WeVisOne-VL-2B เทียบกับ UI-Venus-2-9B: ช่องว่างขนาดที่ชื่อซ่อนไว้

เก้าพันล้านพารามิเตอร์ไม่ใช่สิ่งที่การจับคู่นี้บอกไว้ เมื่อเขียนแบบที่คนส่วนใหญ่เขียน — WeVisOne-VL-2B vs UI-Venus 2.9B — การจับคู่นี้อ่านได้ว่าเป็นโมเดลวิชันขนาดเล็กสองตัวที่มีขนาดใกล้เคียงกัน เป็นการแข่งขันที่ยุติธรรมระหว่างเช็กพอยต์ 2B ตัวใหม่จากทีม WeChat Vision ของ Tencent กับอีกตัวที่ใหญ่กว่าเล็กน้อยจาก inclusionAI ของ Ant Group ครึ่งหลังของสมมติฐานนั้นไม่เป็นความจริง UI-Venus-2-9B คือ UI-Venus 2 ที่มี 9 พันล้านพารามิเตอร์ ซึ่งถูกกำหนดค่าเริ่มต้นจาก Qwen3.5-9B; เลข “2” คือรุ่นเจเนอเรชัน ไม่ใช่ขนาด WeVisOne-VL-2B ซึ่งถูกเผยแพร่บน Hugging Face เมื่อวันที่ 22 ตุลาคม 2026 มี 2 พันล้านพารามิเตอร์บนแบ็กโบน Qwen3-VL ดังนั้นการเปรียบเทียบที่แท้จริงจึงเป็นโมเดลที่เล็กกว่า 4.5 เท่า บนแบ็กโบนรุ่นเก่ากว่า ซึ่งให้คำตอบที่แตกต่างออกไปโดยสิ้นเชิง

มันมาถึงโดยไม่มีการเปิดตัวเช่นกัน มีรีโพซิทอรี Hugging Face, รีโพซิทอรี GitHub ที่มีคอมมิตเริ่มต้นเพียงครั้งเดียว, บทความบน arXiv และหน้าโปรเจกต์วิจัย — แต่ไม่มีการประกาศจากผู้พัฒนา ไม่มีบล็อกโพสต์ และไม่มีหน้าราคาที่เชื่อมโยงสิ่งเหล่านี้เข้าด้วยกัน สิ่งนี้กำหนดว่าบทความนี้สามารถทำอะไรได้อย่างซื่อตรง น้ำหนักโมเดล สถาปัตยกรรม ข้อความสัญญาอนุญาต และตารางในบทความนั้นตรวจสอบได้ในวันนี้ การประเมินที่เป็นอิสระ ปริมาณงานที่ประมวลผลได้ ความหน่วง และราคา ยังตรวจสอบไม่ได้ เพราะยังไม่มีสิ่งเหล่านี้เลย การ์ดโมเดลของ Tencent ไม่เผยแพร่ตัวเลขเบนช์มาร์กใด ๆ เลย ทุกคะแนนที่ระบุว่าเป็นของ WeVisOne-VL-2B ด้านล่างนี้มาจากตารางงานทั้งเจ็ดของผู้เขียนเอง และถูกระบุไว้เช่นนั้น UI-Venus-2-9B เก่ากว่าและมีเอกสารประกอบที่ดีกว่า แต่ตัวเลขของมันก็เป็นข้อมูลที่ผู้พัฒนารายงานเองทั้งหมด

ชื่อทั้งสองนี้อธิบายถึงสิ่งใดกันแน่

WeVisOne-VL-2B เป็นโมเดลการรับรู้ เพียงป้อนภาพและวลีให้กับมัน แล้วมันจะคืนรูปทรงเรขาคณิต ได้แก่ bounding box, จุด, จำนวน, binary mask หรือ alpha matte แบบต่อเนื่อง ฝั่งภาษาของมันจะส่งพิกัดออกมาเป็นโทเคนเฉพาะตั้งแต่ <0> ถึง <1000> ซึ่งปรับให้เป็นมาตรฐานตามภาพ และปิดแต่ละ bounding box ในงานแบบ dense ด้วยโทเคน <OBJ> พิเศษที่ id 152,678 โทเคนเหล่านี้เป็นเพียงเครื่องหมายจนกว่า mask_decoder.pt จะอ่าน hidden state ที่อยู่เบื้องหลังโทเคนเหล่านั้น — อาร์ติแฟกต์ที่จำเป็นซึ่งมี 9,511,460 พารามิเตอร์ จัดส่งมาเป็นไฟล์ที่สอง ซึ่งการ์ดอธิบายว่าเป็น "องค์ประกอบหลักที่จำเป็น ไม่ใช่ส่วนเสริมที่เลือกได้" หากไม่มีมัน คุณจะได้เพียง bounding box เมื่อมีมัน คุณจะได้ mask และ alpha matte แบบ stride-1

{{1}}UI-Venus-2-9B{{/1}} เป็นเอเจนต์ เพียงส่งภาพหน้าจอและงานให้มัน แล้วมันจะคืนค่าการเคลื่อนไหวหนึ่งครั้ง: การแตะ คลิก หรือการกดแป้นครั้งถัดไป พร้อมโทเค็นการให้เหตุผลที่ทำให้เกิดการเคลื่อนไหวนั้น ภายในลูปแบบปิดของการสังเกต–ให้เหตุผล–ลงมือทำ มันถูกฝึกบนการโต้ตอบด้วยภาพหน้าจอเท่านั้น ครอบคลุม grounding, CAPTCHA, การใช้งานบนมือถือ เว็บ และคอมพิวเตอร์ และสูตร vLLM ที่เผยแพร่ของมันจับคู่ความยาวโมเดลสูงสุด 262,144 กับตัวแยกวิเคราะห์การให้เหตุผลของ Qwen3 เพราะร่องรอยการให้เหตุผลปรากฏก่อนการกระทำทุกครั้ง

นำทั้งสองมาวางเคียงกัน แล้วความไม่สอดคล้องกันก็ปรากฏขึ้นทันที:

• สิ่งที่ได้กลับมา — กรอบ จุด จำนวน ช่วงข้อความ OCR มาสก์ และอัลฟาแมตต์จาก WeVisOne-VL-2B; การกระทำบนหน้าจอหนึ่งรายการพร้อมร่องรอยการให้เหตุผลจาก UI-Venus-2-9B

• พารามิเตอร์ — 2B สำหรับ WeVisOne-VL-2B พร้อมตัวถอดรหัสแยกต่างหากขนาด 9.5M; ส่วน UI-Venus-2-9B เป็นแบบ dense ขนาด 9B ซึ่งมีน้ำหนักมากกว่าประมาณ 4.5 เท่า

• แบ็กโบน — Qwen3-VL สำหรับ WeVisOne-VL-2B มีเลเยอร์ข้อความ 28 ชั้นที่ขนาดซ่อน 2,048; Qwen3.5-9B สำหรับ UI-Venus-2-9B ต่างรุ่น ต่างสแตกข้อความ

• ขนาดน้ำหนักบนดิสก์ — ทั้งคู่เป็น bfloat16 แต่ราว 4GB สำหรับรุ่น 2B เมื่อเทียบกับ BF16 สี่ชาร์ดที่รวมกันประมาณ 18.8GB สำหรับรุ่น 9B

• เพดานบริบท — 262,144 ตำแหน่งในแต่ละตัว โดยอ่านจากคอนฟิกของ WeVisOne-VL-2B และจากคำสั่งเสิร์ฟของ UI-Venus-2-9B ไม่มีผู้จำหน่ายรายใดสาธิตการใช้งานสิ่งใดที่ใกล้เคียงกับสิ่งนี้เลย

• หลักฐานที่เผยแพร่ — ตารางงานเจ็ดตารางในบทความของ Tencent และไม่มีเลยบนการ์ดโมเดล; รายการเกณฑ์มาตรฐานจากผู้จำหน่ายที่ยาวบนการ์ดของ inclusionAI และไม่มีตารางในบทความ

• สัญญาอนุญาต — Apache 2.0 สำหรับโค้ดที่ Tencent เป็นผู้เขียน; “รอการยืนยันขั้นสุดท้าย” สำหรับชุดน้ำหนักของ UI-Venus-2-9B

ผลลัพธ์ในทางปฏิบัติคือคุณไม่สามารถใช้สิ่งหนึ่งแทนอีกสิ่งหนึ่งได้ และบทความใดก็ตามที่บอกคุณว่าอะไรคือผู้ชนะกำลังตอบคำถามที่คุณไม่ได้ถาม โมเดลการรับรู้ที่คืนค่าแมตต์ได้สมบูรณ์แบบก็ยังกดปุ่มไม่ได้ เอเจนต์ที่นำทางแอปได้อย่างสมบูรณ์แบบก็ยังไม่สามารถมอบภาพตัดแยกที่คุณต้องการสำหรับภาพถ่ายสินค้าให้คุณได้

เหตุผลที่สนับสนุนโมเดลขนาดเล็กนั้นหนักแน่นกว่าที่การเปรียบเทียบ 2B กับ 9B บ่งชี้

สัญชาตญาณเมื่อเห็น 2B วางข้าง 9B คือตัวเล็กคือตัวประนีประนอมด้านงบประมาณ แต่งานที่มันถูกฝึกมา บทความของ Tencent โต้แย้งเป็นอย่างอื่น และหนึ่งในผลลัพธ์ของมันเองก็โต้แย้งรุ่นที่ใหญ่กว่าของตัวเองที่เปิดตัว ตัวเลขทั้งหมดที่นี่เป็นของผู้เขียนเอง รันโดยผู้เขียน ไม่มีใครทำซ้ำ

• การตรวจจับแบบ zero-shot — ค่าเฉลี่ย F1 ที่ 55.2 บน COCO, 53.3 บน LVIS, 61.4 บน Dense200 และ 40.4 บน VisDrone ส่วน baseline Qwen3-VL-2B ได้ 45.2, 40.8, 10.0 และ 23.1 ในตารางเดียวกัน ช่องว่างของ Dense200 คือจุดที่ควรสังเกต: สูงเป็นหกเท่าของโมเดลฐานในฉากที่แออัด

• การนับ — 90.9 และ 88.1 คือค่าจับคู่ตรงทุกตัวบนสองสปลิตของ PixMo-Count แต่ 27.5 และ 26.9 บน CLOC, 29.5 และ 32.4 บน KubriCount และ 47.9 บน CountQA การนับไม่ใช่ทักษะเพียงหนึ่งเดียว และการกระจายตัวนี้คือสิ่งที่ตรงไปตรงมาที่สุดในเปเปอร์

• การระบุตำแหน่ง OCR — ค่าเฉลี่ย F1 เท่ากับ 30.5 บน HierText, 42.6 บน ICDAR2015, 42.5 บน TotalText และ 62.1 บน SROIE ที่เกณฑ์ IoU 0.5 คะแนนเหล่านี้เป็นคะแนนการระบุตำแหน่งที่มีพิกัดแนบมาด้วย ไม่ใช่ความแม่นยำในการถอดข้อความ ดังนั้นจึงไม่สามารถนำไปเปรียบเทียบกับตัวเลข OCRBench ที่มักอ้างอิงสำหรับ VLM ระดับผู้บริโภคได้

• การแบ่งส่วนตามการอ้างอิง — IoU สะสม 79.7 บนชุด validation ของ RefCOCO, 73.1 บน RefCOCO+, 74.4 บน RefCOCOg และ gIoU 60.9 บน ReasonSeg

• การแมตติ้งแบบพร้อมต์ได้ — ความแตกต่างสัมบูรณ์เฉลี่ย 6.6 บน P3M-500-NP เมื่อใช้พรอมต์แบบกรอบ เทียบกับ 15.4 สำหรับ SAM2-Matting; 5.7 เทียบกับ 12.1 บน AM-2K; 15.8 เทียบกับ 23.0 สำหรับไปป์ไลน์ Qwen3-VL-8B ร่วมกับ SAM2-Matting บนชุดย่อย referring ที่ยากกว่าของ WeRefMat ทั้งนี้ค่าที่ต่ำกว่าดีกว่า

ผลลัพธ์การแมตต์คือจุดที่ข้อโต้แย้งเรื่องขนาดกลับทิศ ในการทดสอบ box-prompt P3M-500-NP ชุดเดียวกันนั้น รุ่น 2B ได้ 6.6 และรุ่นพี่ 4B ของ Tencent เองได้ 7.3 โมเดลที่เล็กกว่าคือตัวที่ให้แมตต์ดีกว่าในสองรุ่นนี้ Tencent ไม่ได้อธิบายว่าเพราะอะไร และ論文ก็ยังตีพิมพ์ออกมาอย่างนั้น ถ้างานของคุณคือการตัดวัตถุออกจากภาพ ตัวเลือกที่ถูกที่สุดในตระกูลนี้ไม่ใช่การลดสเปก แต่ปัจจุบันเป็นตัวเลือกที่วัดผลออกมาดีที่สุด

สิ่งที่งานวิจัยไม่ได้แสดงให้เห็นก็มีคุณค่าที่ควรรู้เช่นกัน ไม่มี MMMU ไม่มี MMBench ไม่มี DocVQA และไม่มีเกณฑ์มาตรฐานการสร้างคำบรรยายภาพปรากฏอยู่ที่ใดเลยในตารางทั้งเจ็ด และส่วนข้อจำกัดยอมรับว่าข้อมูลการฝึกเพื่อวัตถุประสงค์ทั่วไปที่มีจำกัด "อาจส่งผลกระทบต่อความสามารถทั่วไปเมื่อเทียบกับโมเดลฐาน" การปรับละเอียดที่ทำให้มันเก่งด้านการรับรู้อาจทำให้มันเป็นผู้ช่วยทั่วไปที่แย่ลง และไม่มีสิ่งใดในการเปิดตัวที่ทดสอบเรื่องนั้น เช่นเดียวกัน ไม่มีเอาต์พุตแบบ chain-of-thought ไม่มีความจำแบบหลายรอบ และไม่มีการรองรับวิดีโอ — ตัวถอดรหัสพิกเซลปฏิเสธกริดวิดีโอโดยสิ้นเชิง

เบนช์มาร์กเดียวที่จะชี้ขาดเรื่องนี้ยังไม่มีอยู่

เมื่อวางชุดการประเมินทั้งสองชุดไว้เคียงกัน ความที่ทั้งสองเทียบกันไม่ได้ก็ไม่ใช่เพียงรายละเอียดทางเทคนิคอีกต่อไป ผลลัพธ์เด่นของ UI-Venus-2-9B คืออัตราความสำเร็จของสถานะสุดท้ายในสภาพแวดล้อมหนึ่ง ๆ ได้แก่ AndroidWorld 80.2, OSWorld-Verified 70.8, WebVoyager 90.8, Online-Mind2Web 74.0, MobileWorld 65.8 ที่จำนวนขั้นตอนสูงสุดตามค่าเริ่มต้นของการ์ด และ 75.2 ที่ 100 ขั้นตอน สิ่งเหล่านี้วัดว่างานหนึ่ง ๆ เสร็จสิ้นหรือไม่ โดยรวบการรับรู้ การวางแผน ความจำ และการฟื้นตัวจากข้อผิดพลาดไว้ในตัวเลขเดียว

สิ่งที่ใกล้เคียงที่สุดกับแกนร่วมคือ GUI grounding — การระบุตำแหน่งองค์ประกอบอินเทอร์เฟซขนาดเล็กในภาพหน้าจอความละเอียดสูง UI-Venus-2-9B ทำได้ 73.0 บน ScreenSpot-Pro ส่วน WeVisOne-VL-2B ไม่รายงานผล ScreenSpot-Pro ไม่รายงานผล ScreenSpot-V2 และไม่รายงานผล benchmark ด้าน GUI ใด ๆ ทั้งบนการ์ดของโมเดล ใน paper หรือบนหน้าโปรเจกต์ ในทางกลับกัน WeVisOne-VL-2B รายงาน OCR localisation และ dense pointing ส่วน UI-Venus-2-9B ไม่รายงานทั้งสองอย่าง

มีจุดหนึ่งที่ทำให้การจับคู่ในพาดหัวดูแปลกยิ่งขึ้นไปอีก inclusionAI วางจำหน่ายโมเดล 2B ที่สร้างบน Qwen3-VL อยู่แล้ว — UI-Venus-1.5-2B — และการ์ดรุ่นของมันรายงานว่าได้ 57.7 บน ScreenSpot-Pro เทียบกับ 68.4 ของรุ่นพี่น้อง 8B และ 69.6 ของ 30B-A3B นั่นคือคู่เทียบที่ขนาดตรงกันอย่างแท้จริงของ WeVisOne-VL-2B บนตระกูล backbone เดียวกัน วัดบน benchmark เดียวที่ทั้งสองสายให้ความสำคัญ เพียงแต่มันไม่ใช่รุ่นที่ถูกระบุชื่อในการจับคู่นี้

จุดยืนที่ตรงไปตรงมาจึงแคบมาก ไม่มีตัวเลขที่เผยแพร่ใดเปรียบเทียบ WeVisOne-VL-2B กับ UI-Venus-2-9B ในงานใดเลย และยังไม่มีใครรันโมเดลการรับรู้ขนาด 2B บนชุด GUI grounding การรัน WeVisOne-VL-2B บน ScreenSpot-Pro คือการวัดที่ขาดหายไปและมีประโยชน์ที่สุดเพียงรายการเดียวในการเปรียบเทียบนี้: มันจะบอกคุณว่าผู้เชี่ยวชาญด้านการรับรู้ขนาด 2B หาองค์ประกอบของอินเทอร์เฟซได้ดีกว่าหรือแย่กว่าเอเจนต์ขนาด 9B และจนกว่าจะมีคนรันมัน ใครก็ตามที่จัดอันดับสองตัวนี้ในเรื่องการหาสิ่งต่าง ๆ กำลังอนุมานจากสถาปัตยกรรม

แต่ละอันทำอะไรเมื่อไม่มีวัตถุนั้นอยู่

พฤติกรรมเมื่อไม่มีวัตถุคือจุดที่โมเดลการรับรู้ล้มเหลวอย่างเงียบ ๆ ถามหาถังดับเพลิงในห้องที่ไม่มีถังดับเพลิง แล้วโมเดลที่ตอบเสมอจะตีกรอบหม้อน้ำอย่างมั่นใจ — และในไปป์ไลน์อัตโนมัติ สิ่งนั้นกลายเป็นวัตถุที่ถูกสร้างขึ้นแบบหลอนในคลังแอสเซ็ต หรือเป็นการแตะที่ผิดเป้าในลูปของเอเจนต์

WeVisOne-VL-2B ตอบ None แทน และบทความรายงานอัตราการปฏิเสธเป็นเมตริกของตัวเองเคียงคู่กับความแม่นยำ บน RefCOCOg มีรายงานอัตราการปฏิเสธที่ 50.2 สำหรับคำค้นหาวัตถุที่ไม่มีอยู่ เทียบกับ 0.5 สำหรับ Rex-Omni-3B และ 0.6 สำหรับ LocateAnything-3B ในตารางเดียวกัน นั่นเป็นเป้าหมายการออกแบบที่แตกต่างจากการเพิ่ม recall ให้สูงสุด และเป็นตัวเลขที่ทำให้โมเดลขนาดเล็กใช้งานเป็นองค์ประกอบได้: ส่วนประกอบด้านเรขาคณิตที่บอกว่า "ไม่มีอยู่" นั้นปลอดภัยที่จะป้อนเข้าสู่ตัววางแผน ในขณะที่ตัวที่สร้างกล่องขึ้นมาเองจะทำให้มันเสียหายโดยไม่ส่งสัญญาณ

UI-Venus-2-9B เข้ามาแก้ปัญหาเดียวกันจากฝั่งการกระทำ โดยสืบทอดความสามารถด้าน grounding ที่ตระหนักถึงการปฏิเสธจากตระกูล UI-Venus — มันได้รับการฝึกให้ปฏิเสธเมื่อองค์ประกอบที่ร้องขอไม่อยู่บนหน้าจอ แทนที่จะเดาพิกัดที่เป็นไปได้ ตารางความปลอดภัยของมันแสดงผลลัพธ์ตามที่อ้างไว้: อัตราความสำเร็จในการโจมตี 11.3% บน OSHarm เทียบกับ 25.3% สำหรับฐาน Qwen3.5-9B และ 48.8% บน OSBlind เทียบกับ 79.4% การ์ดยังระบุชัดเจนว่าสิ่งนี้ไม่ได้ขจัดความเสี่ยงจากการกระทำที่เป็นอันตราย และแนะนำให้มีการยืนยันโดยมนุษย์พร้อมมาตรการป้องกันระดับแอปพลิเคชัน ทั้งสองทีมเลือกการงดตอบแทนความครอบคลุม และยังไม่มีการวัดทางเลือกนั้นอย่างเป็นอิสระสำหรับทั้งสองฝ่าย

การรัน 2B ควบคู่กับ 9B

ความสัมพันธ์ที่ตรงไปตรงมาระหว่างสองโมเดลนี้ไม่ใช่การแข่งขัน แต่คือลำดับต่อเนื่อง โมเดลหนึ่งคืนค่าข้อมูลเรขาคณิต อีกโมเดลหนึ่งลงมือทำกับข้อมูลนั้น หากคุณกำลังสร้างระบบอัตโนมัติสำหรับหน้าจอ สถาปัตยกรรมที่เป็นไปได้คือวาง WeVisOne-VL-2B ไว้ด้านหน้าในฐานะตัวที่รายงานว่าอะไรอยู่ที่ไหน — กรอบ, ช่วง OCR, มาสก์ — และวาง UI-Venus-2-9B ไว้ด้านหลังเป็นตัวที่ตัดสินใจว่าจะทำอะไร นั่นคือการประกอบกัน ไม่ใช่การแข่งขัน และเป็นกรอบเดียวที่การจับคู่นี้สมเหตุสมผลในทางปฏิบัติ

หน่วยความจำทำให้การประกอบนี้มีต้นทุนต่ำบนเครื่องเดียว ที่ bfloat16 แบ็กโบน 2B มีน้ำหนักประมาณ 4GB ก่อนถึงเดโคเดอร์ และตัว 9B มีประมาณ 18.8GB กระจายอยู่สี่ชาร์ด ทั้งคู่พอดีบนการ์ด 24GB ใบเดียวโดยยังเหลือที่สำหรับคอนเท็กซ์; ตัว 2B เพียงลำพังพอดีบนการ์ด 8GB ซึ่งเป็นข้อเท็จจริงที่น่าสนใจกว่า เพดานคอนเท็กซ์ตรงกันที่ 262,144 ตำแหน่ง แต่มีความหมายต่างกัน: เอเจนต์ใช้คอนเท็กซ์ยาวเป็นหน่วยความจำแบบ episode โดยเก็บประวัติภาพหน้าจอ ขณะที่การประเมินที่เผยแพร่ของโมเดลการรับรู้อยู่ที่ประมาณ 1,960 โทเคนภาพต่อภาพ หน้าต่าง 256K บนโมเดลแบบเทิร์นเดียวที่รับเฉพาะภาพเป็นเพียงเพดาน ไม่ใช่ความสามารถที่พิสูจน์ให้เห็นแล้ว

ค่าใช้จ่ายคือจุดที่รูปแบบการทำงานแตกต่างกัน ไม่มีผู้ขายรายใดเผยแพร่ราคาต่อโทเคน ดังนั้นสำหรับทั้งสองราย ต้นทุนที่แท้จริงคือชั่วโมง GPU บนฮาร์ดแวร์ที่คุณเช่าหรือเป็นเจ้าของ เอเจนต์จ่ายสำหรับ forward pass ของโมเดล 9B บวกโทเคนการให้เหตุผลในทุกขั้นตอน และหนึ่งเอพิโสดประกอบด้วยหลายขั้นตอน — เป็นตัวเลขที่คุณคาดการณ์จากสเปกบนการ์ดสินค้าไม่ได้ โมเดลการรับรู้จ่ายสำหรับ forward pass ของโมเดล 2B บวกการ forward ของดีโคเดอร์ต่อภาพ และหนึ่งภาพคือหนึ่งการเรียก ภาพสินค้าหนึ่งแสนภาพเป็นการคำนวณต่อภาพที่คาดเดาได้ ส่วนงานบนเบราว์เซอร์ไม่ใช่

นี่ก็เป็นจุดที่ชั้นการจัดเส้นทาง earns its place จริง ๆ ไม่ใช่แค่คำขวัญ ปัจจุบันไม่มีโมเดลใดในสองโมเดลนี้อยู่บน OrcaRouter — ตรวจสอบกับแคตตาล็อกสดที่มี 209 โมเดล และการ์ดของ WeVisOne-VL-2B ระบุว่าไม่ได้ถูก deploy โดยผู้ให้บริการ inference รายใดเลย สำหรับโมเดลที่เราให้บริการจริง คุณสมบัติที่มีประโยชน์คือ ปลายทางเดียวที่เข้ากันได้กับ OpenAI, มาร์กอัป 0% โดยส่งราคาตามรายการของผู้ให้บริการผ่านมาโดยไม่เปลี่ยนแปลง ส่วน DSL สำหรับการจัดเส้นทางที่ประกอบการเรียกโมเดลหลายครั้งไว้เบื้องหลังอินเทอร์เฟซเดียว และการ failover อัตโนมัติ สำหรับสถาปัตยกรรมสองขาแบบข้างต้น DSL คือที่ที่การประกอบนี้อยู่ และเป็นจุดที่ขาใดขาหนึ่งสามารถสลับได้โดยไม่ต้องเขียนโค้ดผู้เรียกใหม่ เมื่อใดที่หนึ่งในสองโมเดลนี้ไปอยู่บนผู้ให้บริการ นั่นคือวิธีที่ถูกที่สุดในการค้นหาว่ามันควรอยู่ในสแต็กของคุณหรือไม่

ใบอนุญาต ราคา และสิ่งที่ยังไม่มีใครยืนยัน

การ์ดของ WeVisOne-VL-2B ให้สิทธิ์ Apache 2.0 สำหรับ "โค้ดที่ Tencent เป็นผู้เขียนในรีโพซิทอรีนี้" ซึ่งเป็นคำตอบแบบเปิดกว้างที่ทีมส่วนใหญ่ต้องการ มีรายละเอียดหนึ่งที่ทำให้เรื่องนี้ซับซ้อนขึ้น: GitHub API รายงานสัญญาอนุญาตของรีโพซิทอรีเป็น "Other" โดยไม่มีตัวระบุ SPDX ข้อความเหล่านั้นไม่ได้ขัดแย้งกันเสมอไป — คอมโพเนนต์ของบุคคลภายนอกยังคงใช้ข้อกำหนดของตนเอง — แต่นั่นหมายความว่าไฟล์สัญญาอนุญาตควรค่าแก่การอ่านก่อนสิ่งนี้จะเข้าใกล้ผลิตภัณฑ์ แทนที่จะเชื่อป้ายแบดจ์ตามที่เห็น

การ์ดของ UI-Venus-2-9B คือรายการที่ยังไม่ได้ข้อยุติ โดยระบุว่าสัญญาอนุญาตของน้ำหนักโมเดลยังอยู่ระหว่างการยืนยันขั้นสุดท้าย และจะถูกเพิ่มก่อนการเผยแพร่สู่สาธารณะ และประกาศ Apache-2.0 ก่อนหน้านี้ไม่ได้ถูกนำมาด้วยโดยเจตนา เนื่องจากเอกสารต้นทางมีถ้อยแถลงเรื่องสัญญาอนุญาตที่ขัดแย้งกัน ประโยคดังกล่าวอยู่บนการ์ดตั้งแต่เดือนสิงหาคมและไม่มีการเปลี่ยนแปลง สิ่งนี้ไม่ได้หยุดการประเมินหรือการใช้งานภายในส่วนใหญ่ แต่ผลิตภัณฑ์ภายนอกที่สร้างขึ้นบนน้ำหนักโมเดลเหล่านั้นตั้งอยู่บนคำถามที่ยังไม่มีคำตอบ และไม่มีคะแนน benchmark ใดปิดประเด็นนี้ได้

ทั้งสองโมเดลไม่มีราคาที่ผู้ขายกำหนดเอง WeVisOne-VL-2B ไม่มีผู้ให้บริการประมวลผลอนุมานและไม่มีตารางอัตราค่าบริการ UI-Venus-2-9B ไม่มีเอนด์พอยต์แบบเจ้าของโดยตรงและไม่มีการเผยแพร่ราคาโดย inclusionAI ดังนั้นราคาที่โฮสต์บุคคลที่สามเรียกเก็บจะเป็นตัวเลขของโฮสต์นั้น ไม่ใช่ของทีม

เลือกอันไหนดี

การตัดสินใจนี้เป็นคำอธิบายลักษณะงาน ไม่ใช่การจัดอันดับ

• เลือก WeVisOne-VL-2B หากคำตอบที่คุณต้องการคือเรขาคณิต — บ็อกซ์สำหรับใส่ในไปป์ไลน์การกำหนดคำอธิบาย มาสก์สำหรับเครื่องมือตัดต่อ อัลฟาแมตต์สำหรับภาพสินค้า การนับในเฟรมที่แน่นขนัด หรือ OCR พร้อมพิกัดแนบมาด้วย — และโดยเฉพาะอย่างยิ่งหากคุณต้องการใช้งานบนฮาร์ดแวร์ขนาดเล็ก มันเป็นโมเดลเดียวที่นี่ที่คืนค่าแมตต์จากข้อความพรอมป์ต์ ชนะรุ่นพี่ที่ใหญ่กว่าของตัวเองในงานแมตติ้ง และสัญญาอนุญาตของมันเป็นแบบที่ชัดเจนแล้ว

• เลือก UI-Venus-2-9B หากคำตอบที่คุณต้องการคืองานที่ทำเสร็จแล้ว: แบบฟอร์มที่กรอกเสร็จ แอปที่นำทางเสร็จ แคปชาที่แก้เสร็จ หรือเวิร์กโฟลว์เดสก์ท็อปที่ดำเนินการเสร็จ คุณกำลังซื้อ agent loop และคุณควรรู้ไว้ตั้งแต่แรกว่าสถานะสัญญาอนุญาตยังไม่ชัดเจน และงานเดสก์ท็อประยะยาวยังไม่ได้รับการแก้ไขที่ขนาดนี้ — ตัวเลข OSWorld 2.0 ของการ์ดเองคือ 7.5 partial และ 0.0 binary

• เลือก UI-Venus-1.5-2B แทน หากสิ่งที่คุณต้องการจริง ๆ คือ GUI grounder ขนาดเล็ก โดยเป็นโมเดลขนาด 2B ที่ใช้ Qwen3-VL ในไลน์ของ inclusionAI รายงานผล 57.7 บน ScreenSpot-Pro และเป็นคู่เทียบที่จับคู่ขนาดกันซึ่งชื่อของการแมตช์อัปนี้สื่อเป็นนัยแต่ไม่ได้ระบุชื่อไว้

• รันทั้งสองอย่างตามลำดับ หากคุณกำลังสร้างระบบอัตโนมัติสำหรับหน้าจอที่ต้องมองอย่างแม่นยำแล้วจึงลงมือทำ — ส่วนเรขาคณิตก่อน ส่วนเอเจนต์ทีหลัง โดยใช้ GPU ตัวเดียว

• เดี๋ยวก่อน ถ้าตัวเลข GUI-grounding ของ WeVisOne-VL-2B คือสิ่งที่การตัดสินใจของคุณขึ้นอยู่กับ มันยังไม่มีอยู่จริง และการเดาจากจำนวนพารามิเตอร์ก็ไม่ใช่วิธีการ

อะไรจะทำให้คำตอบนี้เปลี่ยนไป

สี่สิ่ง เรียงตามลำดับความเป็นประโยชน์ การรัน ScreenSpot-Pro หรือ ScreenSpot-V2 กับ WeVisOne-VL-2B จะเปลี่ยนช่องว่างตรงกลางของบทความนี้ให้กลายเป็นการเปรียบเทียบ และเมื่อพิจารณาว่าโมเดลเพิ่งมีอายุได้หนึ่งวันและใช้ Apache 2.0 นั่นก็เป็นงานแค่หนึ่งสุดสัปดาห์สำหรับใครก็ตามที่มี GPU และ evaluation harness การแก้ปัญหาเรื่องไลเซนส์ของ UI-Venus-2-9B จะขจัดอุปสรรคเดียวที่ตัวเลขความแม่นยำใด ๆ ก็โต้แย้งไม่ได้ การที่ผู้ให้บริการ inference ลงรายการโมเดลใดโมเดลหนึ่งจากสองโมเดลนี้จะแทนที่การคำนวณชั่วโมง GPU ด้วยราคาจริง และการเปรียบเทียบ 4B-to-2B ที่อธิบายว่าทำไมโมเดลที่เล็กกว่าจึง mats better จะบอกผู้ซื้อได้ว่าการตั้งชื่อของตระกูลนี้มีความหมายอะไรเลยหรือไม่

จนถึงตอนนั้น วิธีที่มีประโยชน์ในการมองสองสิ่งนี้คือมองว่าเป็นเครื่องมือที่แตกต่างกัน ไม่ใช่คู่แข่งบนลีดเดอร์บอร์ด โดยตัวหนึ่งวัดภาพ อีกตัวลงมือบนหน้าจอ ชื่อของการจับคู่นี้ชวนให้คิดว่าคุณกำลังเลือกระหว่างโมเดลเล็กที่ใกล้เคียงกัน แต่จริง ๆ แล้วคุณกำลังเลือกระหว่างผู้เชี่ยวชาญขนาด 2B กับเอเจนต์ขนาด 9B และสิ่งเดียวที่ทั้งสองมีร่วมกันจริง ๆ คือนิสัยชอบพูดว่า “ไม่”