Molmo2-4B против UI-Venus-2-9B: одно из этих названий — это размер, и он указан неверно

Модель называется UI-Venus 2 и имеет 9B параметров. Это не 2.9B, и это не 9B-версия модели с 2.9B. Строка в имени файла — это номер поколения, склеенный с числом параметров (inclusionAI/UI-Venus-2-9B), и её так часто читали задом наперёд в радарных лентах и на страницах каталогов, что сравнение с Molmo2-4B теперь выглядит как две маленькие модели одного весового класса. Это не так. UI-Venus-2-9B — это 9B GUI-агент, инициализированный из Qwen3.5-9B, примерно вдвое больше, чем 4.85B у Molmo2-4B, и они выполняют совершенно разные задачи. Если вам действительно нужна маленькая GUI-модель из этого семейства, это UI-Venus-1.5-2B, и именно там место числу 2B. Две специализированные модели с разными контрактами вывода — это задача маршрутизации. без наценки сверх прейскурантной цены провайдера Переключение при сбое покрывает случай, когда у одной из них выдался неудачный день.

Обе модели старше, чем предполагает эта формулировка. Molmo2-4B был анонсирован Allen Institute for AI 11 декабря 2025 года, а его веса были опубликованы 14 декабря. Веса UI-Venus-2-9B появились 26 августа 2026 года вместе с техническим отчётом, arXiv 2609.00028. Что недавно изменилось на стороне Molmo — это инструментарий, а не веса: нативная поддержка Transformers была влита 9 октября 2026 года и вошла в v5.20.0 15 октября, а дообученная для робототехники версия Molmo2-4B-tb появилась 5 ноября. Ни то, ни другое не является запуском, и ни то, ни другое не превращает Molmo2-4B в GUI-модель.

Что на самом деле представляет собой UI-Venus 2 с 9 млрд параметров

Это агент с интерфейсом замкнутого цикла. На входе — скриншот, на выходе — обоснованное действие: нажать здесь, ввести это, прокрутить, — и цикл продолжается, пока задача не будет выполнена. Обучение проходит в три этапа на пяти семействах задач (привязка к элементам, CAPTCHA, мобильные устройства, веб и компьютер) и завершается многопреподавательской дистилляцией по политике, которая объединяет доменных специалистов в одну политику. Суть релиза — в охвате среды: более 170 мобильных приложений на китайском и английском, веб-пул из более чем 4 000 доменов в 19 категориях и управление настольными ОС, созданное с нуля.

Собственные цифры поставщика, все из карточки модели и её технического отчёта:

• Локализация элементов GUI — ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5, UI-Vision 53.2.

• Мобильные агенты — AndroidWorld 80.2, MobileWorld 65.8 при стандартном числе шагов и 75.2 при бюджете в 100 шагов, MobileGym 52.7, VenusBench-Mobile 46.5, KnowUBench 56.5, MemGUI 62.6.

• Десктоп — OSWorld-Verified 70.8, DeskCraft 48.0 и OSWorld 2.0 с бинарной точностью 0.0 при частичном балле 7.5 на 108 задачах в рамках лимита в 150 шагов. Этот ноль стоит внимательно прочитать; это жёсткая бинарная метрика, а не опечатка.

• Веб — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys: средний балл 77.3 при 62.0 идеальных.

• Безопасность — доля успешных атак 11,3% на OSHarm и 48,8% на OSBlind против 25,3% и 79,4% у базовой модели Qwen3.5-9B.

Существует одна независимая проверка. Диагностический бенчмарк PointerBench, опубликованный в октябре 2026 года, оценивает UI-Venus-2-9B в Sheets 64.2, Text 25.8 и Pro 73.6 — в среднем 54.5 — и описывает его как сильнейшего нативного специалиста по GUI-grounding, отмечая при этом, что привязка на текстовом уровне является его слабейшей областью. Это сторонний результат на другом наборе задач, и он служит полезной поправкой: заголовочный показатель ScreenSpot-Pro — не вся картина.

Что на самом деле представляет собой Molmo2-4B

Универсальная визуально-языковая модель с точечным выводом. 4 850 869 200 параметров, визуальный компонент SigLIP 2 so400m поверх Qwen3-4B-Instruct-2507, 36 864 позиции, 19,42 ГБ весов float32 в четырёх шардах. Она обрабатывает изображения, несколько изображений и видео и возвращает координаты в масштабе 0–1000 по ширине и высоте изображения, а если на вход подаётся видео — с временными метками. Её агрегированный показатель у поставщика — 62,8 по 15 академическим бенчмаркам.

Чего у неё нет — так это опубликованного показателя GUI. Molmo2-4B не фигурирует в таблицах технического отчёта UI-Venus, в оценке PointerBench или с результатом ScreenSpot-Pro на собственной карточке. Ближайший показатель GUI семейства Molmo принадлежит другой модели: MolmoPoint-GUI-8B — специализированная на GUI 8B-модель, дообученная в линейке MolmoPoint в марте 2026 года, — сообщает 61,1 на ScreenSpot-Pro. Приводить это как результат Molmo2-4B было бы категориальной ошибкой, и это наиболее вероятная ошибка, которую может допустить читатель при сравнении этих двух моделей.

Пересечение меньше, чем можно предположить по названию.

• Размер — 4,85 млрд плотных параметров у Molmo2-4B против плотной модели на 9 млрд параметров, инициализированной из Qwen3.5-9B.

• Входные данные — изображение, несколько изображений и видео для Molmo2-4B; скриншот для UI-Venus-2-9B, в цикле, с обратной передачей предыдущего действия.

• Выходы — разреженные точки в нормализованных координатах для Molmo2-4B; структурированное действие для UI-Venus-2-9B, анализируемое обвязкой, которая затем управляет устройством.

• Сильная сторона — привязка к естественным изображениям и видео, подсчёт и отслеживание для Molmo2-4B; локализация элементов и многошаговая навигация по интерфейсам высокого разрешения для UI-Venus-2-9B.

• Опубликованные результаты GUI grounding — отсутствуют для Molmo2-4B; ScreenSpot-Pro 73.0 для UI-Venus-2-9B.

• Лицензия — веса Apache 2.0 с оговоркой о данных третьих сторон для Molmo2-4B; в карточке модели UI-Venus-2-9B вообще не указано поле лицензии, и это пробел, который нужно устранить до любого коммерческого использования.

Последняя строка — не мелочь. 9B-модель, производная от Qwen3.5-9B, без поля лицензии в карточке модели — это не то, что юридическая проверка может утвердить, опираясь лишь на README. Метаданные самой карточки тоже не помогают: на значке Safetensors указано «1.47M params», что неправдоподобно для чекпоинта такого размера и похоже на артефакт метаданных шарда. Уточните у сопровождающих оба момента, прежде чем строить на этом планы.

Если вам нужен GUI grounding из линейки Molmo

Честный путь — не Molmo2-4B. Собственные GUI-наработки Ai2 относятся к семейству MolmoPoint, где MolmoPoint-GUI-8B показывает 61,1 на ScreenSpot-Pro против 73,0 у UI-Venus-2-9B, и эти два числа, по крайней мере, получены на одном и том же бенчмарке. Но даже в этом случае сравнение проводится между разными харнессами: разные каркасы действий, разная предобработка скриншотов, а в случае UI-Venus — задокументированное допущение, что для прямой локализации точки рассуждение отключено, а температура установлена в ноль. Разрыв в 12 пунктов на бенчмарке, столь чувствительном к выбору харнесса, — это сигнал, а не вердикт.

В стеке агентов Molmo2-4B действительно хорошо подходит для этапа восприятия, который не является кнопкой. Нахождение объекта, описанного пользователем, в кадре камеры, указание на него на протяжении видео, подсчёт экземпляров, отслеживание чего-либо во времени — вот выходные данные, для которых обучалась модель, и ни один из них не является элементом пользовательского интерфейса на 4K-скриншоте. Команды часто в итоге используют оба типа моделей: специалиста для интерфейса и универсала для сцены.

Это скорее проблема маршрутизации, чем моделирования. У двух моделей несовместимые контракты выходных данных и разные профили оборудования, а запуск их за единым ключом для обеих — с переключением при сбое, когда одна конечная точка деградирует, и без наценки сверх прайс-листа провайдера — убирает из стека ту часть, которая не имеет отношения к компьютерному зрению. Стоит также прямо сказать, что ни одной из этих моделей нет в каталоге OrcaRouter; обе — это веса, которые вы размещаете самостоятельно, а слой маршрутизации находится вокруг них, а не под ними.

Короткая версия

Если задача — «управлять этим приложением», то UI-Venus-2-9B — специалист, а Molmo2-4B ничего не может предложить на этом бенчмарке. Если задача — «указать на объект на этой фотографии или в этом видео», то UI-Venus-2-9B ничего не может предложить, а Molmo2-4B — причина, по которой это сравнение вообще существует. И если на самом деле вам нужна была небольшая GUI-модель для дешёвого запуска, правильным сравнением никогда не было это — им является UI-Venus-1.5-2B с 2B против любого компактного универсала, который вы сможете разместить рядом с ней.