WeVisOne-VL-2B so với UI-Venus-2-9B: Khoảng cách kích thước mà cái tên che giấu

Chín tỷ tham số không phải là điều mà cuộc đối đầu này thể hiện. Được viết theo cách mà hầu hết mọi người vẫn viết — WeVisOne-VL-2B vs UI-Venus 2.9B — cặp đấu này đọc lên như hai mô hình thị giác nhỏ có trọng số xấp xỉ nhau, một cuộc so tài công bằng giữa một checkpoint 2B mới từ nhóm WeChat Vision của Tencent và một thứ lớn hơn một chút từ inclusionAI của Ant Group. Nửa sau của giả định đó là sai. UI-Venus-2-9B là UI-Venus 2 với 9 tỷ tham số, được khởi tạo từ Qwen3.5-9B; "2" là thế hệ, không phải kích cỡ. WeVisOne-VL-2B, được đưa lên Hugging Face vào ngày 22 tháng 10 năm 2026, có 2 tỷ tham số trên backbone Qwen3-VL. Vì vậy, phép so sánh thực sự là một mô hình nhỏ hơn bốn lần rưỡi, trên một thế hệ backbone cũ hơn, và đưa ra một kiểu câu trả lời hoàn toàn khác.

Nó cũng xuất hiện mà không có một buổi ra mắt. Có một kho lưu trữ Hugging Face, một kho lưu trữ GitHub chỉ mang một commit khởi tạo duy nhất, một bài báo trên arXiv và một trang dự án nghiên cứu — và không có thông báo nào từ nhà cung cấp, không có bài đăng blog nào và không có trang giá nào gắn kết chúng lại với nhau. Điều đó định hình những gì bài viết này có thể làm một cách trung thực. Các trọng số, kiến trúc, văn bản giấy phép và các bảng trong bài báo đều có thể kiểm chứng ngay hôm nay. Đánh giá độc lập, thông lượng, độ trễ và giá thì không, vì chưa có cái nào trong số đó tồn tại. Thẻ mô hình của Tencent không công bố bất kỳ con số benchmark nào; mọi điểm số được gán cho WeVisOne-VL-2B dưới đây đều đến từ bảy bảng nhiệm vụ của chính các tác giả và được dán nhãn theo cách đó. UI-Venus-2-9B cũ hơn và được ghi chép đầy đủ hơn, nhưng các con số của nó đúng y như những gì nó tự báo cáo.

Hai cái tên thực sự mô tả điều gì

WeVisOne-VL-2B là một mô hình tri giác. Đưa cho nó một hình ảnh và một cụm từ, nó sẽ trả về hình học: một hộp bao, một điểm, một số đếm, một mặt nạ nhị phân hoặc một alpha matte liên tục. Phần ngôn ngữ của nó phát ra tọa độ dưới dạng các token chuyên dụng trải từ <0> đến <1000>, được chuẩn hóa theo hình ảnh, và đóng mỗi hộp trong các tác vụ dày đặc bằng một token <OBJ> đặc biệt tại id 152.678. Những token đó chỉ là các dấu đánh dấu cho đến khi mask_decoder.pt đọc trạng thái ẩn phía sau chúng — một tạo tác bắt buộc gồm 9.511.460 tham số, được gửi kèm dưới dạng tệp thứ hai, mà thẻ mô tả là “một thành phần lõi bắt buộc, không phải phần bổ trợ tùy chọn”. Không có nó, bạn nhận được hộp. Có nó, bạn nhận được mặt nạ và các alpha matte stride-1.

UI-Venus-2-9B là một agent. Đưa cho nó một ảnh chụp màn hình và một tác vụ, nó sẽ trả về một hành động: lần chạm, nhấp hoặc gõ phím tiếp theo, cùng các token suy luận đã tạo ra hành động đó, bên trong một vòng lặp quan sát–suy luận–hành động khép kín. Nó được huấn luyện trên tương tác chỉ dùng ảnh chụp màn hình trong grounding, CAPTCHA, di động, web và sử dụng máy tính, và công thức vLLM đã công bố của nó kết hợp độ dài mô hình tối đa 262.144 với bộ phân tích suy luận Qwen3 vì dấu vết suy luận xuất ra trước mọi hành động.

Đặt hai thứ cạnh nhau và sự không khớp sẽ lộ ra ngay:

• Kết quả trả về — các hộp, điểm, số lượng, span OCR, mặt nạ và alpha matte từ WeVisOne-VL-2B; một hành động màn hình cùng dấu vết suy luận của nó từ UI-Venus-2-9B.

• Tham số — 2B cho WeVisOne-VL-2B cộng với bộ giải mã 9,5M riêng biệt; 9B dense cho UI-Venus-2-9B, khoảng 4,5 lần trọng số.

• Backbone — Qwen3-VL cho WeVisOne-VL-2B, 28 lớp văn bản với kích thước ẩn 2.048; Qwen3.5-9B cho UI-Venus-2-9B. Các thế hệ khác nhau, các ngăn xếp văn bản khác nhau.

• Trọng số trên đĩa — bfloat16 cho cả hai, nhưng khoảng 4GB cho bản 2B so với bốn phân đoạn BF16 tổng cộng khoảng 18.8GB cho bản 9B.

• Trần ngữ cảnh — 262.144 vị trí ở mỗi mô hình, được đọc từ cấu hình của WeVisOne-VL-2B và từ lệnh phục vụ của UI-Venus-2-9B. Không nhà cung cấp nào chứng minh việc sử dụng bất kỳ thứ gì tương tự.

• Bằng chứng được công bố — bảy bảng tác vụ trong bài báo của Tencent và không có bảng nào trên thẻ mô hình; một danh sách điểm chuẩn dài của nhà cung cấp trên thẻ của inclusionAI và không có bảng nào trong bài báo.

• Giấy phép — Apache 2.0 cho mã do Tencent phát triển; "đang chờ xác nhận cuối cùng" đối với trọng số UI-Venus-2-9B.

Hệ quả thực tế là bạn không thể thay cái này bằng cái kia, và bất kỳ bài viết nào trao cho bạn một người thắng cuộc đều đang trả lời một câu hỏi mà bạn không hề hỏi. Một mô hình nhận thức trả về một matte hoàn hảo vẫn không thể nhấn nút. Một tác nhân điều hướng một ứng dụng hoàn hảo vẫn không thể đưa cho bạn phần cắt mà bạn muốn cho ảnh sản phẩm.

Lập luận ủng hộ mô hình nhỏ hơn mạnh hơn mức mà sự so sánh 2B với 9B gợi ra.

Trực giác khi thấy một mô hình 2B bên cạnh một mô hình 9B là mô hình nhỏ là sự thỏa hiệp vì ngân sách. Với công việc mà nó được huấn luyện để làm, bài báo của Tencent lập luận ngược lại, và một trong những kết quả của chính họ lại phản đối bản phát hành lớn hơn của chính họ. Mọi con số ở đây đều là của chính các tác giả, do các tác giả chạy, và không ai tái lập được.

• Phát hiện zero-shot — F1 trung bình đạt 55.2 trên COCO, 53.3 trên LVIS, 61.4 trên Dense200 và 40.4 trên VisDrone. Mô hình cơ sở Qwen3-VL-2B đạt 45.2, 40.8, 10.0 và 23.1 trong cùng bảng. Khoảng cách ở Dense200 là điểm đáng chú ý: gấp sáu lần mô hình cơ sở trên các cảnh đông đúc.

• Đếm — 90,9 và 88,1 khớp chính xác trên hai phần chia PixMo-Count, nhưng chỉ 27,5 và 26,9 trên CLOC, 29,5 và 32,4 trên KubriCount, và 47,9 trên CountQA. Đếm không phải là một kỹ năng duy nhất, và mức phân tán này là điều trung thực nhất trong bài báo.

• Định vị OCR — F1 trung bình đạt 30,5 trên HierText, 42,6 trên ICDAR2015, 42,5 trên TotalText và 62,1 trên SROIE, ở ngưỡng IoU 0,5. Đây là điểm định vị có kèm tọa độ, không phải độ chính xác chép văn bản, nên không thể so sánh với con số OCRBench thường được trích dẫn cho các VLM dành cho người dùng phổ thông.

• Phân đoạn theo tham chiếu — 79,7 IoU tích lũy trên tập validation RefCOCO, 73,1 trên RefCOCO+, 74,4 trên RefCOCOg và 60,9 gIoU trên ReasonSeg.

Tách nền theo gợi ý — sai lệch tuyệt đối trung bình 6,6 trên P3M-500-NP với gợi ý dạng hộp, so với 15,4 của SAM2-Matting; 5,7 so với 12,1 trên AM-2K; 15,8 so với 23,0 của quy trình Qwen3-VL-8B kết hợp SAM2-Matting trên tập phân chia referring WeRefMat khó hơn. Số càng thấp càng tốt trong mọi trường hợp.

Kết quả tách nền là chỗ mà lập luận về kích thước bị đảo ngược. Trong cùng bài kiểm tra gợi ý hộp P3M-500-NP đó, mô hình 2B đạt 6,6 và mô hình 4B cùng nhà của Tencent đạt 7,3. Mô hình nhỏ hơn là mô hình tách nền tốt hơn trong hai, Tencent không giải thích tại sao, và bài báo vẫn công bố như vậy. Nếu công việc của bạn là tách vật thể khỏi ảnh, biến thể rẻ nhất trong dòng mô hình không phải là bản hạ cấp — hiện tại nó là lựa chọn được đo đạc tốt nhất.

Những gì bài báo không trình bày cũng đáng để biết không kém. Không có MMMU, MMBench, DocVQA hay bất kỳ benchmark captioning nào ở bất cứ đâu trong bảy bảng, và phần hạn chế thừa nhận rằng dữ liệu huấn luyện đa dụng hạn chế “có thể làm suy giảm các năng lực tổng quát so với mô hình gốc”. Việc tinh chỉnh giúp nó giỏi nhận thức có thể đã khiến nó trở thành một trợ lý tổng quát kém hơn, và không có gì trong bản phát hành kiểm tra điều đó. Cũng không có đầu ra chain-of-thought, không có bộ nhớ đa lượt, cũng như không hỗ trợ video — bộ giải mã pixel từ chối thẳng các lưới video.

Phép benchmark duy nhất có thể giải quyết dứt điểm vấn đề này không hề tồn tại.

Đặt hai bộ đánh giá cạnh nhau và sự không thể so sánh không còn chỉ là chuyện kỹ thuật nữa. Kết quả nổi bật của UI-Venus-2-9B là tỷ lệ thành công ở trạng thái cuối trong một môi trường: AndroidWorld 80,2, OSWorld-Verified 70,8, WebVoyager 90,8, Online-Mind2Web 74,0, MobileWorld 65,8 với ngân sách bước mặc định của thẻ và 75,2 ở 100 bước. Những con số đó đo lường liệu một tác vụ có được hoàn thành hay không, gộp nhận thức, lập kế hoạch, ghi nhớ và phục hồi lỗi vào một con số duy nhất.

Thứ gần nhất với một trục chung là GUI grounding — định vị một phần tử giao diện nhỏ trong ảnh chụp màn hình độ phân giải cao. UI-Venus-2-9B đạt 73.0 trên ScreenSpot-Pro. WeVisOne-VL-2B không báo cáo kết quả ScreenSpot-Pro, không báo cáo kết quả ScreenSpot-V2 và không báo cáo bất kỳ benchmark GUI nào, trên model card của nó, trong bài báo hay trên trang dự án của nó. Ở chiều ngược lại, WeVisOne-VL-2B báo cáo định vị OCR và dense pointing, còn UI-Venus-2-9B không báo cáo cả hai.

Có một chi tiết khiến cặp đôi được nêu trên tiêu đề còn trông kỳ lạ hơn. inclusionAI đã tung ra một mô hình 2B được xây dựng trên Qwen3-VL — UI-Venus-1.5-2B — và card của nó báo 57.7 trên ScreenSpot-Pro, so với 68.4 của người anh em 8B và 69.6 của 30B-A3B. Đó mới là đối thủ tương ứng cùng kích cỡ thực sự của WeVisOne-VL-2B, trên cùng họ backbone, được đo trên cùng một benchmark mà cả hai dòng sản phẩm đều quan tâm. Nó đơn giản không phải mô hình được nêu tên trong cặp so sánh này.

Vậy nên, lập trường trung thực là hẹp. Không có con số nào được công bố so sánh WeVisOne-VL-2B với UI-Venus-2-9B trên bất kỳ tác vụ nào, và chưa ai chạy mô hình tri giác 2B trên một bộ grounding GUI. Chạy WeVisOne-VL-2B trên ScreenSpot-Pro là phép đo còn thiếu hữu ích nhất trong so sánh này: nó sẽ cho bạn biết liệu một chuyên gia tri giác 2B tìm các phần tử giao diện tốt hơn hay kém hơn một agent 9B, và cho đến khi có ai đó chạy nó, bất kỳ ai xếp hạng hai mô hình này về khả năng tìm phần tử đều chỉ đang ngoại suy từ kiến trúc.

Mỗi cái sẽ làm gì khi không có đối tượng ở đó

Hành vi với vật thể vắng mặt là nơi các mô hình nhận thức âm thầm thất bại. Hãy yêu cầu tìm bình chữa cháy trong một căn phòng không có bình nào, và một mô hình luôn đưa ra câu trả lời sẽ tự tin khoanh vùng chiếc lò sưởi — và trong một quy trình tự động, điều đó trở thành một đối tượng ảo giác trong thư viện tài sản, hoặc một cú chạm sai hướng trong vòng lặp tác nhân.

WeVisOne-VL-2B trả lời None thay vào đó, và bài báo báo cáo tỷ lệ từ chối như một chỉ số riêng bên cạnh độ chính xác. Trên RefCOCOg, nó báo cáo tỷ lệ từ chối là 50.2 đối với các truy vấn đối tượng vắng mặt, so với 0.5 của Rex-Omni-3B và 0.6 của LocateAnything-3B trên cùng bảng. Đó là một mục tiêu thiết kế khác với việc tối đa hóa recall, và đây chính là con số khiến một mô hình nhỏ có thể dùng được như một thành phần: một nhánh hình học nói "không hiện diện" thì an toàn để đưa vào bộ lập kế hoạch, trong khi một nhánh tự bịa ra một hộp sẽ âm thầm làm hỏng nó.

UI-Venus-2-9B tiếp cận cùng vấn đề từ phía hành động, kế thừa grounding nhận biết từ chối từ dòng UI-Venus — nó được huấn luyện để từ chối khi phần tử được yêu cầu không có trên màn hình thay vì đoán một tọa độ khả dĩ. Bảng an toàn của nó cho thấy hiệu quả mà nó tuyên bố: tỷ lệ tấn công thành công 11,3% trên OSHarm so với 25,3% của mô hình cơ sở Qwen3.5-9B, và 48,8% trên OSBlind so với 79,4%. Thẻ mô hình cũng nêu rõ rằng điều này không loại bỏ rủi ro hành động có hại và khuyến nghị xác nhận của con người cùng các biện pháp bảo vệ ở cấp ứng dụng. Cả hai nhóm đều chọn việc không đưa ra dự đoán thay vì bao phủ; lựa chọn đó chưa được đo lường độc lập ở cả hai bên.

Chạy một 2B bên cạnh một 9B

Mối quan hệ trung thực giữa hai mô hình này không phải là đối địch mà là tiếp nối. Một mô hình trả về hình học, mô hình kia hành động dựa trên đó. Nếu bạn đang xây dựng một hệ thống tự động hóa màn hình, một kiến trúc hợp lý đặt WeVisOne-VL-2B ở phía trước như thành phần báo cáo cái gì ở đâu — hộp, span OCR, mặt nạ — và UI-Venus-2-9B ở phía sau như thành phần quyết định làm gì. Đó là sự kết hợp, không phải cạnh tranh, và đó là cách đóng khung duy nhất mà trong đó việc ghép cặp này có ý nghĩa vận hành.

Bộ nhớ khiến việc kết hợp đó trở nên rẻ trên một máy. Ở bfloat16, phần backbone 2B có khoảng 4GB trọng số trước decoder, còn 9B là khoảng 18,8GB trải trên bốn shard. Cả hai đều vừa trên một card 24GB và vẫn còn chỗ cho ngữ cảnh; riêng 2B vừa trên card 8GB, và đó mới là sự thật thú vị hơn. Giới hạn ngữ cảnh đều là 262.144 vị trí, nhưng chúng mang ý nghĩa khác nhau: agent dùng ngữ cảnh dài làm bộ nhớ tập, lưu lịch sử ảnh chụp màn hình, trong khi các đánh giá công bố của mô hình nhận thức chạy ở khoảng 1.960 token thị giác mỗi ảnh. Cửa sổ 256K trên một mô hình chỉ ảnh, một lượt là giới hạn trần, không phải năng lực đã được chứng minh.

Chi phí là nơi các hình thái khác biệt. Không nhà cung cấp nào công bố giá trên mỗi token, nên với cả hai, chi phí thực tế là số giờ GPU trên phần cứng bạn thuê hoặc sở hữu. Một agent trả cho một lượt forward 9B cộng token suy luận ở mỗi bước, và một episode gồm nhiều bước — một con số bạn không thể dự báo từ card. Một mô hình nhận thức trả cho một lượt 2B cộng một lượt forward decoder cho mỗi ảnh, và một ảnh là một lần gọi. Một trăm nghìn ảnh sản phẩm là phép tính trên mỗi ảnh có thể dự đoán được; một tác vụ trình duyệt thì không.

Đây cũng là nơi một lớp định tuyến chứng tỏ được giá trị của mình chứ không chỉ là khẩu hiệu. Cả hai mô hình đều chưa có trên OrcaRouter hiện nay — đã kiểm tra với danh mục trực tiếp gồm 209 mô hình, và thẻ của WeVisOne-VL-2B nêu rõ rằng nó hoàn toàn không được bất kỳ nhà cung cấp suy luận nào triển khai. Với những mô hình mà chúng tôi thực sự phục vụ, các thuộc tính hữu ích là một endpoint tương thích OpenAI, đánh dấu 0% với giá niêm yết của nhà cung cấp được chuyển nguyên vẹn, một DSL định tuyến cho phép tổ hợp nhiều lệnh gọi mô hình phía sau một giao diện, và chuyển đổi dự phòng tự động. Với kiến trúc hai chặng như trên, DSL là nơi phần tổ hợp nằm và là nơi có thể hoán đổi một trong hai chặng mà không cần viết lại phía gọi. Ngày mà một trong hai mô hình này xuất hiện trên một nhà cung cấp, đó là cách rẻ nhất để biết liệu nó có thuộc về ngăn xếp của bạn hay không.

Giấy phép, giá cả và những gì chưa ai xác nhận

Thẻ của {{1}}WeVisOne-VL-2B{{/1}} cấp giấy phép Apache 2.0 cho “{{2}}mã do Tencent viết trong kho lưu trữ này{{/2}},” đây là câu trả lời theo hướng giấy phép thoáng mà hầu hết các nhóm muốn. Một chi tiết khiến mọi chuyện phức tạp hơn: {{3}}GitHub API{{/3}} báo cáo giấy phép của kho lưu trữ là “Other” mà không có mã định danh SPDX. Những tuyên bố đó không nhất thiết mâu thuẫn — các thành phần bên thứ ba vẫn giữ các điều khoản riêng của chúng — nhưng điều đó có nghĩa là tệp giấy phép đáng để đọc trước khi nó được đưa vào sản phẩm, thay vì chỉ tin vào huy hiệu giấy phép theo bề ngoài.

Thẻ của UI-Venus-2-9B là thẻ chưa được giải quyết. Thẻ nêu rằng giấy phép trọng số mô hình đang chờ xác nhận cuối cùng và sẽ được bổ sung trước khi phát hành công khai, đồng thời rằng tuyên bố Apache-2.0 trước đó đã cố ý không được giữ lại vì tài liệu thượng nguồn chứa các tuyên bố giấy phép mâu thuẫn. Câu đó đã có trên thẻ từ tháng Tám và không thay đổi. Điều đó không chặn việc đánh giá hay phần lớn việc sử dụng nội bộ, nhưng một sản phẩm bên ngoài được xây dựng trên các trọng số đó đang được xây trên một câu hỏi bỏ ngỏ, và không có điểm chuẩn nào khép lại được câu hỏi đó.

Không mô hình nào có mức giá do nhà cung cấp đặt. WeVisOne-VL-2B không có nhà cung cấp suy luận và không có bảng giá. UI-Venus-2-9B không có điểm cuối chính chủ và không có mức giá nào được inclusionAI công bố, nên bất kỳ mức phí nào mà một nhà cung cấp lưu trữ bên thứ ba thu đều là con số của nhà cung cấp đó, không phải của nhóm.

Chọn cái nào?

Quyết định này là một bản mô tả công việc, không phải một bảng xếp hạng.

• Chọn WeVisOne-VL-2B nếu câu trả lời bạn cần là hình học — hộp đưa vào quy trình chú thích, mặt nạ cho công cụ chỉnh sửa, alpha matte cho hình ảnh sản phẩm, đếm trong một khung hình dày đặc, hoặc OCR kèm tọa độ — và đặc biệt nếu bạn cần nó trên phần cứng nhỏ. Đây là mô hình duy nhất ở đây trả về matte từ một câu lệnh văn bản, nó vượt qua mô hình anh em lớn hơn của chính nó về matting, và giấy phép của nó là giấy phép đã được chốt.

• Chọn UI-Venus-2-9B nếu câu trả lời bạn cần là một tác vụ đã hoàn thành: một biểu mẫu được điền, một ứng dụng được điều hướng, một CAPTCHA được giải, một quy trình làm việc trên máy tính để bàn được thực thi. Bạn đang mua một vòng lặp tác nhân, và bạn nên biết rõ rằng giấy phép chưa được giải quyết và công việc máy tính để bàn dài hạn chưa được giải quyết ở quy mô này — các số liệu OSWorld 2.0 của chính thẻ là 7,5 ở mức một phần và 0,0 ở mức nhị phân.

Hãy chọn {{1}}UI-Venus-1.5-2B{{/1}} thay vào đó nếu điều bạn thực sự muốn là một GUI grounder nhỏ. Đây là mô hình 2B dựa trên Qwen3-VL trong dòng sản phẩm của inclusionAI, đạt 57,7 trên ScreenSpot-Pro, và là đối thủ so sánh tương đương về kích thước mà tên gọi của cặp đối đầu này hàm ý nhưng không nêu rõ.

• Chạy cả hai theo trình tự nếu bạn đang xây dựng tự động hóa màn hình cần nhìn chính xác rồi mới hành động — chặng hình học trước, chặng tác nhân sau, trên một GPU.

• Khoan đã, nếu con số GUI-grounding cho WeVisOne-VL-2B là điều mà quyết định của bạn phụ thuộc vào. Nó chưa tồn tại, và đoán nó từ số lượng tham số không phải là một phương pháp.

Điều gì sẽ làm thay đổi câu trả lời này?

Bốn việc, theo thứ tự hữu ích. Một lần chạy ScreenSpot-Pro hoặc ScreenSpot-V2 trên WeVisOne-VL-2B sẽ biến khoảng trống trọng tâm trong bài này thành một phép so sánh, và vì mô hình mới ra được một ngày và dùng Apache 2.0, đó là công việc của một cuối tuần đối với bất kỳ ai có GPU và bộ khung đánh giá. Một giải pháp về giấy phép cho UI-Venus-2-9B sẽ gỡ bỏ rào cản duy nhất mà không một con số độ chính xác nào có thể phản bác. Việc một nhà cung cấp dịch vụ suy luận niêm yết một trong hai mô hình sẽ thay phép tính giờ GPU bằng một mức giá thực tế. Và một so sánh 4B với 2B giải thích vì sao mô hình nhỏ hơn khớp tốt hơn sẽ cho người mua biết liệu cách đặt tên của dòng mô hình có ý nghĩa gì hay không.

Cho đến lúc đó, cách hữu ích để nhìn nhận hai mô hình này không phải là những đối thủ trên một bảng xếp hạng mà là những công cụ khác nhau: một cái đo lường hình ảnh và một cái hành động trên màn hình. Tên gọi của cuộc so tài này gợi ý rằng bạn đang chọn giữa những mô hình nhỏ gần như ngang nhau. Bạn đang chọn giữa một chuyên gia 2B và một tác nhân 9B, và điều duy nhất chúng thực sự có chung là thói quen nói không.