UI-Venus-2-9B: Tác nhân GUI 9B của Ant Group ra mắt không kèm bài báo, không thông báo chính thức, với hiệu năng gần đạt chuẩn SOTA

UI-Venus-2-9B xuất hiện trên Hugging Face vào ngày 26 tháng 8 năm 2026 trong khi mọi thứ thường đi kèm một đợt ra mắt mô hình đều vắng bóng. Không có bài đăng công bố. Không có thông cáo báo chí. Không có báo cáo kỹ thuật — huy hiệu arXiv trong README trỏ đến một URL giữ chỗ, và khối trích dẫn có ghi rõ TODO: cập nhật mã định danh arXiv khi báo cáo UI-Venus-2 được công khai. Liên kết trang dự án cũng chỉ là một chỗ giữ chỗ. Tại thời điểm viết bài, repo có 0 lượt tải xuống và 1 lượt thích, còn bốn phân đoạn safetensors bên trong mô tả một tác nhân GUI đa năng mà ngay trên thẻ mô hình của chính nó, đánh bại Q​wen3.6-27B trên AndroidWorld và OSWorld-Verified, đánh bại Claude Opus 4.6 trên WebVoyager, đánh bại O​penAI Operator trên Online-Mind2Web, và cắt giảm tỷ lệ tấn công thành công OSBlind từ mức 90%+ điển hình của các tác nhân GUI trước đó xuống còn 18,5%. Thẻ mô hình của InclusionAI gán dòng mô hình này cho Venus Team tại Ant Group, khiến đây trở thành sự gia nhập thầm lặng của Ant Group vào cuộc đua computer-use với trọng số mở — và điều thầm lặng nhất là chưa một con số nào trong số đó được tái lập độc lập.

Những gì thực sự đã được phát hành

Repo này được gọi là inclusionAI/UI-Venus-2-9B, được gắn thẻ image-text-to-text với qwen3_5 là thẻ kiến trúc. Mô hình có 9B tham số, được khởi tạo từ Qwen3.5-9B, phát hành dưới giấy phép Apache-2.0 ở định dạng BF16. Đây là một agent GUI nền tảng: nó quan sát giao diện, suy luận về trạng thái tác vụ, thực hiện hành động và tích hợp phản hồi thu được vào quyết định tiếp theo — một vòng lặp quan sát–suy luận–hành động–phản hồi khép kín mà theo thẻ mô tả, mô hình được huấn luyện để bao phủ các ứng dụng di động, nền tảng web và hệ điều hành máy tính để bàn trong một checkpoint duy nhất.

• Tham số — 9B, khởi tạo từ Q​wen3.5-9B, BF16, bốn shard.

• Giấy phép — Apache-2.0.

• Ngữ cảnh — lệnh gọi vLLM chính thức thiết lập --max-model-len 262144 (256K token), tức là lượng lịch sử ảnh màn hình mà tác nhân có thể giữ trong một tập.

• Phục vụ — hỗ trợ vLLM hạng nhất với endpoint tương thích O​penAI và một --reasoning-parser qwen3 cờ, nghĩa là mô hình phát ra các token suy luận trước hành động của nó, theo phong cách Q​wen3.

• Phạm vi — thẻ này tuyên bố độ phủ đào tạo trên 170+ ứng dụng di động đa ngôn ngữ (100+ tiếng Trung, 70+ tiếng Anh), 50k+ trang web trực tuyến và hệ điều hành desktop gốc cùng với 50+ ứng dụng chuyên nghiệp.

Chi tiết về trình phân tích suy luận quan trọng hơn vẻ bề ngoài. Một tác nhân GUI biết suy nghĩ trước khi hành động không phải là điều mới, nhưng việc phát hành một tác nhân có thể kết nối với vLLM tiêu chuẩn qua API tương thích O​penAI và trình phân tích suy luận Q​wen có sẵn nghĩa là câu chuyện triển khai lại nhàm chán theo hướng tích cực — chỉ cần một lệnh là nó chạy, điều này trưởng thành một cách bất thường đối với một mô hình vừa mới ra đời hôm qua.

Những con số, và những gì chúng không phải

Mọi nội dung bên dưới đều do nhà cung cấp báo cáo. Thẻ mô hình công bố các bảng so sánh với các baseline mạnh đã công bố, và hàng đạt điểm tốt nhất cho UI-Venus-2-9B là AndroidWorld 80.2 — vượt qua Q​wen3.6-27B ở mức 70.3, MAI-UI-8B ở mức 70.7 và GUI-Owl-1.5-32B-Instruct ở mức 69.8. Trên OSWorld-Verified, mô hình 9B đạt 70.8, một lần nữa vượt Q​wen3.6-27B ở mức 62.0 nhưng thấp hơn Kimi K2.6 ở mức 73.1. Về điều hướng web, thẻ mô hình liệt kê WebVoyager 90.8, cao hơn Claude Opus 4.6 ở mức 88.0 và Seed-2.0 ở mức 85.1, cùng Online-Mind2Web 74.0 so với 61.3 của O​penAI Operator.

Sự so sánh nội bộ ấn tượng nhất là với chính mô hình gốc. Trên DeskCraft, UI-Venus-2-9B đạt 48,0 trong khi Q​wen3.5-9B mà nó được khởi tạo từ đó chỉ đạt 14,6 — mức nhảy vọt 33,4 điểm chính là toàn bộ luận điểm cho công thức huấn luyện, và điều này lặp lại trên CAPTCHA: MCA-Bench 75,7 so với 30,4 của mô hình gốc, NextGen-CAPTCHAs 47,6 so với 2,8. Riêng các con số CAPTCHA đáng được xem xét kỹ hơn, vì chúng là dấu hiệu rõ ràng nhất cho thấy mô hình được xây dựng để vận hành trên các trang web sản xuất thực tế, đầy thù địch, thay vì các trang benchmark sạch sẽ.

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

• Sử dụng máy tính — OSWorld-Verified 70.8, DeskCraft 48.0.

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

• Định vị giao diện — 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.

• An toàn — Tỷ lệ tấn công thành công của OSBlind là 18,5%, trong khi Claude 4.5 Sonnet đạt 73,0 và GPT-4o đạt 93,3 trên cùng một thẻ.

Công thức: năm nhóm tác vụ, ba giai đoạn

{{1}}Quy trình huấn luyện mà thẻ mô hình mô tả chính là lý do khiến các delta của mô hình nền lớn đến vậy.{{/1}} {{2}}UI-Venus-2{{/2}} được huấn luyện trên một tập hợp năm nhóm tác vụ bổ trợ lẫn nhau một cách có chủ đích — {{3}}Grounding, CAPTCHA, Mobile, Web và Computer{{/3}} — trải qua ba giai đoạn. {{4}}Đầu tiên, huấn luyện trung gian đa phương thức quy mô lớn dựa trên trajectory trong các môi trường di động, web và hệ điều hành mô phỏng, với sự xác minh cộng tác giữa người và discriminator nhằm lọc các tương tác không hợp lệ, cùng với giám sát grounding và CAPTCHA được tổng hợp bằng chương trình.{{/4}} {{5}}Thứ hai, học tăng cường offline ở mức từng bước cho Mobile, OS và Web nhằm tối ưu hóa việc lựa chọn hành động có nhận biết trạng thái, với các mẫu CAPTCHA và grounding đã xác minh được nhúng vào các giao diện thực tế để dạy khả năng định vị chính xác trong bối cảnh nhiễu thị giác.{{/5}} {{6}}Thứ ba, chưng cất on-policy đa giáo viên nhằm hợp nhất các giáo viên chuyên biệt theo lĩnh vực thành một chính sách thống nhất.{{/6}}

Lớp xác minh là phần đặc trưng nhất. Việc hoàn thành nhiệm vụ được đánh giá dựa trên các điểm mốc trực quan liên quan đến nhiệm vụ thay vì chỉ nhìn vào màn hình cuối một cách thô sơ, và nhiều mô hình bỏ phiếu để tổng hợp các bộ đánh giá không đồng nhất — một thiết kế nhằm làm cho tín hiệu phần thưởng RL trở nên robust trước việc khai thác lỗ hổng phần thưởng. Phản hồi đã được xác minh sau đó được chưng cất ngược lại vào quá trình huấn luyện dưới dạng giám sát phản ánh, để tác nhân có thể phân biệt tiến triển từng phần với hoàn thành thực sự và phục hồi trong các tương tác kéo dài nhiều bước. Không điều nào trong số này được xác minh độc lập, và thẻ mô hình không đưa ra bất kỳ bản tái hiện nào để tham chiếu — đó chính là tuyên bố mà bài báo được cho là phải chứng minh.

Gia đình, và mối liên hệ với Ant Group

UI-Venus-2-9B là thế hệ thứ ba của một dòng sản phẩm mà inclusionAI đã âm thầm phát hành suốt thời gian qua. Bản báo cáo kỹ thuật gốc của UI-Venus xuất hiện vào tháng 8 năm 2025 với các checkpoint 7B và 72B; UI-Venus 1.5 tiếp nối vào tháng 2 năm 2026 với các biến thể 2B, 8B và 30B-A3B. Khối trích dẫn trên thẻ mô hình mới ghi công cho "Venus Team, Ant Group," — đây là cách inclusionAI tự mô tả mối quan hệ của mình với Ant Group — tức là phòng thí nghiệm AI của Ant Group xuất bản dưới tên gọi inclusionAI. Cam kết nền tảng của dòng sản phẩm này là một tác nhân GUI nên hoạt động chỉ dựa trên pixel: quan sát màn hình thông qua ảnh chụp màn hình thay vì cây DOM, XML trợ năng hoặc các bản dump giao diện — điều này giúp nó có thể áp dụng cho số lượng lớn các ứng dụng di động tiếng Trung và tiếng Anh vốn không hiển thị dữ liệu giao diện có cấu trúc. Venus Framework đi kèm, từ GitHub của dòng sản phẩm, điều khiển tự động hóa Android và hỗ trợ điều khiển song song nhiều thiết bị.

Những gì chúng ta chưa biết

Đọc repo này một cách trung thực thì khoảng cách giữa những lời tuyên bố và bằng chứng vẫn còn rất rộng. Không có báo cáo kỹ thuật công khai nào cho UI-Venus-2 — huy hiệu chỉ là chỗ giữ chỗ, và README ghi rằng báo cáo "không công khai" — nên các bảng benchmark chỉ là những con số do chính nhà cung cấp đưa ra, không kèm tài liệu phương pháp luận và không có lần chạy lại độc lập nào. Không có trang dự án trực tiếp. Không có thông báo chính thức, đồng nghĩa với việc không có giá chính thức, không có API lưu trữ, và không có lộ trình được xác nhận. Các bảng trong chính thẻ mô hình liên tục liệt kê UI-Venus-2-27B — 84.0 trên AndroidWorld, 80.5 trên OSWorld-Verified, 12.3 OSBlind — một mô hình không hề tồn tại trên Hugging Face tại thời điểm viết bài, nên mẫu chủ lực của dòng sản phẩm được nhắc đến nhưng chưa được phát hành. Và với số lượt tải về bằng không, chưa một ai ngoài phòng thí nghiệm đã chạy checkpoint này.

Cách bạn thực sự sẽ chạy nó

Trong tất cả những điều chưa biết, thứ duy nhất cụ thể là việc phục vụ. Thẻ ghi lại một lệnh vLLM duy nhất để khởi động mô hình với cửa sổ ngữ cảnh 256K và một API tương thích O​penAI:

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

Điều đó khiến con đường thực tế trở thành tự lưu trữ — tải các trọng số, chạy vLLM và trỏ bộ khung tác nhân của bạn vào localhost. Đây là trường hợp mà một lớp định tuyến phát huy giá trị trên stack xung quanh thay vì bản thân tác nhân GUI: mô hình viết kế hoạch nhiệm vụ, mô hình thị giác rà soát lại trạng thái màn hình, mô hình phiên âm ghi lại những gì đã xảy ra — tất cả đều nằm trên OrcaRouter với giá niêm yết của nhà cung cấp, mức chênh lệch 0% và khả năng chuyển đổi dự phòng tự động, để bạn có thể tạo nguyên mẫu dựa trên một mô hình mới có một ngày tuổi mà không cần đánh cược cả một pipeline sản xuất vào nó. Ngày một checkpoint tác nhân GUI như thế này đến được một nhà cung cấp được định tuyến, nó sẽ xuất hiện với giá niêm yết của nhà cung cấp và cơ chế chuyển tiếp tương tự, cùng với đó, các đợt giảm giá từ nhà cung cấp cũng về phía chúng tôi ngay trong ngày hôm đó. Cho đến lúc đó, các trọng số Apache-2.0 chính là toàn bộ câu chuyện.

Xem gì tiếp theo

{{1}}Ba điều sẽ quyết định liệu con tàu lặng lẽ này có trở thành tin tức hay không. Liệu UI-Venus-2-27B với các con số trong bảng của thẻ mô hình có thực sự xuất hiện trên Hugging Face, và liệu nó có mang theo con số 12.3 OSBlind đi kèm hay không.{{/1}} {{2}}Liệu báo cáo kỹ thuật có được tung ra và trụ vững trước lần tái lập độc lập đầu tiên hay không.{{/2}} {{3}}Và liệu Ant Group có quyết định rằng giai đoạn yên lặng đã kết thúc hay không — bởi vì một tác nhân mã nguồn mở 9B với những con số trên bảng và ngữ cảnh 256K không phải thứ có thể nằm im ở mức không lượt tải mãi được.{{/3}}