UI-Venus-2-9B против Qwen2.5-Omni-7B: два потомка Qwen, универсал против агента

UI-Venus-2-9B и Qwen2.5-Omni-7B — оба потомки с открытыми весами одной и той же линии, что делает это противостояние редким контролируемым экспериментом. Qwen2.5-Omni-7B, выпущенный в марте 2025 года под лицензией Apache-2.0, — признанный омнимодальный универсал «any-to-any»: на вход — текст, изображение, аудио и видео, на выход — текст и речь; модель, которая воспринимает всё и отвечает в любом нужном вам формате. UI-Venus-2-9B от Ant Group, тихо выпущенный 26 августа 2026 года, инициализирован от более новой Qwen — Qwen3.5-9B — и специализирован на противоположное: замкнутый GUI-агент, который воспринимает скриншот и отвечает действием, а не прозой. Одна семья, две карьеры. Вопрос, на который отвечает это противостояние, — не кто лучше (они не соревнуются на едином общем бенчмарке), а что вы на самом деле покупаете, выбирая универсала без агентского цикла или специалиста, созданного для управления компьютером.

Одна семья, две карьеры

Линейка Q​wen — это основа, из которой выкроены обе модели, и именно это делает сравнение наиболее чистым. Qwen2.5-Omni-7B опирается на поколение Qwen2.5 и в ходе обучения стала омнимодальной: чередующиеся текст и изображения, понимание аудио и видео, а также вывод разговорной речи поверх того же латентного пространства. UI-Venus-2-9B инициализирована из Qwen3.5-9B и прошла трёхэтапное обучение — мультимодальный промежуточный тренинг, офлайн-обучение с подкреплением, дистилляцию от нескольких учителей — став оператором: привязка элементов, решение CAPTCHA, навигация по мобильным, веб- и десктопным средам в замкнутом цикле. То же архитектурное семейство, изогнутое в двух разных направлениях. Когда две модели разделяют основу, но не цель, каждое различие в их дизайне — это решение, которое стоит изучить.

Универсал: Qwen2.5-Omni-7B

{{1}}Среди доступных открытых омнимодальных чекпойнтов Qwen2.5-Omni-7B — один из самых проверенных.{{/1}} {{2}}Он принимает любые комбинации текста, изображений, аудио и видео и отвечает текстом или естественной устной речью, вдобавок обладая способностью к мышлению в стиле Qwen3.{{/2}} {{3}}В его карточке указаны OmniBench 0.561 (лучший на момент релиза показатель среди открытых моделей), а также GSM8K 88.7, HumanEval 78.7, MATH 71.5 и MBPP 73.2 — сильные общие результаты для модели 7B.{{/3}} {{4}}Это явно не агент: никакого вызова функций, никакого структурированного вывода — весь его вывод носит разговорный характер.{{/4}} {{5}}Зато у него огромный масштаб развёртывания: он работает на телефонах и ноутбуках, имеет порты MLX и квантования и уже полтора года используется в продакшене.{{/5}} {{6}}Для разработчика, которому нужна модель, способная вести устный разговор о картинке или понимать аудио и видео вместе, это зрелый, скучный, правильный выбор.{{/6}}

Специалист: UI-Venus-2-9B

UI-Venus-2-9B — анти-универсал. В его карточке заявлено контекстное окно 256K и замкнутый цикл «наблюдение — рассуждение — действие — обратная связь», а его таблица бенчмарков целиком состоит из задач на работу с экранами: AndroidWorld 80.2, WebVoyager 90.8, OSWorld-Verified 70.8, ScreenSpot-Pro 73.0, MCA-Bench 75.7 на CAPTCHA, успешность OSBlind-атак 18.5%. Он не заявляет ни о чате, ни об аудио, ни о понимании видео за пределами скриншотов — он выдаёт трассу рассуждений, а затем структурированное действие. Вся его архитектура — от проверки с опорой на ключевые точки с голосованием нескольких моделей до супервизии рефлексии, дистиллированной из проверенной обратной связи, — построена ради одной цели: выполнять долгосрочные задачи в реальных интерфейсах, не давая обмануть себя частичным прогрессом. Каждое число в его карточке указано вендором, и ни одно из них пока не воспроизведено независимо.

Табло в двух вселенных

Нет честного способа поместить эти два в одну таблицу лидеров, потому что у них нет ни одного общего бенчмарка. Полезное сравнение — по параметрам, определяющим роль, а не по ранжированию.

• Роль — UI-Venus-2-9B: GUI-агент, преобразует скриншоты в действия. Qwen2.5-Omni-7B: омнимодальный чат и речь, любая модальность в текст или голос.

• База — UI-Venus-2-9B: Qwen3.5-9B. Qwen2.5-Omni-7B: поколение Qwen2.5, ~7B.

• Ввод — UI-Venus-2-9B: скриншоты, история контекста 256K. Qwen2.5-Omni-7B: перемежающиеся текст, изображения, аудио, видео.

• Вывод — UI-Venus-2-9B: структурированные действия после токенов рассуждения. Qwen2.5-Omni-7B: текст или естественная речь; без вызова функций, без структурированного вывода.

• Цикл агента — UI-Venus-2-9B: замкнутый цикл наблюдение–рассуждение–действие–обратная связь. Qwen2.5-Omni-7B: отсутствует.

• Ключевые показатели — UI-Venus-2-9B: AndroidWorld 80.2, WebVoyager 90.8 (по данным производителя). Qwen2.5-Omni-7B: OmniBench 0.561, GSM8K 88.7, HumanEval 78.7 (по данным производителя).

Цикл агента — это и есть разница.

Отбросьте различия в модальностях — и настоящий водораздел пройдёт по тому, заканчивается ли результат словами или действиями. Qwen2.5-Omni-7B — это разговорный эндпоинт: вы отправляете ему мультимодальный промпт, и он отвечает; цикл, который превращает ответ в работу, живёт в вашем коде. UI-Venus-2-9B — это задачный эндпоинт: он обучен принимать цель, наблюдать экран, рассуждать, действовать, наблюдать результат и снова действовать — цикл находится внутри модели, а его механизм верификации призван следить за честностью этого цикла. Именно поэтому на вопрос «может ли универсал выполнить работу агента» есть чёткий ответ (нет — у него нет пространства действий и нет цикла), а на вопрос «может ли агент выполнить работу универсала» есть столь же чёткий ответ (нет — у него нет речевого выхода и нет понимания видео). Они дополняют друг друга, а не заменяют, и у них, так уж вышло, общая фамилия.

Выбор по нагрузке

Выбирайте Qwen2.5-Omni-7B для всего, что заканчивается ответом: голосовые ассистенты, мультимодальный чат, понимание аудио и видео, разговорный ИИ на устройстве, — полтора года производственной эксплуатации это реальный актив. Выбирайте UI-Venus-2-9B для всего, что заканчивается выполненной задачей: заполнение форм, автоматизация веб-действий, работа с приложениями, использование настольного компьютера, — то, чему она обучена завершать. Для команд, которым действительно нужно и то и другое, удобство — в общем происхождении: линейка Qwen — одна из самых широких на OrcaRouter: более двух десятков моделей по ценам провайдера и с нулевой наценкой. Поэтому переход между универсальной моделью Qwen и специализированной моделью на основе Qwen — или их совместное использование, когда универсальная модель декомпозирует задачу, а агент её выполняет, — это изменение одного API, а не повторная интеграция. Ни UI-Venus-2-9B, ни Qwen2.5-Omni-7B сегодня не обслуживаются через OrcaRouter; обе — это проекты с открытыми весами, размещаемые самостоятельно, и обе появились бы по цене провайдера с транзитным ценообразованием в тот день, когда маршрутизируемый провайдер добавит их.

Вердикт

Это не соревнование, в котором есть победитель; это развилка между двумя формами, которые может принимать модель Qwen. Если ваше приложение — разговорное, Qwen2.5-Omni-7B — это проверенный универсал и безопасный выбор по умолчанию. Если ваше приложение — операционное, то есть программное обеспечение, которому нужно использовать другие программы, — UI-Venus-2-9B — это специализированный инструмент: новый и непроверенный, но точно нацеленный на задачу. А если вы создаёте программное обеспечение, которое общается с пользователем, а затем выполняет действия за него, ответ — обе модели, с маршрутизирующим слоем между ними.