Molmo2-4B กับ UI-Venus-2-9B: หนึ่งในชื่อเหล่านั้นเป็นขนาด และมันผิด

โมเดลนี้มีชื่อว่า UI-Venus 2 ขนาด 9B ไม่ใช่ 2.9B และไม่ใช่เวอร์ชัน 9B ของโมเดลขนาด 2.9B สตริงในชื่อไฟล์คือเลขรุ่นที่ติดอยู่กับจำนวนพารามิเตอร์ — inclusionAI/UI-Venus-2-9B — และมันถูกตีความสลับความหมายโดยฟีดเรดาร์และหน้าแสดงรายการหลายแห่งมากพอ จนการเปรียบเทียบกับ Molmo2-4B ตอนนี้ดูเหมือนโมเดลเล็กสองตัวในคลาสน้ำหนักเดียวกัน ไม่ใช่เลย UI-Venus-2-9B เป็น GUI agent ขนาด 9B ที่เริ่มต้นจาก Qwen3.5-9B ใหญ่เป็นประมาณสองเท่าของ 4.85B ใน Molmo2-4B และทั้งสองทำงานคนละอย่างโดยสิ้นเชิง หากคุณต้องการโมเดล GUI ขนาดเล็กจากตระกูลนั้นจริง ๆ มันคือ UI-Venus-1.5-2B ซึ่งเป็นที่ที่ตัวเลข 2B ควรอยู่ โมเดลเฉพาะทางสองตัวที่มีสัญญาเอาต์พุตต่างกันถือเป็นปัญหาการจัดเส้นทาง ไม่บวกราคาเพิ่มจากราคาตามรายการของผู้ให้บริการ การสลับไปยังระบบสำรองครอบคลุมกรณีที่หนึ่งในนั้นกำลังเจอช่วงบ่ายที่ย่ำแย่

โมเดลทั้งสองมีอายุมากกว่าที่การวางกรอบเรื่องราวบ่งชี้ Molmo2-4B ถูกประกาศโดย Allen Institute for AI เมื่อวันที่ 11 ธันวาคม 2025 และน้ำหนักโมเดลถูกเผยแพร่เมื่อวันที่ 14 ธันวาคม ส่วนน้ำหนักของ UI-Venus-2-9B เปิดให้ใช้งานเมื่อวันที่ 26 สิงหาคม 2026 พร้อมรายงานทางเทคนิค arXiv 2609.00028 สิ่งที่เปลี่ยนไปเมื่อเร็ว ๆ นี้ในฝั่ง Molmo คือเครื่องมือมากกว่าน้ำหนักโมเดล: การรองรับ Transformers แบบเนทีฟถูก merge เมื่อวันที่ 9 ตุลาคม 2026 และเผยแพร่ใน v5.20.0 เมื่อวันที่ 15 ตุลาคม และไฟน์ทูนสำหรับหุ่นยนต์ชื่อ Molmo2-4B-tb ปรากฏขึ้นเมื่อวันที่ 5 พฤศจิกายน ทั้งสองอย่างไม่ใช่การเปิดตัว และไม่ได้ทำให้ Molmo2-4B กลายเป็นโมเดล GUI

UI-Venus 2 ที่ 9B จริง ๆ แล้วคืออะไร

เป็นเอเจนต์อินเทอร์เฟซแบบวงปิด ข้อมูลนำเข้าเป็นภาพหน้าจอ ส่วนผลลัพธ์คือการกระทำที่มีการให้เหตุผล เช่น แตะตรงนี้ พิมพ์สิ่งนี้ เลื่อนหน้าจอ และวงจรจะดำเนินต่อไปจนกว่าภารกิจจะเสร็จสิ้น การฝึกอบรมดำเนินการในสามระยะครอบคลุมห้ากลุ่มงาน (grounding, CAPTCHA, มือถือ, เว็บ และคอมพิวเตอร์) และปิดท้ายด้วยการกลั่นแบบ on-policy จากครูหลายตัวซึ่งรวมผู้เชี่ยวชาญเฉพาะด้านเข้าเป็นนโยบายเดียว ความครอบคลุมของสภาพแวดล้อมคือเนื้อหาสำคัญของการเปิดตัวครั้งนี้: แอปมือถือกว่า 170 แอปทั้งภาษาจีนและภาษาอังกฤษ กลุ่มเว็บกว่า 4,000 โดเมนใน 19 หมวดหมู่ และการควบคุมระบบปฏิบัติการเดสก์ท็อปที่สร้างขึ้นใหม่ตั้งแต่ต้น

ตัวเลขของผู้ขายเอง ทั้งหมดมาจากการ์ดโมเดลและรายงานทางเทคนิคของมัน:

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

• เอเจนต์มือถือ — AndroidWorld 80.2, MobileWorld 65.8 ที่จำนวนสเต็ปมาตรฐาน และ 75.2 ที่งบประมาณ 100 สเต็ป, MobileGym 52.7, VenusBench-Mobile 46.5, KnowUBench 56.5, MemGUI 62.6

• เดสก์ท็อป — OSWorld-Verified 70.8, DeskCraft 48.0 และ OSWorld 2.0 ที่ความแม่นยำแบบไบนารี 0.0 โดยมีคะแนนบางส่วน 7.5 จาก 108 งานภายใต้งบประมาณ 150 สเต็ป ศูนย์นั้นควรค่าที่จะอ่านอย่างละเอียด เพราะมันเป็นตัวชี้วัดแบบไบนารีที่เข้มงวด ไม่ใช่การพิมพ์ผิด

• เว็บ — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys เฉลี่ย 77.3 โดยมี 62.0 ที่สมบูรณ์แบบ

• ความปลอดภัย — อัตราความสำเร็จในการโจมตี 11.3% บน OSHarm และ 48.8% บน OSBlind เทียบกับ 25.3% และ 79.4% ของ Qwen3.5-9B base

มีการตรวจสอบอิสระอยู่หนึ่งรายการ โดยเกณฑ์ทดสอบวินิจฉัย PointerBench ที่เผยแพร่ในเดือนตุลาคม 2026 ให้คะแนน UI-Venus-2-9B ที่ Sheets 64.2, Text 25.8 และ Pro 73.6 เฉลี่ย 54.5 และระบุว่าเป็นผู้เชี่ยวชาญเฉพาะทางด้าน GUI grounding แบบเนทีฟที่แข็งแกร่งที่สุด พร้อมชี้ว่าการ grounding ระดับข้อความเป็นจุดอ่อนที่สุด นั่นเป็นผลลัพธ์จากบุคคลที่สามบนชุดงานที่แตกต่างกัน และเป็นข้อมูลแก้ไขที่มีประโยชน์: ตัวเลขพาดหัวของ ScreenSpot-Pro ไม่ใช่ภาพรวมทั้งหมด

Molmo2-4B จริง ๆ แล้วคืออะไร

โมเดลวิชัน-ภาษาสำหรับงานทั่วไปที่ให้เอาต์พุตเป็นจุด มีพารามิเตอร์ 4,850,869,200 ตัว ใช้วิชันทาวเวอร์ SigLIP 2 so400m ครอบ Qwen3-4B-Instruct-2507 รองรับ 36,864 ตำแหน่ง น้ำหนัก float32 ขนาด 19.42 GB กระจายอยู่ทั่วสี่ชาร์ด รองรับภาพ หลายภาพ และวิดีโอ และคืนค่าพิกัดที่ปรับสเกลเป็น 0–1000 ของความกว้างและความสูงของภาพ พร้อมการประทับเวลาเมื่ออินพุตเป็นวิดีโอ คะแนนรวมจากผู้จำหน่ายอยู่ที่ 62.8 จากเกณฑ์มาตรฐานทางวิชาการ 15 รายการ

สิ่งที่ไม่ปรากฏคือตัวเลข GUI ที่เผยแพร่แล้ว Molmo2-4B ไม่ปรากฏในตารางของรายงานทางเทคนิค UI-Venus ในการประเมิน PointerBench หรือมีผลลัพธ์ ScreenSpot-Pro บนการ์ดของตัวเอง ตัวเลข GUI ของตระกูล Molmo ที่ใกล้เคียงที่สุดเป็นของโมเดลอื่น: MolmoPoint-GUI-8B ซึ่งเป็น fine-tune ขนาด 8B ที่เชี่ยวชาญด้าน GUI ในสาย MolmoPoint เดือนมีนาคม 2026 รายงานค่า 61.1 บน ScreenSpot-Pro การอ้างค่านั้นเป็นผลลัพธ์ของ Molmo2-4B จะเป็นการผิดประเภท และเป็นความผิดพลาดเดียวที่ผู้อ่านมีแนวโน้มทำมากที่สุดเมื่อเปรียบเทียบสองรุ่นนี้

ความทับซ้อนมีน้อยกว่าที่ชื่อเรียกบ่งบอกไว้

• ขนาด — 4.85B แบบ dense สำหรับ Molmo2-4B เทียบกับโมเดล dense ขนาด 9B ที่เริ่มต้นจาก Qwen3.5-9B

• อินพุต — รูปภาพ รูปภาพหลายภาพ และวิดีโอสำหรับ Molmo2-4B; สกรีนช็อตสำหรับ UI-Venus-2-9B แบบวนซ้ำ โดยป้อนการกระทำก่อนหน้ากลับเข้ามา

• เอาต์พุต — จุดแบบเบาบางในพิกัดนอร์มัลไลซ์สำหรับ Molmo2-4B; แอ็กชันแบบมีโครงสร้างสำหรับ UI-Venus-2-9B ซึ่งถูกแยกวิเคราะห์โดยฮาร์เนสที่จะควบคุมอุปกรณ์ต่อไป

• จุดแข็ง — การอ้างอิงภาพธรรมชาติและวิดีโอ การนับและการติดตามสำหรับ Molmo2-4B; การระบุตำแหน่งองค์ประกอบและการนำทางหลายขั้นตอนบนอินเทอร์เฟซความละเอียดสูงสำหรับ UI-Venus-2-9B

• GUI grounding ที่เผยแพร่แล้ว — ไม่มีสำหรับ Molmo2-4B; ScreenSpot-Pro 73.0 สำหรับ UI-Venus-2-9B

• สัญญาอนุญาต — น้ำหนักโมเดลแบบ Apache 2.0 พร้อมข้อแม้เรื่องข้อมูลจากบุคคลที่สามสำหรับ Molmo2-4B ส่วนการ์ดโมเดล UI-Venus-2-9B ไม่ได้ระบุช่องสัญญาอนุญาตไว้เลย ซึ่งถือเป็นช่องโหว่ที่ต้องแก้ไขก่อนนำไปใช้เชิงพาณิชย์ใด ๆ

แถวสุดท้ายนั้นไม่ใช่รายละเอียดปลีกย่อย โมเดลขนาด 9B ที่พัฒนามาจาก Qwen3.5-9B โดยไม่มีการระบุช่องข้อมูลสัญญาอนุญาตบนการ์ดโมเดล ไม่ใช่สิ่งที่การตรวจสอบทางกฎหมายจะอนุมัติได้โดยอาศัยเพียง README เมทาดาทาของการ์ดเองก็ช่วยไม่ได้เช่นกัน เพราะป้าย Safetensors ของมันระบุว่า "1.47M params" ซึ่งไม่ใช่ขนาดที่เป็นไปได้สำหรับ checkpoint ที่ใหญ่ขนาดนี้ และดูเหมือนเป็นสิ่งแปลกปลอมจากเมทาดาทาของชาร์ด ควรถามผู้ดูแลเกี่ยวกับทั้งสองเรื่องนี้ก่อนที่คุณจะวางแผนโดยอิงกับมัน

หากคุณต้องการ GUI grounding จากไลน์ Molmo

แนวทางที่ตรงไปตรงมาไม่ใช่ Molmo2-4B งาน GUI ของ Ai2 เองอยู่ในตระกูล MolmoPoint โดย MolmoPoint-GUI-8B รายงาน 61.1 บน ScreenSpot-Pro เทียบกับ 73.0 ของ UI-Venus-2-9B และตัวเลขทั้งสองอย่างน้อยก็มาจาก benchmark เดียวกัน ถึงกระนั้น การเปรียบเทียบก็เป็นแบบข้ามฮาร์เนส: โครงสร้างการกระทำต่างกัน การประมวลผลภาพหน้าจอก่อนหน้าต่างกัน และในกรณีของ UI-Venus มีสมมติฐานที่บันทึกไว้ว่าปิดการให้เหตุผลและตั้งค่าอุณหภูมิเป็นศูนย์สำหรับการระบุตำแหน่งจุดโดยตรง ช่องว่าง 12 จุดบน benchmark ที่ไวต่อตัวเลือกฮาร์เนสขนาดนั้นเป็นสัญญาณ ไม่ใช่คำตัดสิน

สิ่งที่ Molmo2-4B ทำได้ดีจริง ๆ ในสแต็กเอเจนต์คือขั้นตอนการรับรู้ที่ไม่ใช่ปุ่ม การค้นหาวัตถุที่ผู้ใช้อธิบายไว้ในเฟรมจากกล้อง การชี้ไปที่วัตถุนั้นข้ามวิดีโอ การนับจำนวนอินสแตนซ์ และการติดตามบางสิ่งตลอดช่วงเวลา — สิ่งเหล่านี้คือเอาต์พุตที่โมเดลได้รับการฝึกมา และไม่มีสิ่งใดเป็นองค์ประกอบ UI บนภาพหน้าจอ 4K ทีมต่าง ๆ มักลงเอยด้วยการใช้โมเดลทั้งสองแบบ: ผู้เชี่ยวชาญสำหรับอินเทอร์เฟซ และโมเดลอเนกประสงค์สำหรับฉาก

นี่เป็นปัญหาด้านการกำหนดเส้นทางมากกว่าปัญหาด้านการสร้างแบบจำลอง โมเดลทั้งสองมีสัญญาเอาต์พุตที่เข้ากันไม่ได้และโปรไฟล์ฮาร์ดแวร์ที่แตกต่างกัน และการรันทั้งสองไว้เบื้องหลังคีย์เดียวที่ใช้กับทั้งคู่ — พร้อมการสลับไปใช้ระบบสำรองเมื่อปลายทางหนึ่งมีประสิทธิภาพลดลง และไม่มีการบวกกำไรเหนือราคาตามรายการของผู้ให้บริการ — จะตัดส่วนของสแตกที่ไม่เกี่ยวข้องกับงานด้านภาพออกไป ทั้งยังควรพูดตรง ๆ ว่าไม่มีโมเดลใดในสองโมเดลนี้อยู่ในแคตตาล็อกของ OrcaRouter; ทั้งคู่เป็นเวตที่คุณโฮสต์เอง และชั้นการกำหนดเส้นทางจะอยู่รอบ ๆ โมเดลเหล่านี้ ไม่ได้อยู่ใต้โมเดลเหล่านี้

เวอร์ชันสั้น

ถ้างานคือ "ใช้งานแอปนี้" UI-Venus-2-9B คือผู้เชี่ยวชาญ และ Molmo2-4B ไม่มีอะไรจะเสนอในเบนช์มาร์กนั้น ถ้างานคือ "ชี้ไปที่สิ่งนั้นในภาพถ่ายนี้หรือวิดีโอนี้" UI-Venus-2-9B ไม่มีอะไรจะเสนอ และ Molmo2-4B คือเหตุผลที่การเปรียบเทียบนี้มีอยู่ และถ้าสิ่งที่คุณต้องการจริง ๆ คือโมเดล GUI ขนาดเล็กที่รันได้แบบประหยัด การเปรียบเทียบที่ถูกต้องไม่เคยเป็นการเปรียบเทียบนี้เลย — มันคือ UI-Venus-1.5-2B ที่ขนาด 2B เทียบกับเจเนอรัลลิสต์ขนาดกะทัดรัดอะไรก็ตามที่คุณจัดวางไว้ข้าง ๆ ได้