndroidWorld e no WebVoyager são os números a serem comparados com o seu próprio ambiente.

• Ainda não escolha nenhum dos dois se precisar de evidências independentes, de um preço publicado ou de uma licença definida para um produto comercial. Os três estão ausentes no caso da licença do UI-Venus-2-9B e dos benchmarks de ambos os modelos.

• Considere ambos se você estiver criando um agente que precisa manipular imagens em vez de apenas navegar clicando por telas. A composição é a parte interessante: o UI-Venus-2-9B decide onde agir, e o WeVisOne-VL-4B produz o artefato com precisão de pixels que a ação visava. Isso custa duas chamadas de modelo por etapa e proporciona uma precisão que nenhum dos modelos tem sozinho.

O que mudaria esta resposta

Quatro coisas, em ordem de quanto elas o moveriam.

Uma execução do WeVisOne-VL-4B no ScreenSpot-Pro. É o único benchmark em que ambos os lados poderiam plausivelmente se apoiar, e resolveria se um especialista em percepção com metade do tamanho localiza melhor do que um agente de UI feito sob medida. Qualquer pessoa com uma GPU e uma tarde consegue produzi-la, e ninguém produziu.

Uma avaliação independente de qualquer um dos modelos. Cada número neste artigo remonta a um cartão de modelo ou a um artigo escrito pela equipe que construiu a coisa. Isso é normal no dia do lançamento e ainda assim é uma ausência.

Uma licença definida para o UI-Venus-2-9B. “Confirmação final pendente” está no cartão há oito semanas. Se for resolvida para algo permissivo, o agente se torna consideravelmente mais fácil de recomendar para trabalho comercial; se não for, isso responde à pergunta no sentido oposto.

Um endpoint próprio para qualquer um dos dois. Nenhum dos fornecedores disponibiliza seu próprio modelo atualmente, o que limita o público a equipes dispostas a operar uma stack de serving e, no lado do WeVisOne-VL-4B, a equipes dispostas a operar um pacote de inferência personalizado. Uma tarifa publicada pelo fornecedor transformaria a comparação de custos de uma conta aritmética em um item de linha.

Até então, o resumo justo é este: a Tencent lançou um kit de ferramentas de percepção que faz algo que nenhum modelo aberto pequeno havia feito antes, de forma tão discreta que suas próprias tabelas de benchmark ainda não foram lidas, e a Ant Group lançou, um mês e meio antes, um agente que é mais fácil de executar e mais difícil de licenciar. Eles não são rivais. O erro seria escolher um porque o outro obteve pontuação mais alta em um benchmark que eles não compartilham.