WeVisOne-VL-4B против UI-Venus-2-9B: один возвращает маску, другой — клик

Передайте один и тот же скриншот страницы оформления заказа в WeVisOne-VL-4B и в UI-Venus-2-9B — и получите два разных типа ответа. Первый даёт геометрию: рамку вокруг значка корзины, маску сегментации вокруг поля скидки, альфа-маску, вырезающую фото товара из фона. Второй даёт действие: координаты следующего нажатия плюс рассуждение, которое к нему привело. Команда WeChat Vision от Tencent опубликовала WeVisOne-VL-4B на Hugging Face без анонса и датировала свою техническую статью 23 октября 2026 года; UI-Venus-2-9B от inclusionAI доступна для скачивания с 26 августа 2026 года. Их относят к одной и той же категории модальности, но они не взаимозаменяемы.

Это делает сравнение особенно необычным по своей сути: у двух моделей нет ни одного общего бенчмарка. Ни одна оценка не фигурирует в обеих карточках. Ни одна из них не проходила независимую оценку, ни одна не развёрнута провайдером инференса, и ни одна не имеет опубликованной цены. Честно сравнивать можно то, что каждая из них выдаёт, как каждую обучали отказывать, во сколько обходится их запуск и под какой лицензией вы бы их поставляли — именно это и делает данная статья, и она каждый раз помечает цифры, заявленные поставщиком, как заявленные поставщиком.

Две модели отвечают не на один и тот же вопрос

WeVisOne-VL-4B — это модель восприятия. Она построена на бэкбоне Qwen3-VL и дополнена обязательным пиксельным декодером на 9,6 млн параметров — mask_decoder.pt, поставляемым в качестве второго артефакта, — который преобразует предсказания ограничивающих рамок языковой модели в маски экземпляров, а затем в альфа-маски с шагом 1. Координаты выводятся в виде специализированных токенов в диапазоне от <0> до <1000>, нормированных относительно изображения, а специальный токен <OBJ> (id 152,678) закрывает каждую рамку в плотных задачах. Список задач в статье — это перечень геометрических задач: детекция с открытым словарём, локализация по референсному выражению, подсчёт, указание, OCR-локализация, сегментация по референсному выражению и альфа-матирование по подсказкам.

UI-Venus-2-9B — это агент. Он инициализирован на основе Qwen3.5-9B и обучен взаимодействию исключительно через скриншоты в пяти семействах задач — grounding, CAPTCHA, мобильные, веб и компьютер — в ходе среднего этапа обучения, офлайн-обучения с подкреплением на уровне шагов и on-policy-дистилляции от нескольких учителей. Его выход — это действие в замкнутом цикле «наблюдение — рассуждение — действие», а его рецепт vLLM сочетает --max-model-len 262144 с --reasoning-parser qwen3, поскольку он генерирует токены рассуждений перед каждым действием.

Сопоставьте характеристики — и разница сразу станет очевидной:

• Что получается на выходе — боксы, точки, маски и альфа-маски из WeVisOne-VL-4B; одно действие плюс трассировка его рассуждений из UI-Venus-2-9B.

• Бэкбон — Qwen3-VL для WeVisOne-VL-4B; Qwen3.5-9B для UI-Venus-2-9B. Разные поколения, разные семейства текстового стека.

• Размер — 5B параметров, указанных в репозитории, несмотря на название «4B», плюс отдельный декодер с 9,6 млн параметров; 9B dense для UI-Venus-2-9B на четырёх BF16-шардах, около 18,8 ГБ.

• Формат весов — F32 safetensors в карточке {{1}}WeVisOne-VL-4B{{/1}}, что необычно для такого размера и делает объём загрузки больше, чем можно предположить по числу параметров; BF16 для {{2}}UI-Venus-2-9B{{/2}}.

• Лицензия — Apache 2.0 для WeVisOne-VL-4B; «ожидает окончательного подтверждения» для UI-Venus-2-9B.

Практическое следствие таково: одно нельзя заменить другим, и любая статья, которая провозглашает победителя, отвечает на вопрос, которого вы не задавали. Модель восприятия, возвращающая идеальную маску, всё равно не умеет кликать. Агент, который идеально кликает, всё равно не сможет выдать вам тот матт, который вы хотели для продуктовой съёмки.

Там, где они действительно совпадают: обе команды научили свою модель говорить «нет».

Это единственное проектное решение, которое приняли оба релиза, и самое интересное в этой паре. Модели локализации с открытым словарём ошибаются специфическим и дорогостоящим образом: попросите найти огнетушитель в комнате, где его нет, и модель, которая всегда отвечает, уверенно обведёт радиатор. В дальнейшем это обернётся галлюцинированным объектом в вашем пайплайне ассетов или неверно направленным нажатием в цикле автоматизации.

WeVisOne-VL-4B справляется с этим, возвращая None, а в статье доля отказов приводится как отдельная метрика наряду с точностью. На RefCOCOg модель 4B достигает доли отказов 67.4, тогда как её база Qwen3-VL-4B находится на уровне 18.8. На внутреннем WeChat WeRef-Bench сообщается о 96.4 отказов против 61.9 у базовой модели, а на Ref-ZOM — 86.0 против 0.3 у UniPixel-7B. Это самостоятельно заявленные показатели из статьи, опубликованной сегодня, и бенчмарки на отказ в значительной степени собственные бенчмарки авторов — считайте направление правдоподобным, а точную величину разрыва неподтверждённой.

UI-Venus-2-9B подходит к той же проблеме со стороны агента, наследуя от линейки UI-Venus граундинг с учётом отказа: модель обучена отказываться, когда запрошенного элемента нет на экране, вместо того чтобы угадывать правдоподобное местоположение. Его показатели граундинга — ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5 — заявлены производителем, и в карточке прямо указано, что это не устраняет риск вредоносных действий, а также рекомендуется подтверждение человеком в сочетании с защитными механизмами на уровне приложения. Его таблица безопасности показывает тот эффект, который действительно заявлен: доля успешных атак 11,3% на OSHarm против 25,3% у базовой модели Qwen3.5-9B и 48,8% на OSBlind против 79,4%.

Итак, обе модели были созданы командами, которые видели, как локализатор лжёт, и обе выбрали отказ от ответа вместо покрытия. Если режим отказа вашего приложения — «уверенно ошибаться», этот общий приоритет важнее количества параметров.

Цифры, которые не показывает карточка модели Tencent

Все материалы о WeVisOne-VL-4B до сих пор говорили одно и то же — и справедливо: в карточке модели не опубликовано ни одного бенчмарка. А в технической статье они есть, и она вышла 23 октября 2026 года, из-за чего именно эта часть истории пока не получила распространения. Все эти данные заявлены самими авторами, ни одни не воспроизведены независимо, а модели всего один день, — так что воспринимайте их как заявления с очертаниями, а не как устоявшиеся результаты.

По сравнению с собственной базовой моделью Qwen3-VL-4B эти разрывы достаточно велики, чтобы представлять интерес даже после существенной скидки:

• Детекция, средний F1 в zero-shot на COCO — {{1}}57.1{{/1}} у {{2}}WeVisOne-VL-4B{{/2}} против {{3}}48.7{{/3}} у {{4}}Qwen3-VL-4B{{/4}}, и {{5}}55.3{{/5}} против {{6}}44.0{{/6}} на LVIS.

• Детекция, средний F1 на Dense200 — 71,3 против 15,2. Это не опечатка в таблице статьи; именно на сценах с плотными мелкими объектами базовая модель разваливается.

• Детекция referring-объектов, RefCOCOg val — 80,8 против 74,1, при доле отказов 67,4 против 18,8.

• Подсчёт, точное совпадение на валидационном наборе PixMo-Count — 93,7 против 69,6; на валидационном наборе MixCount — 42,0 против 3,5.

• Указание, PointBench F1 — 71,9 против 57,1.

• Локализация OCR: средний F1 на SROIE — 68,1 против 40,4, что выше показателя PP-OCRv5 — 58,6.

• Сегментация по referring-запросу, gIoU на валидации ReasonSeg — 71.2 против 65.0 у LISA-13B.

• Матирование с подсказками: MAD для подсказок в виде рамки на AM-2K — 5,0 против 12,1 у SAM2-Matting; на referring-подсказках WeRefMat — 9,8 против 51,9.

На результате матирования стоит остановиться, потому что это та возможность, которую ничто другое в этом ценовом классе не предлагает через промпт. Когда вы просите vision-language модель вернуть «человека в виде alpha matte» и получаете вывод со stride 1, который превосходит конвейер матирования SAM2 по MAD, это уже другой продукт по сравнению с головой детекции с прикреплённой маской. И именно здесь статья наименее благосклонна к собственной 4B: на box-промптах P3M-500-NP модель 2B набирает 6.6 MAD против 7.3 у 4B, так что более крупный вариант не всегда лучше, и авторы это публикуют.

Что измеряют показатели UI-Venus-2-9B и почему они не будут переноситься

Поставьте два набора бенчмарков рядом друг с другом — и несопоставимость перестанет быть формальностью. Все 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 для карточки бюджете шагов и 75,2 при 100 шагах. Эти числа измеряют, была ли задача выполнена, что сводит восприятие, планирование, память и восстановление после ошибок в один показатель.

Ближайшее к общей оси — это GUI-граундинг. UI-Venus-2-9B показывает 73,0 на ScreenSpot-Pro — бенчмарке по поиску небольших элементов интерфейса на скриншотах высокого разрешения, — а WeVisOne-VL-4B этот результат не приводит. WeVisOne-VL-4B приводит результаты локализации OCR и dense pointing, а UI-Venus-2-9B их не сообщает. Поэтому честная позиция такова: самого полезного числа для этого сравнения пока не существует. Запуск WeVisOne-VL-4B на ScreenSpot-Pro показал бы, побеждает ли 5B-специалист по восприятию 9B-агента в поиске кнопки, и пока кто-нибудь этого не сделает, любой, кто ранжирует эти две модели по граундингу, гадает.

Собственный набор тестов агента также публично выявляет его слабое место. В OSWorld 2.0 модель 9B набирает 7,5 балла partial и 0,0 binary; её собрат 27B достигает 13,2 partial и 2,8 binary. Долгосрочная работа на десктопе при таком размере не решена, и карточка модели об этом прямо говорит.

Разрыв в их обслуживании больше, чем разрыв по бенчмаркам.

Для команды, решающей, что запускать на следующей неделе, эксплуатационная разница будет важнее любого показателя. UI-Venus-2-9B — это одна модель, которую вы запускаете одной командой vLLM, предоставляющая OpenAI-совместимый эндпоинт с тензорным параллелизмом, равным 1. WeVisOne-VL-4B требует своего пакета для инференса из GitHub плюс отдельного артефакта декодера, и вызывается через собственную обёртку WeVisOneVL(...) с аргументом task — predict(image, task="matting", query="person", temperature=0.0). В карточке описаны пути через Transformers, vLLM и SGLang, но пиксельный декодер не является необязательным: одна языковая модель не может создать маску.

Потребление памяти ближе, чем можно предположить по числу параметров. В bf16 бэкбон на 5B занимает примерно 10 ГБ до декодера, против примерно 18,8 ГБ для четырёх шардов UI-Venus-2-9B. По весам обе модели помещаются на одну карту с 24 ГБ; разница в том, сколько места остаётся для контекста.

А что касается контекста, две конфигурации совпадают так, что это легко переоценить. В конфигурации WeVisOne-VL-4B указано max_position_embeddings = 262 144 — тот же потолок, который UI-Venus-2-9B обеспечивает при своей максимальной длине модели 262 144. Но используют они его по-разному: агент рассматривает длинный контекст как память эпизода, храня историю скриншотов задачи, тогда как опубликованные оценки модели восприятия выполняются при 1 960 визуальных токенов на изображение. Окно в 256K для модели с одним ходом и только изображениями — это потолок, а не продемонстрированная возможность, и в карточке видеосетки прямо указаны как отвергаемые пиксельным декодером.

Лицензия: одна из них урегулирована, а другая — нет.

WeVisOne-VL-4B распространяется под лицензией Apache 2.0, а код, написанный Tencent, — на тех же условиях. Вы можете читать его, создавать форки, включать в продукт и не обращаться к юристу по этому поводу.

В карточке UI-Venus-2-9B 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 было перенесено, поскольку исходные материалы содержат противоречивые заявления о лицензии. Это предложение находится в карточке с августа и не менялось. Оно не мешает вам оценивать модель и не мешает внутреннему использованию в большинстве организаций, но означает, что внешний продукт, построенный на этих весах, строится на нерешённом вопросе, и никакие баллы бенчмарков этого не исправят. Если вы выбираете между этими двумя вариантами для чего-то, что собираетесь выпускать, столбец лицензии решает быстрее, чем столбец точности.

Сколько стоит каждый из них, учитывая, что ни у одного не указана цена

Ни для одной из моделей нет установленной вендором цены за токен. На странице WeVisOne-VL-4B сказано, что она не развёрнута ни одним провайдером инференса; у UI-Venus-2-9B нет собственного эндпоинта и нет тарифной сетки, опубликованной inclusionAI, поэтому сколько бы ни брал за неё сторонний хостинг, это его цифра, а не цифра команды. В обоих случаях затраты — это GPU-часы на оборудовании, которое вы арендуете или которым владеете, а значит, сравнение идёт не по принципу «цена на входе против цены на выходе», а по принципу «сколько видеокарт мне нужно и сколько изображений в секунду она обрабатывает».

Ни одна из статей не публикует данные о пропускной способности или задержке, поэтому второе число неизвестно для обеих. Что можно знать — это структуру: UI-Venus-2-9B платит за прямой проход 9B плюс токены рассуждения на каждом шаге эпизода, а эпизод агента состоит из многих шагов. WeVisOne-VL-4B платит за проход 5B плюс прямой проход декодера на каждое изображение, а одно изображение — это один вызов. Если ваша нагрузка — сто тысяч фотографий товаров, экономика модели восприятия считается на изображение и предсказуема; если это задача в браузере, стоимость агента масштабируется с количеством действий, которые требует задача, и именно это число вы не можете спрогнозировать по карточке.

Именно здесь слой маршрутизации оправдывает своё существование, а не остаётся лозунгом. Ни одной из этих моделей сегодня нет в OrcaRouter, и этот материал не станет делать вид, что это не так — у WeVisOne-VL-4B вообще нет провайдера инференса, а UI-Venus-2-9B обслуживается сторонним хостингом, а не из нашего собственного каталога. Что OrcaRouter даёт для моделей, которые он действительно обслуживает, — так это единый OpenAI-совместимый эндпоинт для 200+из них с нулевой наценкой, при этом прайс-лист провайдера передаётся без изменений, так что снижение цены вендором доходит до вас в тот же день, когда оно происходит, а не при следующем продлении контракта. Для архитектуры, которая последовательно вызывает модель восприятия и агентную модель, именно DSL маршрутизации — то место, где живёт эта композиция: два вызова моделей, одно место, где можно заменить любое из звеньев, — а автоматическое переключение при сбое — это то, что поддерживает жизнь агентного цикла, когда модель под ним деградирует посреди эпизода. Как только любая из этих двух моделей появится у провайдера, это будет самый дешёвый способ узнать, место ли ей в вашем стеке.

Какой выбрать?

Решение — это описание должности, а не рейтинг.

• Выбирайте WeVisOne-VL-4B, если нужный вам результат — это геометрия: ограничивающие рамки для конвейера аннотирования, маски для инструмента редактирования, альфа-матты для изображений товаров, подсчёт объектов на плотном аэрофотоснимке или OCR с привязанными координатами. Ничто другое в открытом классе 5B не возвращает матт по текстовому запросу, а метрики маттинга из статьи в сравнении с конвейером SAM2 — самое сильное утверждение в этом релизе.

• Выберите UI-Venus-2-9B, если нужный вам результат — это выполненная задача: заполненная форма, навигация в приложении, решённая CAPTCHA, десктопный рабочий процесс, управляемый по скриншотам. Он поставляется одной командой vLLM с OpenAI-совместимой конечной точкой — это день работы, а не неделя, а его результаты AndroidWorld и WebVoyager — это цифры, которые стоит сверить с вашей собственной средой.

• Пока не выбирайте ни один из них, если вам нужны независимые доказательства, опубликованная цена или окончательная лицензия для продукта, готового к поставке. Все три отсутствуют для лицензии UI-Venus-2-9B и для бенчмарков обеих моделей.

• Рассмотрите оба варианта, если вы создаёте агента, которому нужно манипулировать изображениями, а не просто кликать по экранам. Интерес представляет именно композиция: UI-Venus-2-9B решает, где действовать, а WeVisOne-VL-4B создаёт пиксельно точный артефакт, на который было нацелено действие. Это стоит двух вызовов моделей на каждом шаге, но обеспечивает точность, которой ни одна из моделей не обладает в одиночку.

Что изменило бы этот ответ?

Четыре вещи — в порядке того, насколько сильно они способны это сдвинуть.

Прогон ScreenSpot-Pro для WeVisOne-VL-4B. Это единственный бенчмарк, на котором обе стороны могли бы сойтись, и он решил бы, превзойдёт ли специалист по восприятию вдвое меньшего размера специально созданного UI-агента по локализации. Любой, у кого есть GPU и свободный день, может его получить, но никто этого не сделал.

Независимая оценка любой из моделей. Каждое число в этой статье восходит к карточке модели или к статье, написанной командой, создавшей эту вещь. Это нормально в день релиза, и это по-прежнему отсутствие.

Окончательно подтверждённая лицензия на UI-Venus-2-9B. Пометка «Ожидает окончательного подтверждения» держится на карточке уже восемь недель. Если лицензия окажется разрешительной, агента станет значительно проще рекомендовать для коммерческого использования; если нет, это даст на вопрос противоположный ответ.

Собственный endpoint от вендора для любого из них. Сегодня ни один из вендоров не обслуживает собственную модель, что ограничивает аудиторию командами, готовыми развернуть стек обслуживания, а в случае WeVisOne-VL-4B — командами, готовыми работать с собственным пакетом инференса. Опубликованный вендором тариф превратил бы сравнение затрат из арифметики в статью расходов.

До тех пор справедливая оценка такова: Tencent выпустила инструментарий для восприятия, который делает то, чего раньше не делала ни одна небольшая открытая модель, причём настолько тихо, что её собственные таблицы бенчмарков ещё никто не прочитал, а Ant Group на полтора месяца раньше выпустила агента, который проще запускать и сложнее лицензировать. Они не соперники. Ошибкой было бы выбрать один только потому, что другой набрал больше баллов в бенчмарке, который не является для них общим.