LFM3-VL-2B so với UI-Venus 2.9B: Bản 2.9B mà thực chất là 9B

Không có mô hình nào có tên UI-Venus 2.9B. Checkpoint tại inclusionAI/UI-Venus-2-9B là UI-Venus-2-9B — phiên bản thứ hai của tác nhân UI-Venus của Ant Group, với 9 tỷ tham số, được xây dựng trên Qwen3.5-9B. Tên thư mục trông giống một số thập phân nhưng không phải. So với LFM3-VL-2B ở mức 1,92 tỷ tham số, điều đó biến đây thành phép so sánh 2B với 9B nhưng lại mang nhãn 2B với 2B.

Sai sót này quan trọng vì nó làm thay đổi câu hỏi. Nếu cả hai mô hình đều khoảng 2B, bạn sẽ so sánh các dòng benchmark và chọn mô hình tốt hơn. Ở mức 9B so với 2B, mô hình nhỏ hơn không cạnh tranh trên cùng phần cứng, còn mô hình lớn hơn hoàn toàn không phải là mô hình thị giác tổng quát. UI-Venus-2-9B là một tác nhân GUI được huấn luyện để vận hành điện thoại, trình duyệt và máy tính để bàn từ ảnh chụp màn hình. LFM3-VL-2B là một mô hình ngôn ngữ-thị giác tổng quát mà tình cờ có bao gồm một hạng mục GUI trong số 62 benchmark của nó. Mức độ chồng lấn hẹp hơn những gì cách đặt tên gợi ý.

Tên đã bị bóp méo như thế nào

Quy ước đặt tên của Ant Group là family-version-size. UI-Venus-2-9B được phân tích thành UI-Venus, thế hệ 2, 9B tham số. Một danh mục hoặc một radar tách theo dấu gạch nối và tìm dấu thập phân sẽ đọc "2-9" thành "2.9", đó là cách một mô hình 9B bị xếp cạnh các mô hình 2B. Cùng quy ước đó tạo ra UI-Venus-2-27B, phiên bản anh em lớn hơn, và cả hai được công bố cùng nhau vào cuối tháng 8 năm 2026.

Đây không phải là lỗi hình thức. Số lượng tham số là bộ lọc đầu tiên trong mọi quyết định triển khai, và người đọc đến với kỳ vọng về một mô hình 2.9B sẽ bất ngờ trước một checkpoint BF16 18.8 GB không vừa với thiết bị mà họ đã hình dung. Siêu dữ liệu của chính kho lưu trữ là rõ ràng: kiến trúc Qwen3.5-9B, BF16, image-text-to-text.

Hai công việc, không phải hai kích cỡ

LFM3-VL-2B tiếp nhận văn bản, hình ảnh và video ở tốc độ 2 fps, tạo ra văn bản, hỗ trợ chế độ tư duy và mang ngữ cảnh 128K trên 16 ngôn ngữ. Đây là một mô hình tổng quát: tài liệu, biểu đồ, grounding, suy luận nhúng, hiểu GUI và video đều xuất hiện dưới dạng các hạng mục trên thẻ mô hình của nó. Liquid AI đã phát hành nó trên Hugging Face vào ngày 19 tháng 10 năm 2026 và công bố dòng mô hình này vào ngày 27 tháng 10, không có giá API và không có nhà cung cấp suy luận nào được liệt kê.

UI-Venus-2-9B nhận ảnh chụp màn hình và mô tả nhiệm vụ rồi trả về hành động tiếp theo trong một vòng lặp quan sát–suy luận–hành động khép kín. Quá trình huấn luyện của nó gồm ba giai đoạn: huấn luyện giữa đa phương thức trên các quỹ đạo mô phỏng xuyên suốt hơn 170 ứng dụng di động và hơn 4.000 miền web, học tăng cường cấp bước ngoại tuyến trên các nhiệm vụ grounding, CAPTCHA, di động, web và máy tính, sau đó chưng cất on-policy từ nhiều giáo viên thành một chính sách duy nhất. Nó chạy trên vLLM với một endpoint tương thích OpenAI và một bộ phân tích lập luận Qwen3. Đó là một runtime tác nhân, không phải mô hình tạo chú thích.

Hệ quả thực tế: bạn không thể hoán đổi chúng. LFM3-VL-2B sẽ mô tả một ảnh chụp màn hình và trả lời các câu hỏi về nó. UI-Venus-2-9B sẽ quyết định chạm vào đâu tiếp theo, và nó cần bộ khung xung quanh — bộ phân tích hành động, lời nhắc, ví dụ — từ kho GitHub của dự án để làm được bất cứ điều gì hữu ích.

Thước đo chuẩn duy nhất phù hợp

Cả hai mô hình đều báo cáo ScreenSpot-Pro, đây là trường hợp hiếm hoi mà việc so sánh là hợp lý. LFM3-VL-2B đạt 55.5 khi bật thinking và 49.3 khi không bật. UI-Venus-2-9B đạt 73.0. Đó là khoảng cách 17.5 điểm nghiêng về mô hình lớn hơn gần năm lần, và đây là con số rõ ràng nhất trong cuộc so tài này.

Đừng mở rộng điều đó sang phần còn lại của câu chuyện GUI. UI-Venus-2-9B cũng báo cáo AndroidWorld 80.2, OSWorld-Verified 70.8, WebVoyager 90.8, Online-Mind2Web 74.0 và VenusBench-GD 77.1. LFM3-VL-2B báo cáo điểm trung bình nhóm GUI là 83.1 trên một bộ tác vụ khác, và lấy trung bình một nhóm không giống với việc cho điểm một benchmark đơn lẻ. Các nhóm này không thể so sánh được và không nên bị trừ đi nhau.

Một con số trên thẻ UI-Venus đáng được nêu bật vì nó đi ngược lại thông điệp chính: trên OSWorld 2.0, mô hình đạt 0.0 trên chỉ số nhị phân và 7.5 trên chỉ số từng phần. Dù vấn đề harness là gì, một tác nhân 9B dẫn đầu trên OSWorld-Verified và đạt gần 0 trên benchmark kế nhiệm là một mô hình có ranh giới, và thẻ báo cáo điều đó một cách trung thực.

Các cửa sổ ngữ cảnh đo lường những thứ khác nhau

UI-Venus-2-9B công bố ngữ cảnh lên tới 256K token, và phần hữu ích chính là những gì ngữ cảnh đó chứa: lịch sử ảnh chụp màn hình, để tác nhân có thể nhớ màn hình trông như thế nào ở bốn bước trước đó. LFM3-VL-2B công bố 128K, và thẻ của nó không nêu ngân sách token hình ảnh hay độ dài video tối đa. Không con số nào cho bạn biết có thể giữ bao nhiêu ảnh chụp màn hình trong một vòng lặp trước khi mô hình làm mất ảnh đầu tiên. Cả hai đều cần được đo trên độ phân giải và số bước của riêng bạn.

Sự khác biệt về bản chất vẫn quan trọng. Một lịch sử ảnh chụp màn hình dài là yêu cầu về bộ nhớ đối với một tác nhân chạy trong vài phút. Ngữ cảnh 128K trên một VLM tổng quát là yêu cầu về tài liệu hoặc video. Các con số trông có vẻ tương đương nhưng lại trả lời những câu hỏi khác nhau.

Triển khai: 4 GB so với 19 GB

LFM3-VL-2B có 1,92 tỷ tham số, tính theo số học thì khoảng 3,84 GB trọng số ở BF16, và các bản dựng GGUF, MLX 4-bit cùng ONNX đã được phát hành. UI-Venus-2-9B nặng khoảng 18,8 GB ở BF16 và được phục vụ qua vLLM; có một bản GGUF do cộng đồng làm, nhưng đường phục vụ của nhà cung cấp giả định một GPU đủ chỗ cho toàn bộ checkpoint. Hai mô hình này không cạnh tranh cùng một chỗ. Một bên là ứng viên cho thiết bị biên; bên kia là tác tử phía máy chủ.

Sự khác biệt đó, chứ không phải khoảng cách trên benchmark, mới là lý do khiến việc ghép cặp này thú vị. Một nhóm muốn hiểu GUI trên một thiết bị thì ở đây chỉ có đúng một lựa chọn. Một nhóm muốn có GUI agent đạt điểm gần mức tiên tiến nhất thì có lựa chọn còn lại, và cần GPU để chạy nó.

Câu hỏi về giấy phép chưa ai trả lời

LFM3-VL-2B sử dụng LFM Open License v1.0: việc sử dụng cho mục đích thương mại chỉ được cấp phép chừng nào bên được cấp phép vẫn có doanh thu hằng năm dưới 10 triệu USD. Điều đó mang tính hạn chế nhưng rõ ràng, và văn bản đã được công bố.

UI-Venus-2-9B kém rõ ràng hơn. Kho mã của dự án ghi là Apache 2.0; thẻ mô hình nêu rằng giấy phép trọng số đang chờ xác nhận cuối cùng vì các tuyên bố từ phía thượng nguồn mâu thuẫn với nhau. Tính đến ngày 28 tháng 10 năm 2026, vấn đề đó vẫn chưa được giải quyết. Giấy phép đang chờ xử lý không phải là trở ngại đối với nghiên cứu, nhưng là trở ngại thực sự đối với triển khai thương mại cần biết các điều khoản trước khi đưa sản phẩm ra thị trường. Bất kỳ ai dự định xây dựng trên UI-Venus-2-9B nên nhận câu trả lời bằng văn bản thay vì suy ra từ thẻ kho mã.

OrcaRouter phù hợp ở đâu, nếu có

OrcaRouter không cung cấp checkpoint nào trong hai checkpoint đó, và bài viết này không tuyên bố là chúng tôi có làm vậy. Điều chúng tôi có là một DSL định tuyến có thể kết hợp nhiều mô hình vào một lần gọi — hữu ích ở đây vì kiến trúc tự nhiên không phải là "chọn một". Một VLM tổng quát nhỏ có thể đọc màn hình và quyết định xem tác vụ là câu hỏi về tài liệu hay một tương tác; một chuyên gia GUI lớn hơn có thể đảm nhận các bước tương tác. Định tuyến giữa chúng theo loại tác vụ là một cấu hình, không phải một tích hợp thứ hai.

Đó là cách sử dụng phép so sánh trung thực hơn so với việc giả vờ rằng hai mô hình là những lựa chọn thay thế. Chúng là hai giai đoạn của cùng một pipeline, với chênh lệch tham số 5× giữa chúng.

Bạn thực sự muốn cái nào?

• LFM3-VL-2B nếu công việc là hiểu thay vì hành động, nếu bạn cần đầu vào là video hoặc tài liệu, hoặc nếu mô hình phải chạy trong khoảng 4 GB. Hãy chấp nhận giấy phép giới hạn doanh thu và việc không ai bên ngoài Liquid đã đánh giá nó.

• UI-Venus-2-9B nếu công việc là vận hành một giao diện từ đầu đến cuối, nếu bạn có thể cung cấp 19 GB bộ nhớ GPU và một ngăn xếp phục vụ vLLM, và nếu bạn có thể chờ giấy phép trọng số được xác nhận. Hãy chấp nhận rằng đây là một chuyên gia có harness, chứ không phải một trợ lý đa dụng.

• Không cái nào nếu điều bạn muốn là một mô hình 2,9B. Mô hình đó không tồn tại, và cả hai lựa chọn thực sự đều chuyên biệt hơn so với tên gọi ngụ ý.

Điểm rút ra chính là bản đính chính. Số lượng tham số trong tên thư mục không phải là một bản đặc tả, và trong trường hợp này nó đã che giấu mức chênh lệch kích thước gấp năm lần cùng một tác vụ hoàn toàn khác. Hãy đọc trường kiến trúc trước slug.