WeVisOne-VL-4B กับ UI-Venus-2-9B: ตัวหนึ่งส่งคืนมาสก์ ส่วนอีกตัวส่งคืนจุดคลิก

ส่งภาพหน้าจอเดียวกันของหน้าชำระเงินให้ {{1}}WeVisOne-VL-4B{{/1}} และ {{2}}UI-Venus-2-9B{{/2}} แล้วคุณจะได้คำตอบสองแบบที่ต่างกัน แบบแรกให้ข้อมูลเรขาคณิตแก่คุณ: กรอบรอบไอคอนรถเข็น มาสก์การแบ่งส่วนรอบช่องส่วนลด และอัลฟาแมตต์ที่ตัดภาพสินค้าออกจากพื้นหลัง แบบที่สองให้การกระทำแก่คุณ: พิกัดของการแตะครั้งถัดไป พร้อมเหตุผลที่นำไปสู่การกระทำนั้น ทีม WeChat Vision ของ Tencent เผยแพร่ {{1}}WeVisOne-VL-4B{{/1}} บน Hugging Face โดยไม่มีการประกาศ และลงวันที่เอกสารทางเทคนิคของโมเดลเป็น 23 ตุลาคม 2026; {{2}}UI-Venus-2-9B{{/2}} ของ inclusionAI ดาวน์โหลดได้ตั้งแต่ 26 สิงหาคม 2026 ทั้งสองถูกจัดหมวดไว้ภายใต้ป้ายกำกับ modality เดียวกัน และทั้งสองไม่ใช่สิ่งทดแทนกัน

สิ่งนี้ทำให้การเปรียบเทียบนี้มีปัญหาที่ไม่ธรรมดาอยู่ตรงกลาง: โมเดลทั้งสองไม่มีเบนช์มาร์กร่วมกันเลย ไม่มีคะแนนใดปรากฏบนการ์ดของทั้งสองใบ ทั้งคู่ยังไม่ได้รับการประเมินอย่างอิสระ ทั้งคู่ไม่ได้ถูกให้บริการโดยผู้ให้บริการอินเฟอเรนซ์ และทั้งคู่ยังไม่มีราคาที่เผยแพร่ สิ่งที่เปรียบเทียบได้อย่างตรงไปตรงมาคือสิ่งที่แต่ละโมเดลส่งออก วิธีที่แต่ละโมเดลถูกฝึกให้ปฏิเสธ ต้นทุนในการรัน และสัญญาอนุญาตที่คุณจะนำออกเผยแพร่ภายใต้ — ดังนั้นนี่คือสิ่งที่บทความนี้ทำ และมันระบุตัวเลขที่ผู้ขายรายงานว่าเป็นตัวเลขที่ผู้ขายรายงานทุกครั้งที่ตัวเลขนั้นปรากฏ

โมเดลทั้งสองไม่ได้ตอบคำถามเดียวกัน

WeVisOne-VL-4B เป็นโมเดลการรับรู้ สร้างขึ้นบนแบ็กโบน Qwen3-VL และเพิ่มตัวถอดรหัสพิกเซลขนาด 9.6 ล้านพารามิเตอร์ที่จำเป็น — mask_decoder.pt ซึ่งจัดส่งเป็นอาร์ติแฟกต์ชิ้นที่สอง — ซึ่งเปลี่ยนการทำนายกรอบของโมเดลภาษาให้เป็นมาสก์ระดับอินสแตนซ์ แล้วจึงเป็นอัลฟาแมตต์แบบสไตรด์-1 พิกัดถูกส่งออกเป็นโทเคนเฉพาะตั้งแต่ <0> ถึง <1000> ซึ่งปรับมาตรฐานให้สัมพันธ์กับภาพ และโทเคน <OBJ> พิเศษ (id 152,678) จะปิดแต่ละกรอบในงานที่มีความหนาแน่น รายการงานในบทความคือรายการที่เกี่ยวกับเรขาคณิต: การตรวจจับแบบเปิดคำศัพท์ การระบุตำแหน่งตามการอ้างถึง การนับ การชี้ การระบุตำแหน่ง OCR การแบ่งส่วนตามการอ้างถึง และการทำอัลฟาแมตติงแบบรับพรอมต์

UI-Venus-2-9B เป็นเอเจนต์ เริ่มต้นจาก Qwen3.5-9B และได้รับการฝึกบนการโต้ตอบผ่านภาพหน้าจอเท่านั้น ครอบคลุมห้ากลุ่มงาน ได้แก่ grounding, CAPTCHA, มือถือ, เว็บ และคอมพิวเตอร์ ผ่านการฝึกกลางทาง (mid-training) การเรียนรู้แบบเสริมกำลังระดับขั้นตอนแบบออฟไลน์ และการกลั่นแบบ on-policy จากครูหลายตัว เอาต์พุตของมันคือการกระทำในวงจรปิด observe–reason–act และสูตร vLLM ของมันจับคู่ --max-model-len 262144 กับ --reasoning-parser qwen3 เนื่องจากมันสร้างโทเคนการให้เหตุผลก่อนทุกการกระทำ

วางสเปกไว้เทียบกันแล้วความแตกต่างจะเห็นได้ทันที:

• สิ่งที่ได้ออกมา — กล่อง จุด มาสก์ และอัลฟาแมตต์จาก WeVisOne-VL-4B; หนึ่งการกระทำพร้อมร่องรอยการให้เหตุผลจาก UI-Venus-2-9B

• แบ็กโบน — Qwen3-VL สำหรับ WeVisOne-VL-4B; Qwen3.5-9B สำหรับ UI-Venus-2-9B ต่างเจเนอเรชันและต่างตระกูลของสแตกข้อความ

• ขนาด — พารามิเตอร์ 5B ที่ระบุไว้ในรีโป แม้ชื่อจะเป็น "4B" พร้อมตัวถอดรหัสแยกต่างหากขนาด 9.6M พารามิเตอร์; แบบเดนส์ 9B สำหรับ UI-Venus-2-9B กระจายอยู่ในชาร์ด BF16 สี่ชิ้น ประมาณ 18.8 GB

• รูปแบบน้ำหนัก — {{1}}F32 safetensors{{/1}} บนการ์ด {{2}}WeVisOne-VL-4B{{/2}} ซึ่งเป็นเรื่องผิดปกติสำหรับขนาดนี้ และทำให้ไฟล์ดาวน์โหลดมีขนาดใหญ่กว่าที่จำนวนพารามิเตอร์บ่งชี้; {{3}}BF16{{/3}} สำหรับ {{4}}UI-Venus-2-9B{{/4}}

• ใบอนุญาต — Apache 2.0 สำหรับ WeVisOne-VL-4B; "รอการยืนยันขั้นสุดท้าย" สำหรับ UI-Venus-2-9B

ผลในทางปฏิบัติคือคุณไม่สามารถใช้สิ่งหนึ่งแทนอีกสิ่งหนึ่งได้ และบทความใดก็ตามที่บอกคุณว่าอันไหนคือผู้ชนะ กำลังตอบคำถามที่คุณไม่ได้ถาม โมเดลการรับรู้ที่ให้มาสก์ที่สมบูรณ์แบบก็ยังคลิกไม่ได้ เอเจนต์ที่คลิกได้อย่างสมบูรณ์แบบก็ยังไม่สามารถมอบแมตต์ที่คุณต้องการสำหรับการถ่ายภาพสินค้าให้คุณได้

ในจุดที่ทั้งสองฝ่ายทับซ้อนกันอย่างแท้จริง: ทั้งสองทีมสอนโมเดลของตนให้พูดว่าไม่

นี่คือการตัดสินใจด้านการออกแบบเพียงหนึ่งเดียวที่ทั้งสองรุ่นใช้ร่วมกัน และเป็นสิ่งที่น่าสนใจที่สุดในการจับคู่นี้ โมเดลการระบุตำแหน่งแบบคำศัพท์เปิด (open-vocabulary localisation) ล้มเหลวในลักษณะเฉพาะเจาะจงและมีต้นทุนสูง นั่นคือ ถ้าคุณสั่งให้หาถังดับเพลิงในห้องที่ไม่มีถังดับเพลิง และโมเดลที่ตอบทุกคำถามจะล้อมกรอบหม้อน้ำอย่างมั่นใจ ปลายทาง สิ่งนั้นก็กลายเป็นวัตถุที่ถูกสร้างขึ้นมาผิด ๆ (hallucinated object) ในไปป์ไลน์แอสเซ็ตของคุณ หรือการแตะที่ผิดเป้าในลูประบบอัตโนมัติของคุณ

WeVisOne-VL-4B จัดการเรื่องนี้โดยการคืนค่า None และบทความวิจัยรายงานอัตราการปฏิเสธเป็นเมตริกของตัวเองเคียงคู่กับความแม่นยำ บน RefCOCOg โมเดล 4B ทำอัตราการปฏิเสธได้ 67.4 ขณะที่ฐาน Qwen3-VL-4B อยู่ที่ 18.8 บน WeRef-Bench ภายในของ WeChat รายงานอัตราการปฏิเสธ 96.4 เทียบกับ 61.9 ของโมเดลฐาน และบน Ref-ZOM 86.0 เทียบกับ 0.3 ของ UniPixel-7B ตัวเลขเหล่านี้เป็นตัวเลขที่รายงานเองจากบทความวิจัยที่เผยแพร่วันนี้ และเกณฑ์วัดการปฏิเสธส่วนใหญ่เป็นของผู้เขียนเอง ควรมองทิศทางว่าเชื่อถือได้ และมองช่องว่างที่แน่นอนว่า仍ไม่ได้รับการยืนยัน

UI-Venus-2-9B เข้าหาปัญหาเดียวกันจากฝั่งเอเจนต์ โดยสืบทอดความสามารถในการกราวน์ดิงที่ตระหนักถึงการปฏิเสธจากสายผลิตภัณฑ์ UI-Venus: โมเดลได้รับการฝึกให้ปฏิเสธเมื่อองค์ประกอบที่ร้องขอไม่อยู่บนหน้าจอ แทนที่จะเดาตำแหน่งที่เป็นไปได้ ตัวเลขกราวน์ดิงของมัน — ScreenSpot-Pro 73.0, VenusBench-GD 77.1, OSWorld-G-R 78.5 — เป็นข้อมูลที่ผู้จำหน่ายรายงาน และการ์ดระบุชัดเจนว่าสิ่งนี้ไม่ได้ขจัดความเสี่ยงจากการกระทำที่เป็นอันตราย และแนะนำให้มีการยืนยันโดยมนุษย์พร้อมมาตรการป้องกันระดับแอปพลิเคชัน ตารางความปลอดภัยของมันแสดงผลกระทบที่อ้างว่ามีจริง: อัตราความสำเร็จของการโจมตี 11.3% บน OSHarm เทียบกับ 25.3% สำหรับฐาน Qwen3.5-9B และ 48.8% บน OSBlind เทียบกับ 79.4%

ดังนั้นทั้งสองโมเดลจึงถูกสร้างโดยทีมที่เคยเห็นระบบ localisation โกหก และทั้งคู่เลือกการงดตอบมากกว่าความครอบคลุม หากโหมดความล้มเหลวของแอปพลิเคชันของคุณคือ “มั่นใจแต่ผิด” ลำดับความสำคัญร่วมกันนั้นสำคัญกว่าจำนวนพารามิเตอร์

ตัวเลขที่การ์ดโมเดลของ Tencent ไม่ได้แสดงไว้

บทความทุกชิ้นเกี่ยวกับ WeVisOne-VL-4B จนถึงตอนนี้พูดตรงกันและถูกต้อง: การ์ดโมเดลไม่ได้เผยแพร่ผลเบนช์มาร์กใด ๆ ส่วนบทความทางเทคนิคมี และเผยแพร่เมื่อวันที่ 23 ตุลาคม 2026 ซึ่งทำให้ส่วนนี้ของเรื่องยังไม่ถูกแพร่กระจายออกไป ทั้งหมดนี้ผู้เขียนรายงานเอง ไม่มีส่วนใดถูกทำซ้ำอย่างอิสระ และโมเดลเพิ่งมีอายุได้หนึ่งวัน — ดังนั้นจงอ่านสิ่งเหล่านี้เป็นข้อกล่าวอ้างที่มีเค้าโครงชัดเจน ไม่ใช่ผลลัพธ์ที่ยุติแล้ว

เมื่อเทียบกับฐาน Qwen3-VL-4B ของตัวเอง ช่องว่างนั้นใหญ่พอที่จะน่าสนใจแม้หลังจากหักลดอย่างหนักแล้วก็ตาม:

• การตรวจจับ, COCO zero-shot mean F1 — 57.1 สำหรับ WeVisOne-VL-4B เทียบกับ 48.7 สำหรับ Qwen3-VL-4B และ 55.3 เทียบกับ 44.0 บน LVIS

• การตรวจจับ, ค่าเฉลี่ย F1 ของ Dense200 — 71.3 เทียบกับ 15.2 นี่ไม่ใช่การพิมพ์ผิดในตารางของบทความ; ฉากที่มีวัตถุขนาดเล็กหนาแน่นคือจุดที่โมเดลฐานล่มสลาย

• การตรวจจับแบบอ้างอิง, RefCOCOg val — 80.8 เทียบกับ 74.1 โดยมีอัตราการปฏิเสธที่ 67.4 เทียบกับ 18.8

• การนับ, PixMo-Count val exact match — 93.7 เทียบกับ 69.6; บน MixCount val, 42.0 เทียบกับ 3.5

• การชี้, PointBench F1 — 71.9 เทียบกับ 57.1

• การระบุตำแหน่ง OCR ค่าเฉลี่ย F1 บน SROIE — 68.1 เทียบกับ 40.4 และนำหน้า 58.6 ของ PP-OCRv5

• การแบ่งส่วนตามการอ้างอิง, ReasonSeg val gIoU — 71.2 เทียบกับ 65.0 สำหรับ LISA-13B

• การแมตต์แบบใช้พรอมต์ได้, ค่า MAD ของพรอมต์แบบกรอบ AM-2K — 5.0 เทียบกับ 12.1 สำหรับ SAM2-Matting; สำหรับพรอมต์แบบอ้างอิงบน WeRefMat, 9.8 เทียบกับ 51.9

ผลลัพธ์การแมตติ้งคือสิ่งที่ควรหยุดพิจารณา เพราะเป็นความสามารถที่ไม่มีสิ่งอื่นใดในระดับราคานี้เสนอให้ได้ผ่านพรอมต์ การขอให้โมเดลภาษา-ภาพสร้าง "บุคคลในรูปแบบอัลฟาแมตต์" แล้วได้เอาต์พุตแบบ stride-1 ที่เอาชนะไปป์ไลน์การแมตติ้งของ SAM2 ในหน่วย MAD ถือเป็นผลิตภัณฑ์คนละแบบกับหัวตรวจจับที่มีมาสก์แนบอยู่ และนี่ก็เป็นจุดที่บทความไม่ได้นำเสนอ 4B ของตัวเองในแง่ดีที่สุด: บนพรอมต์แบบกล่องของ P3M-500-NP โมเดล 2B ได้คะแนน 6.6 MAD เทียบกับ 7.3 ของ 4B ดังนั้นตัวแปรที่ใหญ่กว่าจึงไม่ได้ดีกว่าเสมอไป และผู้เขียนก็ระบุไว้เช่นกัน

ตัวเลขของ UI-Venus-2-9B วัดอะไร และเหตุใดจึงถ่ายโอนไม่ได้

เมื่อนำชุดเบนช์มาร์กทั้งสองมาวางเทียบกัน ความไม่สามารถเทียบกันได้ก็ไม่ใช่เพียงรายละเอียดทางเทคนิคอีกต่อไป ผลลัพธ์หลักของ UI-Venus-2-9B ล้วนเป็นอัตราความสำเร็จของสถานะสุดท้ายภายในสภาพแวดล้อมหนึ่ง: AndroidWorld 80.2, OSWorld-Verified 70.8, WebVoyager 90.8, Online-Mind2Web 74.0, MobileWorld 65.8 ที่จำนวนขั้นตอนเริ่มต้นตามที่การ์ดกำหนด และ 75.2 ที่ 100 ขั้นตอน ตัวเลขเหล่านั้นวัดว่างานเสร็จสิ้นหรือไม่ ซึ่งหลอมรวมการรับรู้ การวางแผน หน่วยความจำ และการฟื้นตัวจากข้อผิดพลาดไว้เป็นค่าเดียว

สิ่งที่ใกล้เคียงที่สุดกับแกนร่วมคือ GUI grounding โดย UI-Venus-2-9B ทำได้ 73.0 บน ScreenSpot-Pro ซึ่งเป็นเบนช์มาร์กสำหรับการระบุตำแหน่งองค์ประกอบอินเทอร์เฟซขนาดเล็กในภาพหน้าจอความละเอียดสูง — และ WeVisOne-VL-4B ไม่ได้รายงานผลนี้ WeVisOne-VL-4B รายงานผลการระบุตำแหน่ง OCR และ dense pointing ส่วน UI-Venus-2-9B ไม่ได้รายงานผลเหล่านั้น ดังนั้นจุดยืนที่ซื่อตรงคือ ตัวเลขที่มีประโยชน์ที่สุดเพียงตัวเดียวสำหรับการเปรียบเทียบนี้ยังไม่มีอยู่: การรัน WeVisOne-VL-4B บน ScreenSpot-Pro จะบอกคุณว่าผู้เชี่ยวชาญด้านการรับรู้ขนาด 5B เอาชนะเอเจนต์ขนาด 9B ในการค้นหาปุ่มได้หรือไม่ และจนกว่าจะมีคนรันมัน ใครก็ตามที่จัดอันดับสองตัวนี้ด้าน grounding ก็กำลังเดา

ชุดทดสอบของเอเจนต์เองก็เปิดเผยจุดอ่อนของมันต่อสาธารณะเช่นกัน บน OSWorld 2.0 โมเดล 9B ทำคะแนนได้ 7.5 แบบบางส่วนและ 0.0 แบบไบนารี ขณะที่รุ่นพี่น้อง 27B ทำได้ 13.2 แบบบางส่วนและ 2.8 แบบไบนารี งานเดสก์ท็อประยะยาวยังไม่ได้รับการแก้ไขที่ขนาดนี้ และการ์ดก็ระบุไว้เช่นนั้น

การให้บริการพวกมันเป็นช่องว่างที่ใหญ่กว่าช่องว่างของเบนช์มาร์ก

สำหรับทีมที่กำลังตัดสินใจว่าจะรันอะไรในสัปดาห์หน้า ความแตกต่างด้านการปฏิบัติงานจะสำคัญกว่าคะแนนใด ๆ UI-Venus-2-9B เป็นโมเดลเดียวที่คุณเริ่มต้นด้วยคำสั่ง vLLM เพียงคำสั่งเดียว โดยเปิด endpoint ที่เข้ากันได้กับ OpenAI ด้วย tensor parallelism เท่ากับ 1 ส่วน WeVisOne-VL-4B ต้องใช้แพ็กเกจ inference จาก GitHub พร้อมอาร์ติแฟกต์ decoder แยกต่างหาก และเรียกผ่าน wrapper WeVisOneVL(...) ของตัวเองโดยมีอาร์กิวเมนต์ task — predict(image, task="matting", query="person", temperature=0.0) การ์ดโมเดลระบุเส้นทาง Transformers, vLLM และ SGLang แต่ pixel decoder ไม่ใช่ตัวเลือกเสริม: โมเดลภาษาเพียงอย่างเดียวไม่สามารถสร้าง mask ได้

หน่วยความจำใกล้เคียงกันมากกว่าที่จำนวนพารามิเตอร์บ่งชี้ ที่ bf16 แบ็กโบน 5B ใช้ราว 10 GB ก่อนถึงตัวถอดรหัส เทียบกับประมาณ 18.8 GB สำหรับสี่ชาร์ดของ UI-Venus-2-9B ทั้งสองรุ่นบรรจุน้ำหนักลงการ์ด 24 GB ใบเดียวได้ สิ่งที่ต่างกันคือเหลือพื้นที่ให้บริบทมากน้อยเพียงใด

และในด้านบริบท การตั้งค่าทั้งสองสอดคล้องกันในลักษณะที่ตีความเกินจริงได้ง่าย คอนฟิกของ WeVisOne-VL-4B มาพร้อมค่า max_position_embeddings ที่ 262,144 — เป็นเพดานเดียวกันกับที่ UI-Venus-2-9B ให้บริการด้วยความยาวโมเดลสูงสุด 262,144 แต่ทั้งสองใช้มันคนละวัตถุประสงค์: เอเจนต์มองบริบทแบบยาวเป็นหน่วยความจำของตอน โดยเก็บประวัติภาพหน้าจอของงานหนึ่ง ส่วนการประเมินที่เผยแพร่ของโมเดลการรับรู้ทำงานที่ 1,960 โทเคนภาพต่อภาพ หน้าต่าง 256K บนโมเดลแบบเทิร์นเดียวที่รับเฉพาะภาพเป็นเพียงเพดาน ไม่ใช่ความสามารถที่พิสูจน์แล้ว และการ์ดระบุว่า video grids ถูก pixel decoder ปฏิเสธโดยตรง

ใบอนุญาต: หนึ่งในรายการเหล่านี้เรียบร้อยแล้ว และอีกหนึ่งยังไม่เรียบร้อย

WeVisOne-VL-4B เป็น Apache 2.0 โดยโค้ดที่เขียนโดย Tencent อยู่ภายใต้เงื่อนไขเดียวกัน คุณสามารถอ่านมัน ฟอร์กมัน นำไปใช้ในผลิตภัณฑ์ และไม่ต้องปรึกษาทนายความเกี่ยวกับเรื่องนี้

การ์ดของ UI-Venus-2-9B ระบุว่าสัญญาอนุญาตน้ำหนักโมเดลยังอยู่ระหว่างการยืนยันขั้นสุดท้าย และจะถูกเพิ่มก่อนการเผยแพร่สู่สาธารณะ และระบุว่าการประกาศ Apache-2.0 ก่อนหน้านี้ไม่ได้ถูกนำมาปรับใช้โดยเจตนา เนื่องจากเอกสารต้นทางมีข้อความเกี่ยวกับสัญญาอนุญาตที่ขัดแย้งกัน ประโยคดังกล่าวอยู่บนการ์ดตั้งแต่เดือนสิงหาคมและไม่มีการเปลี่ยนแปลง สิ่งนี้ไม่ได้หยุดคุณจากการประเมินโมเดล และไม่ได้หยุดการใช้งานภายในในองค์กรส่วนใหญ่ — แต่หมายความว่าผลิตภัณฑ์ภายนอกที่สร้างขึ้นบนน้ำหนักเหล่านี้ถูกสร้างบนคำถามที่ยังไม่มีข้อสรุป และคะแนน benchmark เท่าใดก็ไม่สามารถแก้ไขสิ่งนั้นได้ หากคุณกำลังเลือกหว่างสองตัวนี้สำหรับสิ่งที่คุณตั้งใจจะนำออกวางจำหน่ายจริง คอลัมน์สัญญาอนุญาตจะตัดสินใจได้เร็วกว่าคอลัมน์ความแม่นยำ

แต่ละอันมีราคาเท่าไหร่ ในเมื่อทั้งสองอันไม่มีราคา

ทั้งสองโมเดลไม่มีราคาต่อโทเคนที่ผู้ขายกำหนดไว้ หน้าเพจของ WeVisOne-VL-4B ระบุว่ายังไม่มีผู้ให้บริการ inference รายใดนำไปให้บริการ ส่วน UI-Venus-2-9B ไม่มี endpoint จากเจ้าของโมเดลโดยตรง และไม่มีตารางราคาที่ inclusionAI เผยแพร่ ดังนั้นไม่ว่าผู้ให้บริการโฮสต์บุคคลที่สามจะคิดราคาเท่าไร นั่นคือตัวเลขของผู้ให้บริการรายนั้น ไม่ใช่ของทีม สำหรับทั้งสองแบบ ต้นทุนคือชั่วโมง GPU บนฮาร์ดแวร์ที่คุณเช่าหรือเป็นเจ้าของ ซึ่งหมายความว่าการเปรียบเทียบไม่ใช่ "ราคาอินพุตเทียบกับราคาเอาต์พุต" แต่เป็น "ต้องใช้การ์ดมากแค่ไหน และประมวลผลได้กี่ภาพต่อวินาที"

ทั้งสองเปเปอร์ไม่ได้เผยแพร่ throughput หรือ latency ดังนั้นตัวเลขตัวที่สองจึงไม่เป็นที่ทราบสำหรับทั้งคู่ สิ่งที่พอจะรู้ได้คือรูปร่างของมัน: UI-Venus-2-9B จ่ายต้นทุนสำหรับ forward pass ขนาด 9B บวก reasoning tokens ในทุกขั้นตอนของ episode หนึ่ง และ agent episode หนึ่งก็มีหลายขั้นตอน WeVisOne-VL-4B จ่ายต้นทุนสำหรับ pass ขนาด 5B บวก decoder forward ต่อภาพหนึ่งภาพ และหนึ่งภาพคือหนึ่งครั้งที่เรียกใช้ หาก workload ของคุณคือภาพสินค้าแสนภาพ เศรษฐศาสตร์ของ perception model จะคิดเป็นรายภาพและคาดการณ์ได้ หากเป็นงานบนเบราว์เซอร์ ต้นทุนของ agent จะแปรตามจำนวน action ที่งานนั้นต้องใช้ ซึ่งเป็นตัวเลขที่คุณไม่สามารถพยากรณ์ได้จากการ์ด

นี่คือจุดที่ชั้นการกำหนดเส้นทางพิสูจน์คุณค่าของมัน ไม่ใช่แค่คำขวัญ ปัจจุบันยังไม่มีโมเดลใดในสองตัวนี้อยู่บน OrcaRouter และบทความนี้จะไม่แสร้งทำเป็นอย่างอื่น — WeVisOne-VL-4B ไม่มีผู้ให้บริการ inference เลย และ UI-Venus-2-9B ให้บริการผ่านโฮสติ้งของบุคคลที่สาม ไม่ได้มาจากแคตตาล็อกของเราเอง สิ่งที่ OrcaRouter มอบให้สำหรับโมเดลที่ให้บริการจริงคือเอนด์พอยต์เดียวที่เข้ากันได้กับ OpenAI ครอบคลุม 200+ โมเดลเหล่านี้ โดยคิดมาร์กอัป 0% พร้อมราคาตามรายการของผู้ให้บริการที่ส่งผ่านไปโดยไม่เปลี่ยนแปลง ดังนั้นเมื่อผู้จำหน่ายลดราคา คุณจะได้รับผลในวันที่เกิดขึ้น ไม่ใช่ตอนต่อสัญญาครั้งถัดไป สำหรับสถาปัตยกรรมที่เรียกโมเดลการรับรู้และโมเดลเอเจนต์ตามลำดับ DSL สำหรับการกำหนดเส้นทางคือที่ที่การประกอบกันนี้อยู่ — การเรียกโมเดลสองครั้ง จุดเดียวสำหรับสลับขาใดขาหนึ่ง — และ automatic failoverคือสิ่งที่ทำให้ลูปของเอเจนต์ยังคงทำงานอยู่เมื่อโมเดลเบื้องหลังเสื่อมประสิทธิภาพกลางรอบการทำงาน ทันทีที่หนึ่งในสองตัวนี้ถูกให้บริการบนผู้ให้บริการรายใด นั่นคือวิธีที่ถูกที่สุดในการรู้ว่ามันควรอยู่ในสแต็กของคุณหรือไม่

เลือกอันไหนดี

การตัดสินใจนี้เป็นคำอธิบายลักษณะงาน ไม่ใช่การจัดอันดับ

• เลือก {{1}}WeVisOne-VL-4B{{/1}} หากผลลัพธ์ที่คุณต้องการเป็นข้อมูลเชิงเรขาคณิต — ไม่ว่าจะเป็น bounding boxes สำหรับป้อนเข้าสู่ไปป์ไลน์การใส่คำอธิบายประกอบ, masks สำหรับเครื่องมือแก้ไข, alpha mattes สำหรับภาพผลิตภัณฑ์, การนับจำนวนสิ่งต่าง ๆ ในเฟรมภาพถ่ายทางอากาศที่มีความหนาแน่น หรือ OCR พร้อมพิกัดกำกับ ไม่มีโมเดลอื่นใดในคลาส 5B แบบเปิดที่คืนค่า matte จากพรอมป์ต์ข้อความ และตัวเลขการทำ matting ในบทความเมื่อเทียบกับไปป์ไลน์ {{2}}SAM2{{/2}} คือข้อกล่าวอ้างที่แข็งแกร่งที่สุดในการเปิดตัวครั้งนี้

• เลือก UI-Venus-2-9B หากผลลัพธ์ที่คุณต้องการคืองานที่เสร็จสมบูรณ์ — แบบฟอร์มที่กรอกแล้ว แอปที่นำทางแล้ว CAPTCHA ที่แก้แล้ว หรือเวิร์กโฟลว์เดสก์ท็อปที่ขับเคลื่อนจากภาพหน้าจอ โดยใช้งานได้ด้วยคำสั่ง vLLM เพียงคำสั่งเดียวพร้อมเอนด์พอยต์ที่เข้ากันได้กับ OpenAI ซึ่งใช้เวลาทำงานหนึ่งวันแทนที่จะเป็นหนึ่งสัปดาห์ และผลลัพธ์ AndroidWorld และ WebVoyager ของมันคือตัวเลขที่ควรนำไปเทียบกับสภาพแวดล้อมของคุณเอง

• อย่าเพิ่งเลือกตัวใดเลยในตอนนี้ หากคุณต้องการหลักฐานที่เป็นอิสระ ราคาที่ประกาศเผยแพร่ หรือสัญญาอนุญาตที่ชัดเจนสำหรับผลิตภัณฑ์ที่จะวางจำหน่ายจริง ทั้งสามอย่างนี้ยังขาดหายไปสำหรับสัญญาอนุญาตของ UI-Venus-2-9B และสำหรับเกณฑ์มาตรฐานของทั้งสองโมเดล

• พิจารณาทั้งสองตัวหากคุณกำลังสร้างเอเจนต์ที่ต้องจัดการรูปภาพ ไม่ใช่แค่คลิกผ่านหน้าจอ การนำมาประกอบกันเป็นจุดที่น่าสนใจ: UI-Venus-2-9B ตัดสินใจว่าจะดำเนินการที่ใด ส่วน WeVisOne-VL-4B สร้างผลลัพธ์ที่แม่นยำระดับพิกเซลซึ่งการกระทำนั้นมุ่งเป้าไปที่ นั่นต้องแลกมาด้วยการเรียกโมเดลสองครั้งต่อขั้นตอน และได้ความแม่นยำที่ไม่มีโมเดลใดมีได้เพียงลำพัง

อะไรจะทำให้คำตอบนี้เปลี่ยนไป

สี่สิ่ง โดยเรียงตามว่าสิ่งเหล่านั้นจะทำให้มันขยับได้มากน้อยเพียงใด

การรัน ScreenSpot-Pro ของ WeVisOne-VL-4B เป็นเบนช์มาร์กเดียวที่ทั้งสองฝ่ายมีโอกาสลงเทียบกันได้อย่างสมเหตุสมผล และมันจะตัดสินได้ว่าผู้เชี่ยวชาญด้านการรับรู้ที่มีขนาดเพียงครึ่งเดียวจะระบุตำแหน่งได้ดีกว่าเอเจนต์ UI ที่สร้างขึ้นมาเฉพาะหรือไม่ ใครก็ตามที่มี GPU และเวลาสักช่วงบ่ายก็สร้างผลนี้ได้ และยังไม่มีใครทำ

การประเมินที่เป็นอิสระของโมเดลใดโมเดลหนึ่ง ตัวเลขทุกตัวในบทความนี้อ้างอิงกลับไปยังการ์ดโมเดลหรือบทความที่เขียนโดยทีมที่สร้างสิ่งนั้น นั่นเป็นเรื่องปกติในวันเปิดตัว และมันก็ยังเป็นการขาดหายไปอยู่ดี

สถานะใบอนุญาตของ UI-Venus-2-9B ที่ได้ข้อยุติแล้ว ข้อความ "Pending final confirmation" อยู่บนการ์ดมาแปดสัปดาห์แล้ว หากสรุปออกมาเป็นใบอนุญาตแบบเปิดกว้าง เอเจนต์นี้ก็จะแนะนำให้ใช้ในงานเชิงพาณิชย์ได้ง่ายขึ้นมาก แต่หากไม่เป็นเช่นนั้น ก็เท่ากับตอบคำถามในทางตรงกันข้าม

เอ็นด์พอยต์ที่ผู้ให้บริการดูแลเองสำหรับทั้งสองราย วันนี้ไม่มีผู้จำหน่ายรายใดให้บริการโมเดลของตนเอง ซึ่งจำกัดกลุ่มผู้ใช้ไว้เฉพาะทีมที่ยินดีรันสแต็กสำหรับให้บริการโมเดล และในฝั่ง WeVisOne-VL-4B ก็จำกัดไว้เฉพาะทีมที่ยินดีใช้งานแพ็กเกจอินเฟอเรนซ์แบบกำหนดเอง อัตราค่าบริการที่ผู้จำหน่ายเผยแพร่จะเปลี่ยนการเปรียบเทียบต้นทุนจากการคำนวณตัวเลขให้กลายเป็นรายการค่าใช้จ่ายบรรทัดเดียว

จนถึงตอนนั้น สรุปอย่างยุติธรรมคือ: Tencent เปิดตัวชุดเครื่องมือด้านการรับรู้ที่ทำสิ่งที่โมเดลเปิดขนาดเล็กไม่เคยทำได้มาก่อน โดยเงียบพอจนตาราง benchmark ของมันเองยังไม่ถูกอ่าน และ Ant Group เปิดตัวเอเจนต์ก่อนหน้าหนึ่งเดือนครึ่ง ซึ่งรันง่ายกว่าและได้ใบอนุญาตยากกว่า พวกเขาไม่ใช่คู่แข่งกัน ข้อผิดพลาดคือการเลือกตัวหนึ่งเพราะอีกตัวได้คะแนนสูงกว่าบน benchmark ที่ทั้งสองไม่ได้ใช้ร่วมกัน