UI-Venus-2-9B: GUI Agent ขนาด 9B ของ Ant Group เปิดตัวโดยไม่มีเอกสารวิจัย ไม่มีการประกาศ และมีตัวเลขประสิทธิภาพใกล้เคียง SOTA

UI-Venus-2-9B เปิดตัวบน Hugging Face เมื่อวันที่ 26 สิงหาคม 2026 โดยไม่มีองค์ประกอบที่มักจะมาพร้อมกับการเปิดตัวโมเดลเลย ไม่มีโพสต์ประกาศ ไม่มีการแถลงข่าว ไม่มีรายงานทางเทคนิค — ป้าย arXiv ใน README ชี้ไปที่ URL ตัวแทน และบล็อกการอ้างอิงระบุไว้อย่างชัดเจนว่า TODO: อัปเดตตัวระบุ arXiv เมื่อรายงาน UI-Venus-2 เผยแพร่สู่สาธารณะ. ลิงก์หน้าโปรเจกต์ก็เป็นตัวแทนเช่นกัน ขณะที่เขียนบทความนี้ ที่เก็บมียอดดาวน์โหลด 0 ครั้งและไลก์ 1 ครั้ง และชาร์ด safetensors ทั้งสี่ชาร์ดที่อยู่ภายในอธิบายเอเจนต์ GUI แบบเอนกประสงค์ ซึ่งบนโมเดลการ์ดของตัวเองระบุว่าเอาชนะ Q​wen3.6-27B บน AndroidWorld และ OSWorld-Verified เอาชนะ Claude Opus 4.6 บน WebVoyager เอาชนะ O​penAI Operator บน Online-Mind2Web และลดอัตราความสำเร็จการโจมตี OSBlind จากระดับ 90%+ ที่พบทั่วไปในเอเจนต์ GUI รุ่นก่อน ๆ ลงเหลือ 18.5% โมเดลการ์ดของ InclusionAI ระบุว่าตระกูลนี้มาจาก Venus Team ที่ Ant Group ซึ่งทำให้การเปิดตัวครั้งนี้เป็นการเข้าสู่การแข่งขัน computer-use แบบ open-weights อย่างเงียบ ๆ ของ Ant Group — และส่วนที่เงียบที่สุดคือยังไม่มีการทำซ้ำตัวเลขเหล่านั้นโดยอิสระเลย

สิ่งที่ส่งมอบจริง

รีโพนี้มีชื่อว่า inclusionAI/UI-Venus-2-9B ซึ่งถูกแท็กเป็น image-text-to-text พร้อมกับ qwen3_5 ซึ่งเป็นแท็กสถาปัตยกรรม โมเดลนี้มีพารามิเตอร์ 9B โดยเริ่มต้นจาก Q​wen3.5-9B เผยแพร่ภายใต้ Apache-2.0 ในรูปแบบ BF16 มันเป็นเอเจนต์ GUI พื้นฐาน: มันสังเกตอินเทอร์เฟซ ให้เหตุผลเกี่ยวกับสถานะของงาน ลงมือปฏิบัติ และรวมผลตอบรับที่ได้เข้ากับการตัดสินใจครั้งถัดไป — เป็นวงจรปิดของ observe–reason–act–feedback ซึ่งการ์ดระบุว่าได้รับการฝึกให้ครอบคลุมแอปพลิเคชันมือถือ แพลตฟอร์มเว็บ และระบบปฏิบัติการเดสก์ท็อปในเช็คพอยต์เดียว

• พารามิเตอร์ — 9B, เริ่มต้นจาก Q​wen3.5-9B, BF16, สี่ชาร์ด

• สัญญาอนุญาต — Apache-2.0.

• บริบท — การเรียกใช้ vLLM อย่างเป็นทางการกำหนด --max-model-len 262144 (256K โทเคน) ซึ่งเป็นปริมาณประวัติภาพหน้าจอที่เอเจนต์สามารถเก็บไว้ได้ในหนึ่งตอน

• การให้บริการ — รองรับ vLLM ระดับแนวหน้าพร้อมกับ endpoint ที่เข้ากันได้กับ OpenAI และแฟล็ก --reasoning-parser qwen3 ซึ่งหมายความว่าโมเดลจะสร้าง reasoning tokens ก่อนดำเนินการ ในสไตล์ Qwen3

• การเข้าถึง — การ์ดระบุว่าครอบคลุมการฝึกอบรมแอปมือถือหลายภาษามากกว่า 170+ แอป (จีน 100+, อังกฤษ 70+), เว็บไซต์สดมากกว่า 50k+ และระบบปฏิบัติการเดสก์ท็อปแบบเนทีฟพร้อมแอปพลิเคชันมืออาชีพมากกว่า 50+ รายการ

รายละเอียดของ reasoning-parser สำคัญมากกว่าที่เห็น เอเจนต์ GUI ที่คิดก่อนลงมือทำไม่ใช่เรื่องใหม่ แต่การวางจำหน่ายตัวที่เชื่อมต่อกับ vLLM มาตรฐานด้วย API ที่เข้ากันได้กับ OpenAI และ reasoning parser มาตรฐานของ Qwen หมายความว่าเรื่องการให้บริการนั้นน่าเบื่อในทางที่ดี — คำสั่งเดียวก็พร้อมใช้งาน ซึ่งถือว่าเติบโตเต็มที่อย่างผิดปกติสำหรับโมเดลที่เพิ่งถูกสร้างขึ้นเมื่อวานนี้

ตัวเลข และสิ่งที่มันไม่ใช่

ทุกสิ่งที่กล่าวด้านล่างนี้เป็นข้อมูลที่รายงานโดยผู้ผลิต การ์ดโมเดลเผยแพร่ตารางเปรียบเทียบพร้อมเส้นฐานอ้างอิงที่เผยแพร่ไว้อย่างแข็งแกร่ง และแถวที่ให้ผลดีที่สุดสำหรับ UI-Venus-2-9B คือ AndroidWorld 80.2 — สูงกว่า Q​wen3.6-27B ที่ 70.3, MAI-UI-8B ที่ 70.7 และ GUI-Owl-1.5-32B-Instruct ที่ 69.8 บน OSWorld-Verified โมเดล 9B ทำได้ 70.8 ซึ่งนำหน้า Q​wen3.6-27B ที่ 62.0 อีกครั้ง แต่ตามหลัง Kimi K2.6 ที่ 73.1 ในส่วนการนำทางเว็บ การ์ดระบุ WebVoyager 90.8 สูงกว่า Claude Opus 4.6 ที่ 88.0 และ Seed-2.0 ที่ 85.1 และ Online-Mind2Web 74.0 เทียบกับ O​penAI Operator ที่ 61.3

การเปรียบเทียบภายในที่โดดเด่นที่สุดคือการเทียบกับโมเดลฐานของตัวเอง บน DeskCraft นั้น UI-Venus-2-9B ได้คะแนน 48.0 ในขณะที่ Q​wen3.5-9B ซึ่งเป็นโมเดลที่นำมาเริ่มต้นได้คะแนน 14.6 — การกระโดดขึ้น 33.4 จุดนี้คือเหตุผลทั้งหมดของสูตรการฝึก และรูปแบบเดียวกันนี้ก็เกิดซ้ำใน CAPTCHA: MCA-Bench ได้ 75.7 เทียบกับค่าฐานที่ 30.4, NextGen-CAPTCHAs ได้ 47.6 เทียบกับ 2.8 ตัวเลข CAPTCHA นั้นน่าพิจารณาเป็นพิเศษ เพราะมันเป็นสัญญาณที่ชัดเจนที่สุดว่าโมเดลถูกสร้างมาเพื่อทำงานบนเว็บไซต์จริงที่มีความเสี่ยงสูง มากกว่าหน้าทดสอบมาตรฐานที่สะอาด

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

• การใช้คอมพิวเตอร์ — OSWorld-Verified 70.8, DeskCraft 48.0.

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

• การทำความเข้าใจ GUI — 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.

• ความปลอดภัย — อัตราความสำเร็จของการโจมตี OSBlind อยู่ที่ 18.5% เทียบกับ Claude 4.5 Sonnet ที่ 73.0 และ GPT-4o ที่ 93.3 บนการ์ดใบเดียวกัน

สูตร: ห้ากลุ่มงาน สามขั้นตอน

ไปป์ไลน์การฝึกอบรมที่การ์ดอธิบายไว้คือเหตุผลที่เดลต้าของโมเดลฐานมีขนาดใหญ่ขนาดนั้น UI-Venus-2 ได้รับการฝึกบนส่วนผสมที่เสริมกันอย่างจงใจของตระกูลงานห้าตระกูล ได้แก่ Grounding, CAPTCHA, Mobile, Web และ Computer ผ่านสามขั้นตอน ขั้นแรกคือการฝึกขั้นกลางแบบมัลติโมดัลที่อิงวิถีขนาดใหญ่เหนือสภาพแวดล้อมจำลองของมือถือ เว็บ และระบบปฏิบัติการ โดยมีการตรวจสอบร่วมกันระหว่างมนุษย์และตัวจำแนกเพื่อกรองการโต้ตอบที่ไม่ถูกต้อง พร้อมกับการสังเคราะห์ข้อมูลกำกับสำหรับ Grounding และ CAPTCHA ด้วยโปรแกรม ขั้นที่สองคือการเรียนรู้เสริมแรงระดับขั้นตอนแบบออฟไลน์สำหรับ Mobile, OS และ Web ซึ่งปรับการเลือกการกระทำที่คำนึงถึงสถานะให้เหมาะสมที่สุด โดยมีอินสแตนซ์ CAPTCHA และ Grounding ที่ตรวจสอบแล้วฝังอยู่ในอินเทอร์เฟซที่สมจริงเพื่อสอนการระบุตำแหน่งที่แม่นยำภายใต้ความรกทางภาพ ขั้นที่สามคือการกลั่นความรู้แบบ on-policy จากครูหลายคน ซึ่งรวมครูที่เชี่ยวชาญเฉพาะด้านเข้าด้วยกันเป็นนโยบายรวมหนึ่งเดียว

ชั้นการตรวจสอบคือส่วนที่โดดเด่นที่สุด การประเมินความสำเร็จของงานอิงตามจุดสำคัญทางภาพที่เกี่ยวข้องกับงาน ไม่ใช่การมองภาพหน้าจอสุดท้ายแบบคร่าว ๆ และมีแบบจำลองหลายตัวลงคะแนนเพื่อรวมผู้ประเมินที่หลากหลายเข้าด้วยกัน ซึ่งเป็นการออกแบบที่มุ่งทำให้สัญญาณรางวัลของ RL มีความทนทานต่อการแฮกรางวัล จากนั้นข้อมูลป้อนกลับที่ผ่านการตรวจสอบแล้วจะถูกกลั่นกลับเข้าสู่การฝึกในรูปแบบการกำกับดูแลแบบสะท้อนผล เพื่อให้ตัวแทนสามารถแยกแยะความคืบหน้าบางส่วนออกจากการเสร็จสิ้นที่แท้จริง และฟื้นตัวได้ระหว่างการโต้ตอบในระยะยาว ทั้งหมดนี้ไม่ได้รับการตรวจสอบอย่างเป็นอิสระ และการ์ดก็ไม่ได้ให้วิธีการทำซ้ำใด ๆ มาอ้างอิง — นี่คือข้อกล่าวอ้างที่บทความควรจะต้องพิสูจน์

ครอบครัว และความเชื่อมโยงกับ Ant Group

UI-Venus-2-9B คือรุ่นที่สามของตระกูลที่ inclusionAI ปล่อยออกมาอย่างเงียบ ๆ ตลอดมา รายงานเทคนิคของ UI-Venus ดั้งเดิมปรากฏในเดือนสิงหาคม 2025 พร้อมเช็คพอยต์ขนาด 7B และ 72B; จากนั้น UI-Venus 1.5 ก็ตามมาในเดือนกุมภาพันธ์ 2026 พร้อมตัวแปร 2B, 8B และ 30B-A3B บล็อกการอ้างอิงบนการ์ดใหม่ให้เครดิตแก่ "Venus Team, Ant Group" ซึ่งเป็นวิธีที่ inclusionAI ระบุความสัมพันธ์กับ Ant Group ในคำพูดของตัวเอง — นี่คือแล็บ AI ของ Ant Group ที่เผยแพร่ภายใต้ชื่อ inclusionAI ข้อเดิมพันพื้นฐานของตระกูลนี้คือเอเจนต์ GUI ควรทำงานจากพิกเซลเพียงอย่างเดียว: สังเกตหน้าจอผ่านภาพ screenshot แทนที่จะใช้ DOM tree, accessibility XML หรือ UI dumps ซึ่งเป็นสิ่งที่ทำให้มันพกพาไปใช้ได้กับแอปมือถือจีนและอังกฤษจำนวนมากที่ไม่เปิดเผยข้อมูล UI ที่มีโครงสร้าง Venus Framework คู่หูจาก GitHub ของตระกูลนี้ขับเคลื่อนระบบอัตโนมัติของ Android และรองรับการควบคุมอุปกรณ์หลายเครื่องแบบขนาน

สิ่งที่เรายังไม่รู้

การอ่าน repository นี้อย่างตรงไปตรงมาคือ ช่องว่างระหว่างการกล่าวอ้างกับหลักฐานยังคงกว้างอยู่ ไม่มีรายงานทางเทคนิค UI-Venus-2 ที่เปิดเผยต่อสาธารณะ — ป้ายเป็นเพียงตัวยึดตำแหน่ง และ README ระบุว่ารายงาน "ไม่เป็นสาธารณะ" — ดังนั้นตาราง benchmark จึงเป็นตัวเลขของผู้ขายเอง โดยไม่มีเอกสารระเบียบวิธีและการรันซ้ำอย่างอิสระ ไม่มีหน้าหลักโครงการที่ใช้งานได้จริง ไม่มีการประกาศใดๆ ซึ่งหมายความว่าไม่มีราคาอย่างเป็นทางการ ไม่มี API ที่โฮสต์ และไม่มีแผนงานที่ยืนยันแล้ว ตารางบนการ์ดเองระบุซ้ำๆ ถึง UI-Venus-2-27B — 84.0 บน AndroidWorld, 80.5 บน OSWorld-Verified, 12.3 OSBlind — ซึ่งไม่มีอยู่บน Hugging Face ในขณะที่เขียนนี้ ดังนั้นเรือธงของตระกูลจึงถูกอ้างถึงแต่ยังไม่เผยแพร่ และด้วยการดาวน์โหลดเป็นศูนย์ จึงไม่มีใครนอกห้องแล็บได้รัน checkpoint นี้เลย

วิธีที่คุณจะรันมันจริงๆ

สำหรับสิ่งที่ไม่รู้ทั้งหมด สิ่งเดียวที่แน่นอนคือการ serving การ์ดนี้บันทึกคำสั่ง vLLM คำสั่งเดียวที่เปิดใช้งานโมเดลด้วยหน้าต่างบริบท 256K และ API ที่เข้ากันได้กับ O​penAI:

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

นั่นทำให้หนทางที่ใช้ได้จริงคือการโฮสต์ด้วยตนเอง — ดาวน์โหลดน้ำหนักโมเดล รัน vLLM และชี้แฮนเนสเอเจนต์ของคุณไปที่ localhost นี่คือกรณีที่เลเยอร์การจัดเส้นทางพิสูจน์คุณค่าบนสแตกโดยรอบ แทนที่จะเป็นตัวเอเจนต์ GUI เอง: โมเดลที่เขียนแผนงาน โมเดลวิทัศน์ที่ตรวจสอบสถานะหน้าจอซ้ำอีกครั้ง โมเดลถอดเสียงที่บันทึกสิ่งที่เกิดขึ้น — ทั้งหมดนี้อยู่บน OrcaRouter ในราคารายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม และมีระบบเฟลโอเวอร์อัตโนมัติ คุณจึงสามารถสร้างต้นแบบกับโมเดลที่เพิ่งเปิดตัวเมื่อวานได้โดยไม่ต้องเสี่ยงวางไปป์ไลน์โปรดักชันกับมัน วันที่เช็คพอยต์เอเจนต์ GUI แบบนี้ไปถึงผู้ให้บริการที่จัดเส้นทาง มันจะปรากฏในราคารายการของผู้ให้บริการด้วยการส่งผ่านแบบเดียวกัน และการลดราคาจากผู้ขายจะตกมาอยู่ฝั่งเราในวันเดียวกัน จนกว่าจะถึงตอนนั้น น้ำหนักโมเดล Apache-2.0 คือทั้งหมดของเรื่องนี้

สิ่งที่ควรดูต่อไป

สามสิ่งจะตัดสินว่าเรือเงียบๆ ลำนี้จะกลายเป็นข่าวหรือไม่ ไม่ว่า UI-Venus-2-27B ที่เติมเต็มตารางของการ์ดจะปรากฏบน Hugging Face จริงหรือไม่ และไม่ว่ามันจะพกเลข OSBlind 12.3 มาด้วยหรือไม่ ไม่ว่ารายงานทางเทคนิคจะถูกเผยแพร่และผ่านการพิสูจน์ซ้ำโดยอิสระเป็นครั้งแรกได้หรือไม่ และไม่ว่า Ant Group จะตัดสินใจว่าช่วงเวลาเงียบๆ จบลงแล้วหรือไม่ — เพราะเอเจนต์ open-weights ขนาด 9B ที่มีตัวเลขในตารางแบบนี้และบริบท 256K ไม่ใช่สิ่งที่คงอยู่ที่ศูนย์ดาวน์โหลดได้นานนัก