LFM3-VL-2B против UI-Venus 2.9B: 2,9B, которая на самом деле — 9B

Не существует модели под названием UI-Venus 2.9B. Чекпоинт по адресу inclusionAI/UI-Venus-2-9B — это UI-Venus-2-9B — вторая версия агента UI-Venus от Ant Group с 9 млрд параметров, созданная на базе Qwen3.5-9B. Название каталога выглядит как десятичная дробь, но ею не является. В сравнении с LFM3-VL-2B с 1,92 млрд параметров это сравнение 2B против 9B под ярлыком 2B против 2B.

Эта ошибка важна, потому что меняет сам вопрос. Если бы обе модели были примерно по 2B, вы бы сравнили строки бенчмарков и выбрали лучшую. В случае 9B против 2B меньшая модель соревнуется не на том же оборудовании, а большая вовсе не является универсальной моделью компьютерного зрения. UI-Venus-2-9B — это GUI-агент, обученный управлять телефонами, браузерами и настольными компьютерами по скриншотам. LFM3-VL-2B — это универсальная визуально-языковая модель, которая, как оказалось, включает категорию GUI среди своих 62 бенчмарков. Пересечение уже, чем можно предположить по названию.

Как название было искажено

Соглашение об именовании Ant Group имеет вид семейство-версия-размер. UI-Venus-2-9B расшифровывается как UI-Venus, поколение 2, 9B параметров. Каталог или радар, которые разбивают строку по дефисам и ищут десятичную дробь, читают «2-9» как «2.9», и именно поэтому модель на 9B оказывается в одном ряду с моделями на 2B. То же соглашение порождает UI-Venus-2-27B — более крупного собрата, и обе модели были опубликованы вместе в конце августа 2026 года.

Это не косметическая ошибка. Число параметров — первый фильтр при принятии любого решения о развёртывании, и читатель, ожидающий увидеть модель на 2,9 млрд параметров, будет удивлён, обнаружив BF16-чекпоинт размером 18,8 ГБ, который не поместится на устройство, которое он имел в виду. Метаданные самого репозитория однозначны: архитектура Qwen3.5-9B, BF16, image-text-to-text.

Две задачи, а не два размера

LFM3-VL-2B принимает текст, изображения и видео с частотой 2 кадра в секунду, генерирует текст, поддерживает режим рассуждения и обеспечивает контекст 128K на 16 языках. Это универсальная модель: документы, диаграммы, визуальная привязка, рассуждения для воплощённых агентов, понимание GUI и видео — всё это указано как категории в её карточке. Liquid AI опубликовала её на Hugging Face 19 октября 2026 года и анонсировала семейство 27 октября; при этом не указаны ни цена API, ни провайдер инференса.

UI-Venus-2-9B делает снимки экрана и получает описание задачи, а затем возвращает следующее действие в замкнутом цикле «наблюдение – рассуждение – действие». Его обучение состоит из трёх этапов: мультимодальное промежуточное обучение на симулированных траекториях в более чем 170 мобильных приложениях и более чем 4000 веб-доменах, офлайн-обучение с подкреплением на уровне шагов для задач локализации элементов, CAPTCHA, мобильных, веб- и компьютерных задач, затем дистилляция с нескольких учителей на политике (on-policy) в одну политику. Он работает на vLLM с OpenAI-совместимой конечной точкой и парсером рассуждений Qwen3. Это среда выполнения агента, а не модель описания изображений.

Практическое следствие: их нельзя менять местами. LFM3-VL-2B опишет скриншот и ответит на вопросы о нём. UI-Venus-2-9B решит, куда нажать дальше, а для выполнения хоть какой-то полезной работы он ожидает наличия окружающей обвязки — парсеров действий, промптов, примеров — из GitHub-репозитория проекта.

Единственный бенчмарк, который совпадает

Обе модели сообщают результаты по {{1}}ScreenSpot-Pro{{/1}} — это редкий случай, когда сравнение правомерно. {{2}}LFM3-VL-2B{{/2}} набирает 55,5 с режимом рассуждения и 49,3 без него. UI-Venus-2-9B набирает 73,0. Это разрыв в 17,5 балла в пользу модели, которая почти в пять раз больше, и это самый однозначный показатель в этом противостоянии.

Не распространяйте это на всю историю с GUI. UI-Venus-2-9B также сообщает о результатах AndroidWorld 80.2, OSWorld-Verified 70.8, WebVoyager 90.8, Online-Mind2Web 74.0 и VenusBench-GD 77.1. LFM3-VL-2B сообщает о среднем по категории GUI 83.1 на другом наборе задач, а усреднение по категории — это не то же самое, что оценка на одном бенчмарке. Категории несопоставимы, и их не следует вычитать.

Одну цифру в карточке UI-Venus стоит отметить, потому что она противоречит главному выводу: на OSWorld 2.0 модель получает 0,0 по бинарной метрике и 7,5 по частичной метрике. Какой бы ни была проблема с тестовым стендом, 9B-агент, который лидирует на OSWorld-Verified и набирает почти ноль на преемственном бенчмарке, — это модель с границей, и карточка честно об этом сообщает.

Контекстные окна, которые измеряют разные вещи

UI-Venus-2-9B сообщает о контексте до 256K токенов, и полезная часть — это то, что содержит этот контекст: история скриншотов, чтобы агент мог помнить, как выглядел экран четыре шага назад. LFM3-VL-2B сообщает о 128K, а в его карточке не указан бюджет токенов изображения или максимальная длина видео. Ни одно из этих чисел не говорит, сколько скриншотов можно удерживать в цикле, прежде чем модель потеряет первый. Оба требуют измерения при вашем собственном разрешении и количестве шагов.

Различие в сути по-прежнему имеет значение. Длинная история скриншотов — это требование к памяти для агента, который работает минутами. Контекст в 128K у универсальной VLM — это требование для работы с документами или видео. Числа выглядят сопоставимыми, но отвечают на разные вопросы.

Развертывание: 4 ГБ против 19 ГБ

LFM3-VL-2B — это 1.92B параметров, что арифметически даёт около 3.84 ГБ весов в BF16; сборки GGUF, MLX 4-bit и ONNX уже опубликованы. UI-Venus-2-9B — это примерно 18.8 ГБ в BF16, и она обслуживается через vLLM; существует GGUF-сборка от сообщества, но путь обслуживания от поставщика предполагает GPU с местом для полного чекпоинта. Эти модели не конкурируют за один и тот же слот. Одна — кандидат для периферийных устройств; другая — серверный агент.

Именно это различие, а не разрыв в бенчмарках, делает эту пару интересной. У команды, которой нужно понимание GUI на устройстве, здесь есть ровно один вариант. У команды, которой нужен GUI-агент с показателями, близкими к передовым, есть другой — и для его запуска нужен GPU.

Вопрос о лицензии, на который никто не ответил

LFM3-VL-2B использует LFM Open License v1.0: коммерческое использование лицензируется только до тех пор, пока годовая выручка лицензиата остаётся ниже 10 млн долларов США. Это ограничительно, но понятно, и текст лицензии опубликован.

{{1}}UI-Venus-2-9B{{/1}} — ситуация менее ясная. В репозитории с кодом проекта указана лицензия {{2}}Apache 2.0{{/2}}; в карточке модели говорится, что лицензия на веса ожидает окончательного подтверждения, поскольку исходные заявления противоречат друг другу. По состоянию на {{3}}28 октября 2026 г.{{/3}} этот вопрос так и не решён. Неурегулированная лицензия не является препятствием для исследований, но она действительно блокирует коммерческое развёртывание, при котором необходимо знать условия до выпуска продукта. Всем, кто планирует строить что-либо на основе {{4}}UI-Venus-2-9B{{/4}}, следует получить ответ в письменном виде, а не делать выводы на основании тега в репозитории.

Где OrcaRouter вписывается, если вообще вписывается

OrcaRouter не обслуживает ни один из этих чекпойнтов, и данный материал не утверждает, что мы это делаем. Что у нас есть — это DSL маршрутизации, позволяющий объединить несколько моделей в один вызов; здесь это полезно, потому что естественная архитектура — не «выбрать одну». Небольшая универсальная VLM может прочитать экран и определить, относится ли задача к вопросу по документу или к взаимодействию; более крупный специалист по GUI может выполнить шаги взаимодействия. Маршрутизация между ними по типу задачи — это конфигурация, а не вторая интеграция.

Это более честный подход к сравнению, чем делать вид, что две модели — это альтернативы. Они — две стадии одного и того же конвейера, с пятикратной разницей в количестве параметров между ними.

Какой именно тебе нужен

• LFM3-VL-2Bесли задача — понимание, а не действие, если вам нужен ввод видео или документов или если модель должна работать при объёме около 4 ГБ. Примите лицензию с ограничением по выручке и тот факт, что никто за пределами Liquid её не оценивал.

• UI-Venus-2-9Bесли задача — управлять интерфейсом от начала до конца, если вы можете предоставить 19 ГБ памяти GPU и стек обслуживания vLLM и если вы можете дождаться подтверждения лицензии на веса. Примите, что это специалист с обвязкой, а не универсальный ассистент.

• Ни один из них — если вам нужна была модель на 2,9B. Такой модели не существует, и оба реальных варианта более специализированы, чем предполагало название.

Главный вывод — это исправление. Число параметров в имени папки — не спецификация, и в данном случае оно скрыло пятикратную разницу в размере и совершенно иную задачу. Читайте поле architecture до слага.