UI-Venus-2-9B: 9B GUI-агент Ant Group — выпущен без статьи, без анонса, с показателями, близкими к SOTA

UI-Venus-2-9B появилась на Hugging Face 26 августа 2026 года — без всего того, что обычно сопровождает запуск модели. Ни поста-анонса. Ни пресс-релиза. Ни технического отчёта — бейдж arXiv в README указывает на URL-заглушку, а блок цитирования содержит явный TODO: обновить идентификатор arXiv, когда отчёт UI-Venus-2 станет публичным. Ссылка на страницу проекта — тоже заглушка. На момент написания у репозитория ноль загрузок и один лайк, а четыре шарда safetensors в нём описывают универсального GUI-агента, который, согласно собственной карточке модели, превосходит Q​wen3.6-27B на AndroidWorld и OSWorld-Verified, превосходит Claude Opus 4.6 на WebVoyager, превосходит O​penAI Operator на Online-Mind2Web и снижает долю успешных атак OSBlind с типичных для предыдущих GUI-агентов 90%+ до 18,5%. Карточки моделей InclusionAI приписывают семейство команде Venus из Ant Group, что делает это тихим вступлением Ant Group в гонку computer-use-агентов с открытыми весами — и самое тихое в этом то, что ни одна из этих цифр ещё не была независимо воспроизведена.

Что на самом деле было выпущено

Репозиторий называется inclusionAI/UI-Venus-2-9B, помеченный как image-text-to-text с qwen3_5 архитектурным тегом. Модель с 9B параметрами, инициализированная из Q​wen3.5-9B, выпущена под лицензией Apache-2.0 в BF16. Это фундаментальный GUI-агент: он наблюдает за интерфейсом, рассуждает о состоянии задачи, выполняет действие и включает полученную обратную связь в следующее решение — замкнутый цикл «наблюдение–рассуждение–действие–обратная связь», который, согласно карточке, обучен охватывать мобильные приложения, веб-платформы и настольные операционные системы в одной контрольной точке.

• Параметры — 9B, инициализирована из Q​wen3.5-9B, BF16, четыре шарда.

• Лицензия — Apache-2.0.

• Контекст — официальный запуск vLLM устанавливает --max-model-len 262144 (256K токенов), то есть, какой объём истории скриншотов агент может сохранить за один эпизод.

• Обслуживание — первоклассная поддержка vLLM с эндпоинтом, совместимым с OpenAI, и флагом --reasoning-parser qwen3, означающим, что модель генерирует токены рассуждений перед своим действием в стиле Qwen3.

• Охват — карточка заявляет, что обучение охватывает более 170+ многоязычных мобильных приложений (100+ китайских, 70+ английских), 50k+ действующих веб-сайтов и нативные десктопные ОС с 50+ профессиональными приложениями.

Деталь парсера рассуждений важнее, чем кажется. GUI-агент, который думает перед действием, не нов, но выпустить такой, который подключается к стандартному vLLM с O​penAI-совместимым API и стандартным парсером рассуждений Q​wen, означает, что история развёртывания скучна в хорошем смысле — одна команда, и он запущен, что необычно зрело для модели, созданной вчера.

Числа, и то, чем они не являются

Всё, что указано ниже, предоставлено вендором. В карточке модели публикуются сравнительные таблицы с сильными опубликованными базовыми результатами, и лучшая строка для UI-Venus-2-9B — это AndroidWorld 80.2: выше Q​wen3.6-27B с 70.3, MAI-UI-8B с 70.7 и GUI-Owl-1.5-32B-Instruct с 69.8. На OSWorld-Verified модель на 9B показывает 70.8, снова опережая Q​wen3.6-27B с 62.0, но уступая Kimi K2.6 с 73.1. По веб-навигации в карточке указаны WebVoyager 90.8 — выше, чем Claude Opus 4.6 с 88.0 и Seed-2.0 с 85.1, — и Online-Mind2Web 74.0 против 61.3 у O​penAI Operator.

Самое яркое внутреннее сравнение — с базовой моделью самой системы. На DeskCraft UI-Venus-2-9B набирает 48.0, тогда как Q​wen3.5-9B, из которой она была инициализирована, — 14.6: прыжок на 33.4 пункта, который и есть весь аргумент в пользу рецепта обучения. Это повторяется и на CAPTCHA: MCA-Bench 75.7 против 30.4 у базовой модели, NextGen-CAPTCHAs 47.6 против 2.8. Числа CAPTCHA сами по себе заслуживают отдельного внимания, поскольку они яснее всего показывают, что модель создавалась для работы с реальными, враждебными боевыми сайтами, а не с чистыми бенчмарк-страницами.

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

• Использование компьютера — OSWorld-Verified 70.8, DeskCraft 48.0.

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

• Граундинг 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.

• Безопасность — показатель успешности атак OSBlind — 18.5%, у Claude 4.5 Sonnet — 73.0, а у GPT-4o — 93.3 на той же карточке.

Рецепт: пять семейств задач, три этапа

Обучающий конвейер, описываемый карточкой, — причина столь больших дельт базовой модели. UI-Venus-2 обучается на намеренно взаимодополняющей смеси пяти семейств задач — Grounding, CAPTCHA, Mobile, Web и Computer — в три этапа. Первый этап — крупномасштабное траекторное мультимодальное промежуточное обучение в смоделированных мобильных, веб- и ОС-средах, где совместная верификация человеком и дискриминатором отфильтровывает недействительные взаимодействия, а также программно синтезированное обучение по граундингу и CAPTCHA. Второй этап — офлайн-обучение с подкреплением на уровне шагов для Mobile, OS и Web, оптимизирующее выбор действий с учётом состояния; проверенные примеры CAPTCHA и граундинга встраиваются в реалистичные интерфейсы, чтобы научить точной локализации среди визуального шума. Третий этап — многомодельная on-policy дистилляция, объединяющая узкоспециализированных учителей в единую политику.

Слой верификации — самая отличительная часть. Завершение задачи оценивается по релевантным задаче визуальным ключевым точкам, а не по грубому виду финального экрана, а несколько моделей голосуют, чтобы агрегировать разнородных судей — такая архитектура призвана сделать сигнал вознаграждения RL устойчивым к «взлому вознаграждения». Проверенная обратная связь затем дистиллируется обратно в обучение как контроль через рефлексию, так что агент может отличать частичный прогресс от истинного завершения и восстанавливаться при взаимодействии на длинном горизонте. Ничто из этого не было независимо проверено, и в карточке нет воспроизведений, на которые можно было бы сослаться, — это утверждение, которое статья должна подкреплять.

Семья и связь с Ant Group

UI-Venus-2-9B — третье поколение семейства моделей, которое inclusionAI тихо выпускала всё это время. Оригинальный технический отчёт UI-Venus появился в августе 2025 года с контрольными точками 7B и 72B; UI-Venus 1.5 вышла следом в феврале 2026 года с вариантами 2B, 8B и 30B-A3B. В блоке цитирования на новой карточке указана «Venus Team, Ant Group» — так inclusionAI своими словами описывает свои отношения с Ant Group: это AI-лаборатория Ant Group, публикующаяся под именем inclusionAI. Основополагающая ставка семейства в том, что GUI-агент должен работать только по пикселям: наблюдать за экраном через скриншоты, а не через DOM-деревья, accessibility XML или дампы интерфейса — именно это делает его переносимым на большое количество китайских и англоязычных мобильных приложений, которые не предоставляют структурированных данных интерфейса. Сопутствующий Venus Framework из GitHub-репозитория семейства управляет автоматизацией Android и поддерживает параллельное управление несколькими устройствами.

Что мы еще не знаем

Честная оценка этого репозитория: разрыв между заявлениями и доказательствами по-прежнему велик. Публичного технического отчёта по UI-Venus-2 нет — бейдж это заглушка, а в README сказано, что отчёт «не публичный», — поэтому таблицы бенчмарков остаются собственными цифрами вендора без документации по методологии и без независимого повторного прогона. Нет работающей страницы проекта. Нет анонса, а значит, нет официальных цен, размещённого API и подтверждённой дорожной карты. В таблицах самой карточки многократно фигурирует UI-Venus-2-27B — 84.0 на AndroidWorld, 80.5 на OSWorld-Verified, 12.3 на OSBlind, — которого на момент написания нет на Hugging Face, так что флагман линейки упоминается, но не выпущен. А при нулевом количестве загрузок этот чекпоинт ещё никто за пределами лаборатории не запускал.

Как это на самом деле запустить

При всех неизвестных есть одна конкретная вещь — serving. В карточке описана одна команда vLLM, которая поднимает модель с контекстным окном 256K и OpenAI-совместимым API:

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

Именно это и делает практический путь самостоятельным хостингом — скачайте веса, запустите vLLM и направьте обвязку агента на localhost. Это как раз тот случай, когда слой маршрутизации отрабатывает своё на окружающем стеке, а не на самом GUI-агенте: модель, которая составляет план задачи, модель зрения, перепроверяющая состояние экрана, модель транскрипции, фиксирующая произошедшее, — все они работают через OrcaRouter по цене провайдера с нулевой наценкой и автоматическим переключением при сбое, так что можно построить прототип на модели, вышедшей день назад, не ставя на неё продакшн-пайплайн. В тот день, когда подобный чекпойнт GUI-агента доберётся до маршрутизируемого провайдера, он появится по цене провайдера с тем же сквозным ценообразованием, и снижение цен вендором в тот же день дойдёт до нас. До тех пор веса Apache-2.0 — это и есть вся история.

Что посмотреть дальше

Три вещи решат, превратится ли этот тихий релиз в новость. Появится ли на Hugging Face модель UI-Venus-2-27B, которая заполняет таблицы в карточке, и будет ли она сопровождаться показателем OSBlind 12.3. Опубликуют ли технический отчёт, и выдержит ли он первую независимую воспроизводимость. И решит ли Ant Group, что тихая фаза окончена, — потому что агент с открытыми весами на 9B параметров с такими табличными показателями и контекстом в 256K не останется надолго с нулём загрузок.