UI-Venus-2-9B: Ant Groups 9B GUI-agent släpptes utan forskningsrapport, utan tillkännagivande och med nära SOTA-resultat.

UI-Venus-2-9B lades upp på Hugging Face den 26 augusti 2026 med allt som vanligtvis omger en modellrelease frånvarande. Inget tillkännagivandeinlägg. Ingen pressrelease. Ingen teknisk rapport — README:ns arXiv-märke pekar på en platshållar-URL, och citationsblocket innehåller en explicit TODO: uppdatera arXiv-identifieraren när UI-Venus-2-rapporten är offentlig. Projektsidans länk är också en platshållare. När detta skrivs har repot noll nedladdningar och en like, och de fyra safetensors-delarna inuti beskriver en generell GUI-agent som, på sitt eget modellkort, slår Q​wen3.6-27B på AndroidWorld och OSWorld-Verified, slår Claude Opus 4.6 på WebVoyager, slår O​penAI Operator på Online-Mind2Web, och minskar framgångsfrekvensen för OSBlind-attacker från de 90 %+ som är typiska för tidigare GUI-agenter till 18,5 %. InclusionAIs modellkort tillskriver familjen till Venus Team på Ant Group, vilket gör detta till Ant Groups tysta intåg i kapplöpningen om datoranvändning med öppna vikter — och det tystaste är att inga av dessa siffror ännu har reproducerats oberoende.

Vad som faktiskt levererades

Repositoryt kallas inclusionAI/UI-Venus-2-9B, taggat image-text-to-text med en qwen3_5 arkitekturtagg. Modellen har 9B parametrar, initierad från Q​wen3.5-9B, utgiven under Apache-2.0 i BF16. Den är en grundläggande GUI-agent: den observerar ett gränssnitt, resonerar om uppgiftstillståndet, utför en åtgärd och införlivar den resulterande feedbacken i nästa beslut — en sluten observera–resonera–agera–feedback-loop som enligt modellkortet är tränad att täcka mobilapplikationer, webbplattformar och stationära operativsystem i en enda checkpoint.

• Parametrar — 9B, initierade från Q​wen3.5-9B, BF16, fyra shards.

• Licens — Apache-2.0.

• Kontext — den officiella vLLM-invokationen anger --max-model-len 262144 (256K tokens), vilket är hur mycket skärmbildshistorik agenten kan behålla i en episod.

• Servering — förstklassigt vLLM-stöd med en O​penAI-kompatibel endpoint och en --reasoning-parser qwen3-flagga, vilket innebär att modellen genererar resonemangstokens innan sin handling, i Q​wen3-stil.

• Räckvidd — kortet hävdar att träningen täcker över 170+ flerspråkiga mobilappar (100+ kinesiska, 70+ engelska), 50k+ livewebbplatser och nativa skrivbordsoperativsystem med 50+ professionella applikationer.

Detaljen med reasoning-parsern spelar större roll än den verkar. En GUI-agent som tänker innan den agerar är inte nytt, men att leverera en som ansluter till standard vLLM med ett O​penAI-kompatibelt API och en standard Q​wen reasoning-parser innebär att driftsättningen är tråkig på det goda sättet — ett kommando och den är igång, vilket är ovanligt moget för en modell som skapades igår.

Siffrorna, och vad de inte är

Allt nedan är rapporterat av leverantören. Modelkortet publicerar jämförelsetabeller med starka publicerade baslinjer, och raden med bäst resultat för UI-Venus-2-9B är AndroidWorld 80,2 — före Q​wen3.6-27B med 70,3, MAI-UI-8B med 70,7 och GUI-Owl-1.5-32B-Instruct med 69,8. På OSWorld-Verified noterar 9B-modellen 70,8, återigen före Q​wen3.6-27B med 62,0 men bakom Kimi K2.6 med 73,1. För webbnavigering listar kortet WebVoyager 90,8, före Claude Opus 4.6 med 88,0 och Seed-2.0 med 85,1, samt Online-Mind2Web 74,0 jämfört med O​penAI Operators 61,3.

Den mest slående interna jämförelsen är mot modellens egen bas. På DeskCraft får UI-Venus-2-9B 48.0 medan Qwen3.5-9B, som den initierades från, får 14.6 – ett hopp på 33.4 poäng som utgör hela argumentet för träningsmetoden, och det upprepas på CAPTCHA: MCA-Bench 75.7 mot basens 30.4, NextGen-CAPTCHAs 47.6 mot 2.8. CAPTCHA-siffrorna förtjänar en paus i sig, eftersom de är det tydligaste tecknet på att modellen byggdes för att hantera verkliga, fientliga produktionswebbplatser snarare än rena benchmarksidor.

• Mobile — AndroidWorld 80.2, MobileWorld 65.8, VenusBench-Mobile 46.5.

• Datoranvändning — OSWorld-Verified 70.8, DeskCraft 48.0.

• Webb — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys 77.3.

• GUI-grundning — ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5, UI-Vision 53.2.

• CAPTCHA — Spatial-CAPTCHA-Bench 42.8, MCA-Bench 75.7, NextGen-CAPTCHAs 47.6, OpenCaptcha 50.7.

• Säkerhet — OSBlind-attackens framgångsfrekvens 18,5 %, mot Claude 4.5 Sonnet på 73,0 och GPT-4o på 93,3 på samma kort.

Receptet: fem uppgiftsfamiljer, tre steg

Utbildningspipelinen som kortet beskriver är anledningen till att basmodellens deltavärden är så stora. UI-Venus-2 tränas på en avsiktligt kompletterande blandning av fem uppgiftsfamiljer — Grounding, CAPTCHA, Mobile, Web och Computer — i tre steg. Först storskalig trajektoriebaserad multimodal mittträning över simulerade mobil-, webb- och OS-miljöer, med mänsklig–diskriminator-kollaborativ verifiering som filtrerar bort ogiltiga interaktioner, plus programmatiskt syntetiserad grounding- och CAPTCHA-övervakning. För det andra offline-stegvis förstärkningsinlärning för Mobile, OS och Web som optimerar tillståndsmedvetet åtgärdsval, med verifierade CAPTCHA- och grounding-instanser inbäddade i realistiska gränssnitt för att lära ut precis lokalisering under visuellt brus. För det tredje multi-teacher on-policy-destillering som konsoliderar domänspecialiserade lärare till en enhetlig policy.

Verifieringslagret är den mest utmärkande delen. Att en uppgift är slutförd bedöms utifrån uppgiftsrelevanta visuella nyckelpunkter snarare än en grov titt på slutskärmen, och flera modeller röstar för att aggregera olika bedömare — en design som syftar till att göra RL-belöningssignalen robust mot belöningshackning. Verifierad återkoppling destilleras sedan tillbaka i träningen som reflektionsövervakning, så att agenten kan skilja delvis framsteg från verkligt slutförande och återhämta sig under interaktion över långa tidshorisonter. Inget av detta är oberoende verifierat, och kortet ger inga reproduktioner att peka på — det är det påstående som uppsatsen är tänkt att backa upp.

Familjen och Ant Group-kopplingen

UI-Venus-2-9B är den tredje generationen av en familj som inclusionAI har levererat i det tysta hela tiden. Den ursprungliga tekniska rapporten för UI-Venus publicerades i augusti 2025 med 7B- och 72B-checkpoints; UI-Venus 1.5 följde i februari 2026 med varianterna 2B, 8B och 30B-A3B. Citatblocket på det nya kortet tillskriver "Venus Team, Ant Group", vilket är så som inclusionAI:s relation till Ant Group uttrycks med egna ord – detta är Ant Groups AI-labb som publicerar under namnet inclusionAI. Familjens grundläggande satsning är att en GUI-agent ska fungera utifrån enbart pixlar: observera skärmen genom skärmavbilder snarare än DOM-träd, tillgänglighets-XML eller UI-dumpar, vilket är vad som gör den portabel till den stora mängden kinesiska och engelska mobilappar som inte exponerar strukturerad UI-data. Den medföljande Venus Framework, från familjens GitHub, driver Android-automation och stödjer parallell styrning av flera enheter.

Det vi ännu inte vet

Den ärliga läsningen av detta repo är att gapet mellan påståendena och bevisen fortfarande är brett. Det finns ingen offentlig teknisk rapport för UI-Venus-2 — märket är en platshållare, och README säger att rapporten "inte är offentlig" — så benchmark-tabellerna står som leverantörens egna siffror utan metodikdokument och utan oberoende omkörning. Det finns ingen aktiv projektsida. Det finns inget tillkännagivande, vilket innebär inga officiella priser, inget värdbaserat API och ingen bekräftad färdplan. Kortets egna tabeller listar upprepade gånger en UI-Venus-2-27B — 84,0 på AndroidWorld, 80,5 på OSWorld-Verified, 12,3 OSBlind — som inte finns på Hugging Face i skrivande stund, så familjens flaggskepp refereras men är inte släppt. Och med noll nedladdningar har ingen utanför labbet kört denna checkpoint ännu.

Hur du faktiskt skulle köra det

För alla okända faktorer är det enda som är konkret serveringen. Kortet dokumenterar ett enda vLLM-kommando som startar modellen med ett 256K-kontextfönster och ett OpenAI-kompatibelt API:

vllm serve inclusionAI/UI-Venus-2-9B --port 8000 --tensor-parallel-size 1 --max-model-len 262144 --reasoning-parser qwen3

Det gör självhostning till den praktiska vägen — ladda ner vikterna, kör vLLM och peka din agent-harness mot localhost. Detta är fallet där ett routinglager motiverar sin plats på den omgivande stacken snarare än i själva GUI-agenten: modellen som skriver uppgiftsplanen, visionsmodellen som dubbelkollar ett skärmtillstånd, transkriptionsmodellen som loggar vad som hände — alla dessa körs via OrcaRouter till leverantörens listpris med 0 % påslag och automatisk failover, så du kan prototypa mot en dagsgammal modell utan att satsa en produktionspipeline på den. Den dag en GUI-agentcheckpoint som denna når en routad leverantör, dyker den upp till leverantörens listpris med samma pass-through, och leverantörens prissänkningar landar hos oss samma dag. Tills dess är Apache-2.0-vikterna hela historien.

Vad du ska titta på härnäst

Tre saker kommer att avgöra om detta tysta skepp blir nyheter. Huruvida UI-Venus-2-27B, som fyller kortets tabeller, faktiskt dyker upp på Hugging Face, och om den bär med sig siffran 12.3 OSBlind. Huruvida den tekniska rapporten publiceras och håller måttet vid den första oberoende reproduktionen. Och huruvida Ant Group beslutar att den tysta fasen är över – för en 9B-agent med öppna vikter, med dessa tabellsiffror och ett 256K-sammanhang, är inte något som förblir på noll nedladdningar särskilt länge.