WeVisOne-VL-2B vs UI-Venus-2-9B: разрыв в размерах, который скрывает название

Девять миллиардов параметров — это не то, что подразумевает это противостояние. В записи, привычной большинству — WeVisOne-VL-2B против UI-Venus 2.9B, — эта пара читается как две небольшие модели компьютерного зрения примерно одинакового веса: честный бой между свежим чекпойнтом на 2 млрд параметров от команды WeChat Vision компании Tencent и чем-то чуть более крупным от inclusionAI из Ant Group. Вторая половина этого допущения ложна. UI-Venus-2-9B — это UI-Venus 2 с 9 млрд параметров, инициализированная от Qwen3.5-9B; «2» — это поколение, а не размер. WeVisOne-VL-2B, выложенная на Hugging Face 22 октября 2026 года, — это 2 млрд параметров на основе Qwen3-VL. Таким образом, реальное сравнение — это модель в четыре с половиной раза меньше, на более старом поколении основы, которая выдаёт совершенно иной тип ответа.

Она также появилась без запуска. Есть репозиторий на Hugging Face, репозиторий на GitHub с единственным начальным коммитом, статья на arXiv и страница исследовательского проекта — и ни анонса от производителя, ни сообщения в блоге, ни страницы с ценами, которые связывали бы всё это воедино. Это определяет, что данная статья может честно сделать. Веса, архитектура, текст лицензии и таблицы статьи доступны для проверки уже сегодня. А вот независимой оценки, пропускной способности, задержки и цены нет, поскольку ничего из этого пока не существует. В карточке модели Tencent вообще не опубликовано никаких цифр бенчмарков; каждый показатель, приписываемый ниже WeVisOne-VL-2B, взят из собственных таблиц авторов по семи задачам и обозначен именно так. UI-Venus-2-9B — более старая и лучше документированная модель, но её цифры именно таковы, как сообщают о ней сами разработчики.

Что на самом деле описывают эти два названия

WeVisOne-VL-2B — это модель восприятия. Передайте ей изображение и фразу, и она вернёт геометрию: ограничивающий прямоугольник, точку, количество, бинарную маску или непрерывную альфа-матту. Её языковая часть выдаёт координаты в виде специальных токенов в диапазоне от <0> до <1000>, нормализованных относительно изображения, и закрывает каждый прямоугольник в плотных задачах специальным токеном <OBJ> с id 152,678. Эти токены — всего лишь маркеры, пока mask_decoder.pt не прочитает скрытое состояние за ними — обязательный артефакт с 9,511,460 параметрами, поставляемый вторым файлом, который в карточке описан как «обязательный основной компонент, а не необязательное дополнение». Без него вы получаете прямоугольники. С ним вы получаете маски и альфа-матты с шагом 1.

UI-Venus-2-9B — агент. Передайте ему скриншот и задачу — и он вернёт действие: следующее касание, клик или нажатие клавиши, а также токены рассуждения, которые к нему привели, в рамках замкнутого цикла «наблюдение — рассуждение — действие». Она обучена взаимодействию исключительно по скриншотам в сценариях grounding, CAPTCHA, работы с мобильными устройствами, вебом и компьютером, а её опубликованный рецепт для vLLM сочетает максимальную длину модели 262 144 с парсером рассуждений Qwen3, поскольку трассировка рассуждений выводится перед каждым действием.

Поставьте их рядом — и несоответствие сразу бросится в глаза:

• Что возвращается — рамки, точки, количества, OCR-фрагменты, маски и альфа-маски из WeVisOne-VL-2B; одно экранное действие вместе с трассировкой рассуждений из UI-Venus-2-9B.

• Параметры — 2B для WeVisOne-VL-2B плюс отдельный декодер на 9,5M; 9B плотная модель для UI-Venus-2-9B, примерно в 4,5 раза больше весов.

• Основа — Qwen3-VL для WeVisOne-VL-2B, 28 текстовых слоёв при размере скрытого слоя 2,048; Qwen3.5-9B для UI-Venus-2-9B. Разные поколения, разные текстовые стеки.

• Веса на диске — bfloat16 в обоих случаях, но примерно 4 ГБ для 2B против четырёх BF16-шардов общим объёмом около 18,8 ГБ для 9B.

• Потолок контекста — 262 144 позиции в каждом, согласно конфигурации WeVisOne-VL-2B и команде запуска UI-Venus-2-9B. Ни один из поставщиков не демонстрирует использования чего-либо подобного.

• Опубликованные данные — семь таблиц с задачами в статье Tencent и ни одной в карточке модели; длинный список бенчмарков от вендора в карточке inclusionAI и ни одной таблицы в статье.

• Лицензия — Apache 2.0 для кода, написанного Tencent; «ожидает окончательного подтверждения» для весов UI-Venus-2-9B.

Практическое следствие таково: одно нельзя заменить другим, и любая статья, провозглашающая победителя, отвечает на вопрос, который вы не задавали. Модель восприятия, возвращающая идеальную маску, всё равно не может нажать кнопку. Агент, идеально ориентирующийся в приложении, всё равно не сможет выдать вам вырезку, которую вы хотели для предметной съёмки.

Аргументы в пользу меньшей модели сильнее, чем предполагает сравнение 2B и 9B.

При виде 2B рядом с 9B инстинктивно кажется, что меньшая модель — это бюджетный компромисс. Если судить по работе, для которой её обучали, статья Tencent утверждает обратное, а один из её собственных результатов говорит не в пользу её же более крупного релиза. Все приведённые здесь цифры — собственные данные авторов, полученные самими авторами и никем не воспроизведённые.

• Zero-shot-детекция — средний F1 55,2 на COCO, 53,3 на LVIS, 61,4 на Dense200 и 40,4 на VisDrone. Базовая модель Qwen3-VL-2B набирает 45,2, 40,8, 10,0 и 23,1 в той же таблице. Обратите внимание на разрыв на Dense200: показатель в шесть раз выше, чем у базовой модели, на сценах с высокой плотностью объектов.

• Подсчёт — 90,9 и 88,1 по показателю точного совпадения на двух сплитах PixMo-Count, но 27,5 и 26,9 на CLOC, 29,5 и 32,4 на KubriCount и 47,9 на CountQA. Подсчёт — не один навык, и этот разброс — самое честное, что есть в статье.

• Локализация OCR — средний F1 30,5 на HierText, 42,6 на ICDAR2015, 42,5 на TotalText и 62,1 на SROIE при пороге IoU 0,5. Это оценки локализации с привязанными координатами, а не точность транскрипции, поэтому их нельзя сравнивать с числом OCRBench, которое обычно приводят для потребительских VLM.

• Референциальная сегментация — 79,7 кумулятивного IoU на валидации RefCOCO, 73,1 на RefCOCO+, 74,4 на RefCOCOg и 60,9 gIoU на ReasonSeg.

• Матирование по подсказкам — средняя абсолютная разница 6,6 на P3M-500-NP с подсказкой в виде рамки против 15,4 у SAM2-Matting; 5,7 против 12,1 на AM-2K; 15,8 против 23,0 у конвейера Qwen3-VL-8B плюс SAM2-Matting на более сложном referring-сплите WeRefMat. Чем меньше, тем лучше во всех случаях.

Результат маттинга — это именно то место, где аргумент о размере меняется на противоположный. В том же тесте P3M-500-NP с box-prompt модель 2B набирает 6,6, а родственная 4B от самого Tencent — 7,3. Меньшая модель — лучшая из двух по маттингу, Tencent не объясняет почему, и статья всё равно это публикует. Если ваша задача — вырезать объекты из изображений, самая дешёвая версия в семействе — это не понижение класса, а на данный момент лучший по измерениям выбор.

То, чего в статье не показано, не менее важно знать. Ни в одной из семи таблиц нет ни MMMU, ни MMBench, ни DocVQA, ни бенчмарка по подписям к изображениям, а в разделе ограничений признаётся, что ограниченные данные общего назначения для обучения «могут ухудшить общие возможности по сравнению с базовой моделью». Тонкая настройка, благодаря которой модель стала хороша в восприятии, возможно, сделала её худшим универсальным помощником, и ничто в релизе это не проверяет. Также нет ни вывода цепочки рассуждений, ни памяти для многоходовых диалогов, ни поддержки видео — пиксельный декодер прямо отвергает видеосетки.

Единственный бенчмарк, который мог бы это решить, не существует.

Поставьте два оценочных набора рядом друг с другом — и несопоставимость перестанет быть формальностью. Ключевые результаты UI-Venus-2-9B — это показатели успешности конечного состояния в среде: AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0, MobileWorld 65,8 при стандартном лимите шагов, указанном в карточке, и 75,2 при 100 шагах. Они измеряют, была ли задача выполнена, сворачивая восприятие, планирование, память и восстановление после ошибок в одно число.

Ближайшее к общей оси — GUI grounding, то есть нахождение небольшого элемента интерфейса на скриншоте высокого разрешения. UI-Venus-2-9B показывает 73,0 на ScreenSpot-Pro. WeVisOne-VL-2B не сообщает ни результата на ScreenSpot-Pro, ни результата на ScreenSpot-V2, ни какого-либо GUI-бенчмарка — ни в карточке модели, ни в статье, ни на странице проекта. С другой стороны, WeVisOne-VL-2B сообщает о локализации OCR и dense pointing, а UI-Venus-2-9B не сообщает ни о том, ни о другом.

Есть одна деталь, которая делает пару из заголовка ещё более странной. inclusionAI уже выпускает 2B-модель на базе Qwen3-VL — UI-Venus-1.5-2B — и в её карточке указано 57,7 на ScreenSpot-Pro против 68,4 у её 8B-собрата и 69,6 у 30B-A3B. Это и есть настоящий сопоставимый по размеру аналог WeVisOne-VL-2B, на том же семействе бэкбонов, измеренный на единственном бенчмарке, который важен для обеих линеек. Просто это не та модель, что названа в этом сопоставлении.

Итак, честная позиция узкая. Ни одна опубликованная цифра не сравнивает WeVisOne-VL-2B с UI-Venus-2-9B ни на одной задаче, и никто не запускал 2B-модель восприятия на наборе для GUI-граундинга. Запуск WeVisOne-VL-2B на ScreenSpot-Pro — это единственное самое полезное недостающее измерение в этом сравнении: он показал бы, находит ли 2B-специалист по восприятию элементы интерфейса лучше или хуже, чем 9B-агент, и пока кто-нибудь его не запустит, любой, кто ранжирует эти две модели по поиску элементов, экстраполирует из архитектуры.

Что делает каждый из них, когда объекта нет

Поведение при отсутствии объекта — это то, где модели восприятия незаметно дают сбой. Попросите огнетушитель в комнате, где его нет, и модель, которая всегда отвечает, уверенно обведёт рамкой радиатор — а в автоматизированном конвейере это превратится в галлюцинированный объект в библиотеке ассетов или в неверно направленное нажатие в цикле агента.

WeVisOne-VL-2B вместо этого отвечает None, а в статье отказ указан как отдельная метрика наряду с точностью. На RefCOCOg сообщается уровень отказов 50,2 для запросов об отсутствующих объектах — против 0,5 у Rex-Omni-3B и 0,6 у LocateAnything-3B в той же таблице. Это иная цель дизайна, чем максимизация recall, и именно это число делает небольшую модель пригодной для использования в качестве компонента: геометрическую ветвь, которая говорит «отсутствует», безопасно подавать на вход планировщику, тогда как ветвь, выдумывающая рамку, незаметно искажает его.

UI-Venus-2-9B подходит к той же проблеме со стороны действий, наследуя от линейки UI-Venus механизм привязки к элементам интерфейса с учётом отказов: модель обучена отказываться, если запрошенного элемента нет на экране, а не угадывать правдоподобную координату. Её таблица безопасности показывает заявленный эффект: доля успешных атак на OSHarm составляет 11,3% против 25,3% у базовой модели Qwen3.5-9B, а на OSBlind — 48,8% против 79,4%. В карточке также прямо указано, что это не устраняет риск вредоносных действий, и рекомендованы подтверждение человеком и меры защиты на уровне приложений. Обе команды выбрали воздержание вместо покрытия; ни у одной из них этот выбор не был независимо измерен.

Запуск 2B рядом с 9B

Честные отношения между этими двумя моделями — это не соперничество, а последовательность. Одна возвращает геометрию, другая действует на её основе. Если вы строите систему автоматизации экрана, правдоподобная архитектура ставит WeVisOne-VL-2B впереди как компонент, который сообщает, что где находится — боксы, OCR-фрагменты, маски — а UI-Venus-2-9B позади как компонент, который решает, что делать. Это композиция, а не конкуренция, и это единственная рамка, в которой такое объединение имеет операционный смысл.

Память делает такую компоновку дешёвой на одной машине. При bfloat16 бэкбон 2B — это примерно 4 ГБ весов до декодера, а 9B — около 18,8 ГБ в четырёх шардах. Оба помещаются на одну карту на 24 ГБ, и ещё остаётся место под контекст; 2B в одиночку помещается на карту на 8 ГБ, и это более интересный факт. Потолки контекста совпадают на 262 144 позициях, но означают разное: агент использует длинный контекст как память эпизодов, храня историю скриншотов, тогда как опубликованные оценки модели восприятия выполняются примерно на 1 960 визуальных токенах на изображение. Окно в 256K у однооборотной модели, работающей только с изображениями, — это потолок, а не продемонстрированная возможность.

Стоимость — вот где эти профили расходятся. Ни один из поставщиков не публикует цену за токен, поэтому для обоих реальная стоимость — это GPU-часы на оборудовании, которое вы арендуете или которым владеете. Агент платит за прямой проход 9B-модели плюс токены рассуждений на каждом шаге, а эпизод — это множество шагов; число, которое нельзя спрогнозировать по карточке. Модель восприятия платит за проход 2B-модели плюс прямой проход декодера на каждое изображение, и одно изображение — это один вызов. Сто тысяч фотографий товаров — это предсказуемая арифметика на изображение; задача в браузере — нет.

Именно здесь слой маршрутизации оправдывает своё место, а не остаётся лозунгом. Ни одной из этих моделей сегодня нет в OrcaRouter — мы сверились с актуальным каталогом из 209 моделей, а карточка WeVisOne-VL-2B указывает, что она вообще не развёрнута ни одним провайдером инференса. Для моделей, которые мы действительно обслуживаем, полезные свойства таковы: один OpenAI-совместимый эндпоинт, 0% наценки с передачей прайсовой цены провайдера без изменений, DSL маршрутизации, который объединяет несколько вызовов моделей за одним интерфейсом, и автоматический фейловер. В двухзвенной архитектуре, подобной приведённой выше, именно в DSL живёт композиция и именно там любое из звеньев можно заменить, не переписывая вызывающий код. В тот день, когда любая из этих двух моделей появится у провайдера, это будет самый дешёвый способ выяснить, место ли ей в вашем стеке.

Лицензия, цена и то, что никто не подтвердил

Карточка WeVisOne-VL-2B предоставляет Apache 2.0 для «кода, написанного Tencent, в этом репозитории», что является тем разрешительным ответом, который нужен большинству команд. Одна деталь это усложняет: GitHub API сообщает лицензию репозитория как «Other» без идентификатора SPDX. Эти утверждения не обязательно противоречат друг другу — сторонние компоненты сохраняют собственные условия, — но это означает, что файл лицензии стоит прочитать, прежде чем это попадёт в продукт, а не полагаться на значок.

Карточка UI-Venus-2-9B — это как раз нерешённый пункт. В ней указано, что лицензия на веса модели ожидает окончательного подтверждения и будет добавлена до публичного релиза, а более раннее заявление об Apache-2.0 намеренно не перенесено, поскольку материалы вышестоящего проекта содержат противоречивые утверждения о лицензии. Эта формулировка присутствует в карточке с августа и не менялась. Это не препятствует оценке или большинству сценариев внутреннего использования, но внешний продукт, построенный на этих весах, опирается на нерешённый вопрос, и никакой результат бенчмарка его не закрывает.

Ни у одной из моделей нет цены, установленной поставщиком. У WeVisOne-VL-2B нет провайдера инференса и нет тарифной сетки. У UI-Venus-2-9B нет собственного эндпоинта и нет цен, опубликованных inclusionAI, поэтому сколько бы ни брал сторонний хост, это его ставка, а не ставка команды.

Какой выбрать?

Решение — это описание должности, а не рейтинг.

• Выбирайте WeVisOne-VL-2B, если нужный вам ответ — это геометрия: боксы в конвейер аннотаций, маски для инструмента редактирования, альфа-маски для изображений товаров, подсчёты в плотном кадре или OCR с привязанными координатами — и особенно если вам это нужно на маломощном оборудовании. Это единственная модель здесь, которая возвращает маску по текстовому запросу, она превосходит своего более крупного собрата в маттинге, а её лицензия — устоявшаяся.

• Выбирайте UI-Venus-2-9B, если вам нужен ответ в виде выполненной задачи: заполненная форма, пройденная навигация по приложению, решённая CAPTCHA, выполненный рабочий процесс на десктопе. Вы покупаете агентный цикл, и при этом стоит заранее понимать, что лицензия не урегулирована, а долгосрочные десктопные задачи при таком размере модели не решены — собственные показатели карточки по OSWorld 2.0 составляют 7,5 в частичном зачёте и 0,0 в бинарном.

• Выберите UI-Venus-1.5-2B, если на самом деле вам нужен был небольшой GUI-граундер. Это 2B-модель на основе Qwen3-VL из линейки inclusionAI; она показывает 57,7 на ScreenSpot-Pro и является сопоставимым по размеру конкурентом, который подразумевается названием этого сравнения, но не назван в нём.

• Запускайте оба по очереди, если вы создаёте автоматизацию экрана, которой нужно точно видеть, а затем действовать — сначала этап геометрии, затем этап агента, на одном GPU.

• Подождите: если показатель GUI-grounding для WeVisOne-VL-2B — это то, от чего зависит ваше решение, то его ещё не существует, а угадывать его по количеству параметров — не метод.

Что изменило бы этот ответ?

Четыре вещи в порядке полезности. Прогон ScreenSpot-Pro или ScreenSpot-V2 для WeVisOne-VL-2B превратил бы центральный пробел этого материала в сравнение, а учитывая, что модели всего один день и она распространяется под Apache 2.0, это работа на выходные для любого, у кого есть GPU и стенд для оценки. Решение вопроса с лицензией для UI-Venus-2-9B устранило бы единственное препятствие, против которого не поспоришь никакими показателями точности. Включение любой из этих моделей в каталог провайдера инференса заменило бы подсчёт в GPU-часах реальной ценой. А сравнение 4B и 2B, объясняющее, почему меньшая модель справляется лучше, показало бы покупателям, означает ли вообще что-нибудь нейминг этого семейства.

До тех пор полезно воспринимать эти две не как соперников в таблице лидеров, а как разные инструменты: один измеряет изображение, другой действует на экране. Название этого противостояния наводит на мысль, что вы выбираете между почти равными малыми моделями. На самом деле вы выбираете между специалистом на 2B и агентом на 9B, и единственное, что у них действительно общего, — это привычка говорить «нет».