Molmo2-4B vs UI-Venus-2-9B: Một trong những cái tên đó là kích thước, và nó sai.

Mô hình này có tên là UI-Venus 2 ở mức 9B. Nó không phải 2.9B, và cũng không phải phiên bản 9B của một mô hình 2.9B. Chuỗi trong tên tệp là số thế hệ gắn liền với số lượng tham số — inclusionAI/UI-Venus-2-9B — và nó đã bị đọc ngược bởi đủ nhiều nguồn tin radar và trang danh mục đến mức một so sánh với Molmo2-4B giờ trông giống như hai mô hình nhỏ trong cùng hạng cân. Thực tế không phải vậy. UI-Venus-2-9B là một tác nhân GUI 9B được khởi tạo từ Qwen3.5-9B, lớn khoảng gấp đôi 4.85B của Molmo2-4B, và hai mô hình này làm những công việc hoàn toàn khác nhau. Nếu bạn thực sự muốn mô hình GUI nhỏ từ dòng đó, thì đó là UI-Venus-1.5-2B, nơi con số 2B thuộc về. Hai mô hình chuyên dụng với các hợp đồng đầu ra khác nhau là một bài toán định tuyến. không có phụ phí so với giá niêm yết của nhà cung cấp Chuyển đổi dự phòng bao trùm trường hợp một trong hai đang gặp trục trặc.

Cả hai mô hình đều cũ hơn cách diễn đạt này gợi ý. Molmo2-4B được Allen Institute for AI công bố vào ngày 11 tháng 12 năm 2025 và trọng số của nó được đưa lên vào ngày 14 tháng 12. Trọng số của UI-Venus-2-9B xuất hiện vào ngày 26 tháng 8 năm 2026 cùng với một báo cáo kỹ thuật, arXiv 2609.00028. Điều thay đổi gần đây ở phía Molmo là công cụ chứ không phải trọng số: hỗ trợ Transformers gốc được hợp nhất vào ngày 9 tháng 10 năm 2026 và được phát hành trong v5.20.0 vào ngày 15 tháng 10, và một bản tinh chỉnh cho robot, Molmo2-4B-tb, xuất hiện vào ngày 5 tháng 11. Cả hai đều không phải là một buổi ra mắt, và cả hai đều không biến Molmo2-4B thành một mô hình GUI.

UI-Venus 2 ở 9B thực sự là gì

Đây là một tác nhân giao diện vòng kín. Đầu vào là ảnh chụp màn hình; đầu ra là một hành động có lập luận — chạm vào đây, gõ cái này, cuộn — và vòng lặp tiếp tục cho đến khi hoàn thành nhiệm vụ. Quá trình huấn luyện diễn ra qua ba giai đoạn trên năm nhóm nhiệm vụ (grounding, CAPTCHA, di động, web và máy tính), kết thúc bằng chưng cất on-policy đa giáo viên nhằm gộp các chuyên gia theo lĩnh vực vào một chính sách duy nhất. Phạm vi bao phủ môi trường chính là điểm cốt lõi của bản phát hành: hơn 170 ứng dụng di động bằng tiếng Trung và tiếng Anh, một kho web gồm hơn 4.000 tên miền thuộc 19 danh mục, và khả năng điều khiển hệ điều hành máy tính để bàn được xây dựng từ đầu.

Các con số của chính nhà cung cấp, tất cả đều lấy từ thẻ mô hình và báo cáo kỹ thuật của nó:

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

• Tác nhân di động — AndroidWorld 80.2, MobileWorld 65.8 ở số bước tiêu chuẩn và 75.2 với ngân sách 100 bước, MobileGym 52.7, VenusBench-Mobile 46.5, KnowUBench 56.5, MemGUI 62.6.

• Máy tính để bàn — OSWorld-Verified 70,8, DeskCraft 48,0 và OSWorld 2.0 đạt độ chính xác nhị phân 0,0 với điểm một phần 7,5 trên 108 tác vụ trong giới hạn 150 bước. Con số 0 đó đáng được đọc kỹ; đây là một chỉ số nhị phân khắt khe, không phải lỗi đánh máy.

• Web — WebVoyager 90.8, Online-Mind2Web 74.0, REAL 76.9, Odysseys trung bình 77.3 với 62.0 hoàn hảo.

• An toàn — tỷ lệ tấn công thành công là 11,3% trên OSHarm và 48,8% trên OSBlind, so với 25,3% và 79,4% của mô hình cơ sở Qwen3.5-9B.

Có một kiểm chứng độc lập. Bộ đánh giá chẩn đoán PointerBench công bố tháng 10 năm 2026 cho UI-Venus-2-9B điểm Sheets 64,2, Text 25,8 và Pro 73,6, trung bình 54,5, đồng thời mô tả nó là chuyên gia định vị GUI gốc mạnh nhất trong khi chỉ ra rằng định vị ở cấp độ văn bản là điểm yếu nhất của nó. Đó là kết quả của bên thứ ba trên một tổ hợp tác vụ khác, và là một sự điều chỉnh hữu ích: con số nổi bật của ScreenSpot-Pro không phải là toàn bộ bức tranh.

Molmo2-4B thực sự là gì

Một mô hình thị giác-ngôn ngữ đa dụng với đầu ra dạng điểm. 4.850.869.200 tham số, một tháp thị giác SigLIP 2 so400m trên Qwen3-4B-Instruct-2507, 36.864 vị trí, 19,42 GB trọng số float32 trải trên bốn phân mảnh. Mô hình xử lý ảnh, nhiều ảnh và video, đồng thời trả về tọa độ được chuẩn hóa theo thang 0–1000 của chiều rộng và chiều cao ảnh, kèm dấu thời gian khi đầu vào là video. Điểm tổng hợp của nhà cung cấp là 62,8 trên 15 bài đánh giá học thuật.

Điều mà nó không có là một con số GUI được công bố. Molmo2-4B không xuất hiện trong các bảng của báo cáo kỹ thuật UI-Venus, trong đánh giá PointerBench, hay với một kết quả ScreenSpot-Pro trên thẻ riêng của nó. Con số GUI gần nhất thuộc dòng Molmo thuộc về một mô hình khác: MolmoPoint-GUI-8B, một bản tinh chỉnh chuyên biệt GUI 8B trong dòng MolmoPoint tháng 3 năm 2026, báo cáo 61.1 trên ScreenSpot-Pro. Trích dẫn con số đó như một kết quả của Molmo2-4B sẽ là một lỗi phân loại, và đó là lỗi đơn lẻ mà người đọc dễ mắc nhất khi so sánh hai mô hình này.

Sự chồng lấn nhỏ hơn so với cách đặt tên gợi ý

• Kích thước — 4,85B dense cho Molmo2-4B so với một mô hình dense 9B được khởi tạo từ Qwen3.5-9B.

• Đầu vào — hình ảnh, nhiều hình ảnh và video cho Molmo2-4B; ảnh chụp màn hình cho UI-Venus-2-9B, trong một vòng lặp, với hành động trước đó được đưa trở lại.

• Đầu ra — các điểm thưa trong tọa độ chuẩn hóa cho Molmo2-4B; một hành động có cấu trúc cho UI-Venus-2-9B, được phân tích bởi một harness mà sau đó điều khiển thiết bị.

• Thế mạnh — grounding hình ảnh tự nhiên và video, đếm và theo dõi đối tượng cho Molmo2-4B; định vị phần tử và điều hướng nhiều bước trên giao diện độ phân giải cao cho UI-Venus-2-9B.

• GUI grounding đã công bố — không có kết quả nào cho Molmo2-4B; ScreenSpot-Pro 73.0 cho UI-Venus-2-9B.

• Giấy phép — trọng số Apache 2.0 kèm lưu ý về dữ liệu bên thứ ba đối với Molmo2-4B; thẻ mô hình UI-Venus-2-9B hoàn toàn không công bố trường giấy phép, đây là một lỗ hổng cần giải quyết trước khi tiến hành bất kỳ hoạt động thương mại nào.

Hàng cuối cùng đó không phải là một chi tiết nhỏ. Một mô hình 9B có nguồn gốc từ Qwen3.5-9B mà không có trường giấy phép trên model card của nó thì không phải là thứ mà một cuộc rà soát pháp lý có thể phê duyệt chỉ dựa vào một README. Siêu dữ liệu của chính model card cũng không giúp được gì: huy hiệu Safetensors của nó ghi "1.47M params", một kích thước không hợp lý cho một checkpoint lớn cỡ này và trông giống như một lỗi phát sinh từ siêu dữ liệu shard. Hãy hỏi những người bảo trì về cả hai điều này trước khi bạn lập kế hoạch dựa trên nó.

Nếu bạn muốn GUI grounding từ dòng Molmo

Con đường trung thực không phải là Molmo2-4B. Công trình GUI của chính Ai2 nằm trong họ MolmoPoint, nơi MolmoPoint-GUI-8B báo cáo 61,1 trên ScreenSpot-Pro so với 73,0 của UI-Venus-2-9B, và ít nhất hai con số này đến từ cùng một benchmark. Ngay cả khi đó, so sánh vẫn là chéo harness: các scaffold hành động khác nhau, tiền xử lý ảnh chụp màn hình khác nhau, và trong trường hợp của UI-Venus là một giả định được ghi nhận rằng suy luận bị vô hiệu hóa và temperature được đặt về 0 để định vị điểm trực tiếp. Khoảng cách 12 điểm trên một benchmark nhạy cảm với các lựa chọn harness như vậy là một tín hiệu, không phải một phán quyết.

Điều Molmo2-4B thực sự làm tốt trong một agent stack là bước nhận thức không phải là một nút. Tìm đối tượng mà người dùng mô tả trong khung hình camera, chỉ vào nó xuyên suốt video, đếm số thể hiện, theo dõi thứ gì đó qua thời gian — đó là những đầu ra mà mô hình được huấn luyện để tạo ra, và không cái nào là phần tử UI trên ảnh chụp màn hình 4K. Các nhóm thường rốt cuộc phải chạy cả hai loại mô hình: một chuyên gia cho giao diện, một mô hình tổng quát cho cảnh.

Đó là một vấn đề định tuyến nhiều hơn là vấn đề mô hình hóa. Hai mô hình có hợp đồng đầu ra không tương thích và cấu hình phần cứng khác nhau, và việc chạy chúng phía sau một khóa duy nhất dùng cho cả hai — với cơ chế chuyển đổi dự phòng khi một điểm cuối suy giảm và không đội giá so với giá niêm yết của nhà cung cấp — loại bỏ phần trong ngăn xếp không liên quan gì đến thị giác. Cũng nên nói thẳng rằng cả hai mô hình này đều không có trong danh mục OrcaRouter; cả hai đều là trọng số do bạn tự lưu trữ, và lớp định tuyến nằm bao quanh chúng chứ không nằm bên dưới chúng.

Bản tóm tắt ngắn gọn

Nếu nhiệm vụ là “vận hành ứng dụng này”, UI-Venus-2-9B là chuyên gia và Molmo2-4B không có gì để đóng góp trên benchmark đó. Nếu nhiệm vụ là “chỉ vào thứ trong bức ảnh này hoặc video này”, UI-Venus-2-9B không có gì để đóng góp và Molmo2-4B chính là lý do phép so sánh này tồn tại. Và nếu điều bạn thực sự muốn là một mô hình GUI nhỏ để chạy với chi phí thấp, thì phép so sánh đúng chưa bao giờ là phép so sánh này — mà là UI-Venus-1.5-2B ở mức 2B, đối chiếu với bất kỳ mô hình tổng quát nhỏ gọn nào bạn có thể đặt cạnh nó.