LFM3-VL-2B vs UI-Venus 2.9B: 2.9B-modellen som faktiskt är en 9B

Det finns ingen modell som heter UI-Venus 2.9B. Checkpointen på inclusionAI/UI-Venus-2-9B är UI-Venus-2-9B – version två av Ant Groups UI-Venus-agent, med 9 miljarder parametrar, byggd på Qwen3.5-9B. Katalognamnet ser ut som ett decimaltal men är inte ett. Mot LFM3-VL-2B på 1,92 miljarder parametrar blir detta en jämförelse mellan 2B och 9B som bär etiketten 2B mot 2B.

Misstaget spelar roll eftersom det förändrar frågan. Om båda modellerna var ungefär 2B skulle man jämföra benchmarkrader och välja den bättre. Vid 9B mot 2B tävlar den mindre modellen inte på samma hårdvara, och den större är inte alls en allmän visionsmodell. UI-Venus-2-9B är en GUI-agent tränad att hantera telefoner, webbläsare och skrivbord utifrån skärmbilder. LFM3-VL-2B är en allmän visionsspråkmodell som råkar inkludera en GUI-kategori bland sina 62 benchmarktester. Överlappningen är snävare än namngivningen antyder.

Hur namnet blev förvanskat

Ant Groups namngivningskonvention är familj-version-storlek. UI-Venus-2-9B tolkas som UI-Venus, generation 2, 9B parametrar. En katalog eller en radar som delar upp på bindestreck och letar efter en decimal läser "2-9" som "2.9", vilket är hur en 9B-modell hamnar bredvid 2B-modeller. Samma konvention ger UI-Venus-2-27B, det större syskonet, och båda publicerades tillsammans i slutet av augusti 2026.

Det här är inte ett kosmetiskt fel. Parameterantal är det första filtret i varje driftsättningsbeslut, och en läsare som kommer förväntandes en 2,9B-modell kommer att överraskas av en BF16-checkpoint på 18,8 GB som inte passar på enheten de hade i åtanke. Repositoriets egen metadata är entydig: Qwen3.5-9B-arkitektur, BF16, bild-text-till-text.

Två jobb, inte två storlekar

LFM3-VL-2B tar emot text, bilder och video vid 2 fps, producerar text, stöder ett tankeläge och har en 128K-kontext över 16 språk. Den är en generalist: dokument, diagram, grounding, förkroppsligat resonemang, GUI-förståelse och video förekommer alla som kategorier på dess modellkort. Liquid AI publicerade den på Hugging Face den 19 oktober 2026 och tillkännagav familjen den 27 oktober, utan API-pris och utan någon angiven inferensleverantör.

UI-Venus-2-9B tar skärmbilder och en uppgiftsbeskrivning och returnerar nästa åtgärd i en sluten observera–resonera–agera-loop. Dess träning sker i tre steg: multimodal mid-training på simulerade trajektorier över fler än 170 mobilappar och fler än 4 000 webbdomäner, offline förstärkningsinlärning på stegnivå över grounding-, CAPTCHA-, mobil-, webb- och datoruppgifter, därefter multi-teacher on-policy-distillation till en policy. Den körs på vLLM med en OpenAI-kompatibel endpoint och en Qwen3-resonemangsparser. Det är en agent-runtime, inte en bildbeskrivningsmodell.

Den praktiska konsekvensen: du kan inte byta ut dem mot varandra. LFM3-VL-2B beskriver en skärmbild och svarar på frågor om den. UI-Venus-2-9B avgör var man ska trycka härnäst, och den förväntar sig den kringliggande infrastrukturen – åtgärdsparsers, promptar, exempel – från projektets GitHub-repository för att göra något användbart.

Det enda riktmärket som stämmer

Båda modellerna rapporterar ScreenSpot-Pro, vilket är det sällsynta fall där jämförelsen är legitim. LFM3-VL-2B får 55,5 med tänkande och 49,3 utan. UI-Venus-2-9B får 73,0. Det är en skillnad på 17,5 punkter till fördel för modellen som är nästan fem gånger större, och det är den enskilt tydligaste siffran i den här jämförelsen.

Utöka det inte till resten av GUI-historien. UI-Venus-2-9B rapporterar också AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0 och VenusBench-GD 77,1. LFM3-VL-2B rapporterar ett GUI-kategorisnitt på 83,1 över en annan uppsättning uppgifter, och att ta ett medelvärde för en kategori är inte samma sak som att poängsätta ett enda benchmark. Kategorierna är inte jämförbara och bör inte subtraheras.

Ett nummer på UI-Venus-kortet är värt att lyfta fram eftersom det talar emot huvudbudskapet: på OSWorld 2.0 får modellen 0.0 på det binära måttet och 7.5 på det partiella måttet. Vad harness-problemet än är, så är en 9B-agent som ligger i topp på OSWorld-Verified och får nära noll på efterföljande benchmark en modell med en gräns, och kortet rapporterar det ärligt.

Kontextfönster som mäter olika saker

UI-Venus-2-9B uppger upp till 256K tokens kontext, och den användbara delen är vad den kontexten innehåller: en historik med skärmbilder, så att agenten kan komma ihåg hur skärmen såg ut fyra steg tidigare. LFM3-VL-2B uppger 128K, och dess kort anger inte budgeten för bildtokens eller en maximal videolängd. Ingen av siffrorna säger hur många skärmbilder du kan behålla i en loop innan modellen tappar den första. Båda kräver mätning vid din egen upplösning och ditt eget antal steg.

Skillnaden i art spelar fortfarande roll. En lång historik med skärmbilder är ett minneskrav för en agent som körs i minuter. En 128K-kontext på en allmän VLM är ett krav för dokument eller video. Siffrorna ser jämförbara ut och besvarar olika frågor.

Driftsättning: 4 GB mot 19 GB

LFM3-VL-2B har 1,92 miljarder parametrar, cirka 3,84 GB vikter i BF16 räknat, och GGUF-, MLX 4-bitars- och ONNX-byggen är redan publicerade. UI-Venus-2-9B är ungefär 18,8 GB i BF16 och serveras via vLLM; det finns en community-GGUF, men leverantörens serveringsväg förutsätter en GPU med plats för hela checkpoints. Dessa konkurrerar inte om samma plats. Den ena är en edge-kandidat; den andra är en agent på serversidan.

Den skillnaden, inte benchmarkgapet, är anledningen till att kombinationen är intressant. Ett team som vill ha GUI-förståelse på en enhet har exakt ett alternativ här. Ett team som vill ha en GUI-agent med resultat nära state of the art har det andra, och behöver en GPU för att köra den.

Licensfrågan som ingen har besvarat

LFM3-VL-2B använder LFM Open License v1.0: kommersiell användning licensieras endast så länge licensinnehavaren ligger under 10 miljoner dollar i årliga intäkter. Det är restriktivt men läsbart, och texten är publicerad.

Läget för UI-Venus-2-9B är mindre tydligt. Projektets kodförråd anger Apache 2.0; modellkortet anger att licensen för vikterna väntar på slutgiltig bekräftelse eftersom uppströmsuttalanden är motstridiga. Per den 28 oktober 2026 har detta inte lösts. En licens som väntar är inte ett hinder för forskning och är ett verkligt hinder för en kommersiell driftsättning som behöver känna till villkoren innan den lanseras. Den som planerar att bygga på UI-Venus-2-9B bör få svaret skriftligt i stället för att sluta sig till det utifrån en tagg i kodförrådet.

Var OrcaRouter passar in, om ens någonstans

OrcaRouter serverar ingen av checkpointarna, och den här texten hävdar inte att vi gör det. Det vi däremot har är ett routing-DSL som kan komponera flera modeller till ett enda anrop – användbart här eftersom den naturliga arkitekturen inte är att "välja en". En liten allmän VLM kan läsa skärmen och avgöra om uppgiften är en dokumentfråga eller en interaktion; en större GUI-specialist kan ta interaktionsstegen. Routing mellan dem efter uppgiftstyp är en konfiguration, inte en andra integration.

Det är ett mer ärligt sätt att använda jämförelsen på än att låtsas att de två modellerna är alternativ. De är två steg i samma pipeline, med en skillnad på 5× i parametrar mellan dem.

Vilken av dem du faktiskt vill ha

• LFM3-VL-2B om uppgiften handlar om att förstå snarare än att agera, om du behöver video- eller dokumentindata, eller om modellen måste köras i cirka 4 GB. Acceptera licensen med intäktstak och det faktum att ingen utanför Liquid har utvärderat den.

• UI-Venus-2-9B om jobbet är att köra ett gränssnitt från början till slut, om du kan tillhandahålla 19 GB GPU-minne och en vLLM-serveringsstack, och om du kan vänta på att viktlicensen bekräftas. Acceptera att det är en specialist med ett harness, inte en allmän assistent.

• Ingetdera, om det du ville ha var en 2,9B-modell. Den modellen finns inte, och de två verkliga alternativen är båda mer specialiserade än namnet antydde.

Rättelsen är det viktiga. Ett parameterantal i ett mappnamn är inte en specifikation, och i det här fallet dolde det en femfaldig storleksskillnad och en helt annan uppgift. Läs arkitekturfältet före sluggen.