Molmo2-4B vs UI-Venus-2-9B: Ett av dessa namn är en storlek, och det är fel

Modellen heter UI-Venus 2 i 9B-utförande. Den är inte 2,9B, och den är inte en 9B-version av en 2,9B-modell. Strängen i filnamnet är ett generationsnummer hopfogat med ett parameterantal – inclusionAI/UI-Venus-2-9B – och den har lästs baklänges av tillräckligt många radarflöden och listsidor för att en jämförelse med Molmo2-4B nu ska se ut som två små modeller i samma viktklass. Det är det inte. UI-Venus-2-9B är en GUI-agent på 9B som initierats från Qwen3.5-9B, ungefär dubbelt så stor som Molmo2-4B:s 4,85B, och de två utför helt olika uppgifter. Om du faktiskt vill ha den lilla GUI-modellen från den familjen är det UI-Venus-1.5-2B, och det är där 2B-siffran hör hemma. Två specialistmodeller med olika utdatakontrakt är ett routingproblem. inget påslag utöver leverantörens listpris Failover täcker fallet där en av dem har en dålig eftermiddag.

Båda modellerna är äldre än inramningen antyder. Molmo2-4B tillkännagavs av Allen Institute for AI den 11 december 2025 och dess vikter publicerades den 14 december. UI-Venus-2-9B:s vikter publicerades den 26 augusti 2026 tillsammans med en teknisk rapport, arXiv 2609.00028. Det som nyligen har förändrats på Molmo-sidan är verktygen snarare än vikterna: inbyggt Transformers-stöd integrerades den 9 oktober 2026 och ingick i v5.20.0 den 15 oktober, och en robotikfinjustering, Molmo2-4B-tb, publicerades den 5 november. Inget av detta är en lansering, och inget av dem gör Molmo2-4B till en GUI-modell.

Vad UI-Venus 2 på 9B egentligen är

Det är en gränssnittsagent med sluten slinga. Indata är en skärmbild; utdata är en åtgärd som bygger på resonemang – tryck här, skriv detta, scrolla – och slingan fortsätter tills uppgiften är klar. Träningen sker i tre steg över fem uppgiftsfamiljer (grounding, CAPTCHA, mobil, webb och dator) och avslutas med on-policy-destillering med flera lärare som för samman domänspecialister i en enda policy. Miljötäckningen utgör kärnan i släppet: över 170 mobilappar på kinesiska och engelska, en webbpool med över 4 000 domäner i 19 kategorier och styrning av stationära operativsystem som byggts från grunden.

Leverantörens egna siffror, alla från modellkortet och dess tekniska rapport:

• GUI-förankring — ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5, UI-Vision 53,2.

• Mobila agenter – AndroidWorld 80,2, MobileWorld 65,8 vid standardsteg och 75,2 vid en budget på 100 steg, MobileGym 52,7, VenusBench-Mobile 46,5, KnowUBench 56,5, MemGUI 62,6.

Skrivbord – OSWorld-Verified 70,8, DeskCraft 48,0 och OSWorld 2.0 på 0,0 i binär noggrannhet med en delpoäng på 7,5 över 108 uppgifter inom en budget på 150 steg. Den nollan är värd att läsa noggrant; det är ett hårt binärt mått, inte ett skrivfel.

• Webb — WebVoyager 90,8, Online-Mind2Web 74,0, REAL 76,9, Odysseys 77,3 i genomsnitt med 62,0 perfekta.

• Säkerhet — attackframgångsgrad 11,3 % på OSHarm och 48,8 % på OSBlind, jämfört med 25,3 % och 79,4 % för Qwen3.5-9B-basen.

Det finns en oberoende kontroll. Diagnostikbenchmarken PointerBench som publicerades i oktober 2026 ger UI-Venus-2-9B 64,2 på Sheets, 25,8 på Text och 73,6 på Pro, ett genomsnitt på 54,5, och beskriver den som den starkaste specialisten på inbyggd GUI-grounding samtidigt som den flaggar för att grounding på textnivå är dess svagaste område. Det är ett tredjepartsresultat på en annan uppgiftsmix, och det är en användbar korrigering: rubriken ScreenSpot-Pro är inte hela bilden.

Vad Molmo2-4B faktiskt är

En universell vision-språkmodell med punktutdata. 4 850 869 200 parametrar, ett SigLIP 2 so400m-visionstorn ovanpå Qwen3-4B-Instruct-2507, 36 864 positioner, 19,42 GB float32-vikter fördelade på fyra shardar. Den hanterar bilder, flera bilder och video, och returnerar koordinater skalade till 0–1000 av bildens bredd och höjd, med tidsstämplar när indata är en video. Dess aggregerade leverantörsresultat är 62,8 över 15 akademiska benchmarks.

Det den inte har är ett publicerat GUI-nummer. Molmo2-4B förekommer inte i UI-Venus tekniska rapports tabeller, i PointerBench-utvärderingen eller med ett ScreenSpot-Pro-resultat på sitt eget kort. Den närmaste GUI-siffran i Molmo-familjen tillhör en annan modell: MolmoPoint-GUI-8B, en 8B GUI-specialiserad fine-tune i MolmoPoint-serien från mars 2026, rapporterar 61,1 på ScreenSpot-Pro. Att citera det som ett Molmo2-4B-resultat skulle vara ett kategorifel, och det är det enskilt mest sannolika misstaget en läsare kan göra när den jämför dessa två.

Överlappningen är mindre än namngivningen antyder

• Storlek — 4,85B dense för Molmo2-4B mot en 9B dense modell initierad från Qwen3.5-9B.

• Indata – bild, flerbild och video för Molmo2-4B; en skärmbild för UI-Venus-2-9B, i en slinga, med den föregående åtgärden återkopplad.

• Utdata – glesa punkter i normaliserade koordinater för Molmo2-4B; en strukturerad åtgärd för UI-Venus-2-9B, som tolkas av en testram som sedan styr enheten.

• Styrka — grundning i naturliga bilder och video, räkning och spårning för Molmo2-4B; elementlokalisering och flerstegsnavigering på högupplösta gränssnitt för UI-Venus-2-9B.

• Publicerad GUI-grounding – ingen för Molmo2-4B; ScreenSpot-Pro 73,0 för UI-Venus-2-9B.

• Licens — Apache 2.0-vikter med ett förbehåll om tredjepartsdata för Molmo2-4B; modellkortet för UI-Venus-2-9B publicerar inget licensfält alls, vilket är en lucka som måste åtgärdas innan något kommersiellt.

Den sista raden är inte en detalj. En 9B-modell härledd från Qwen3.5-9B utan licensfält på sitt modellkort är inget som en juridisk granskning kan godkänna med en README som enda underlag. Inte heller kortets egen metadata hjälper: dess Safetensors-märke anger "1.47M params", vilket inte är en rimlig storlek för en checkpoint av den här storleken och ser ut som en artefakt från shard-metadata. Fråga underhållarna om båda innan du planerar utifrån det.

Om du vill ha GUI-grounding från Molmo-serien

Den ärliga vägen är inte Molmo2-4B. Ai2:s eget GUI-arbete ligger i MolmoPoint-familjen, där MolmoPoint-GUI-8B rapporterar 61,1 på ScreenSpot-Pro mot UI-Venus-2-9B:s 73,0, och de två siffrorna kommer åtminstone från samma benchmark. Ändå är jämförelsen mellan olika harnessar: olika åtgärdsscaffolds, olika förbearbetning av skärmbilder och, i UI-Venus fall, ett dokumenterat antagande att resonemang är inaktiverat och temperaturen satt till noll för direkt punktlokalisering. En lucka på 12 punkter i ett benchmark som är så känsligt för val av harness är en signal, inte en dom.

Det Molmo2-4B faktiskt är bra på i en agentstack är perceptionssteget som inte är en knapp. Att hitta objektet som en användare beskrev i en kameraruta, peka ut det i en video, räkna instanser, spåra något över tid – det är de utdata som modellen tränades för, och inget av dem är ett UI-element på en 4K-skärmbild. Team hamnar ofta i att köra båda typerna av modell: en specialist för gränssnittet, en generalist för scenen.

Det är ett routingproblem snarare än ett modelleringsproblem. De två modellerna har inkompatibla utdatakontrakt och olika hårdvaruprofiler, och att köra dem bakom en enda nyckel för båda – med failover när en endpoint försämras och utan påslag utöver leverantörens listpris – tar bort den del av stacken som inte har något med vision att göra. Det är också värt att säga rakt ut att ingen av dessa modeller finns i OrcaRouter-katalogen; båda är vikter som du själv hostar, och routinglagret ligger runt dem snarare än under dem.

Den korta versionen

Om uppgiften är att ”köra den här appen” är UI-Venus-2-9B specialisten och Molmo2-4B har inget att erbjuda på det riktmärket. Om uppgiften är att ”peka på saken i det här fotografiet eller den här videon” har UI-Venus-2-9B inget att erbjuda och Molmo2-4B är anledningen till att jämförelsen finns. Och om det du faktiskt ville ha var en liten GUI-modell att köra billigt, var den korrekta jämförelsen aldrig den här — det är UI-Venus-1.5-2B på 2B, mot vilken kompakt generalist som helst som du kan få plats med bredvid den.