WeVisOne-VL-4B vs UI-Venus-2-9B: Một bên trả về Mask, bên kia trả về Click

Đưa cùng một ảnh chụp màn hình trang thanh toán cho WeVisOne-VL-4B và UI-Venus-2-9B, bạn sẽ nhận được hai kiểu câu trả lời khác nhau. Mô hình thứ nhất cho bạn hình học: một khung bao quanh biểu tượng giỏ hàng, một mặt nạ phân đoạn quanh trường giảm giá, một alpha matte tách ảnh sản phẩm khỏi nền. Mô hình thứ hai cho bạn một hành động: tọa độ của lần chạm tiếp theo, cùng lập luận đã tạo ra nó. Nhóm WeChat Vision của Tencent đã công bố WeVisOne-VL-4B trên Hugging Face mà không có thông báo, và ghi ngày bài báo kỹ thuật của mô hình là 23 tháng 10 năm 2026; UI-Venus-2-9B của inclusionAI đã có thể tải xuống từ ngày 26 tháng 8 năm 2026. Chúng được xếp dưới cùng một nhãn phương thức, và chúng không thể thay thế cho nhau.

Điều đó khiến đây trở thành một phép so sánh với một vấn đề bất thường ở ngay trung tâm: hai mô hình không có chung một benchmark nào. Không một điểm số nào xuất hiện trên cả hai thẻ mô hình. Cả hai đều chưa được đánh giá độc lập, chưa được triển khai bởi nhà cung cấp suy luận nào, và chưa có giá công bố. Những gì có thể so sánh một cách trung thực là đầu ra của từng mô hình, cách mỗi mô hình được huấn luyện để từ chối, chi phí vận hành chúng, và giấy phép mà bạn sẽ phát hành theo — vì vậy đó là những gì bài viết này thực hiện, và nó đánh dấu các con số do nhà cung cấp báo cáo là do nhà cung cấp báo cáo mỗi khi một con số như vậy xuất hiện.

Hai mô hình không trả lời cùng một câu hỏi

WeVisOne-VL-4B là một mô hình nhận thức. Nó được xây dựng trên xương sống Qwen3-VL và bổ sung một bộ giải mã pixel bắt buộc gồm 9,6 triệu tham số — mask_decoder.pt, được phát hành như một artifact thứ hai — bộ giải mã này biến các dự đoán hộp của mô hình ngôn ngữ thành mặt nạ thực thể và sau đó thành alpha matte stride-1. Các tọa độ được phát ra dưới dạng các token chuyên dụng trải từ <0> đến <1000>, được chuẩn hóa theo ảnh, và một token <OBJ> đặc biệt (id 152,678) đóng từng hộp trong các tác vụ dày đặc. Danh sách tác vụ của bài báo là một danh sách hình học: phát hiện từ vựng mở, định vị theo tham chiếu, đếm, chỉ điểm, định vị OCR, phân đoạn theo tham chiếu và alpha matting có thể gợi ý.

UI-Venus-2-9B là một agent. Nó được khởi tạo từ Qwen3.5-9B và được huấn luyện trên tương tác chỉ bằng ảnh chụp màn hình trong năm nhóm tác vụ — grounding, CAPTCHA, di động, web và máy tính — thông qua huấn luyện giai đoạn giữa, học tăng cường cấp bước ngoại tuyến và chưng cất on-policy đa giáo viên. Đầu ra của nó là một hành động trong vòng lặp quan sát – suy luận – hành động khép kín, và công thức vLLM của nó kết hợp --max-model-len 262144 với --reasoning-parser qwen3 vì nó phát ra token suy luận trước mỗi hành động.

Đặt các thông số kỹ thuật cạnh nhau và sự khác biệt sẽ hiện ra ngay:

• Đầu ra — các hộp, điểm, mặt nạ và alpha matte từ WeVisOne-VL-4B; một hành động cùng dấu vết lập luận của nó từ UI-Venus-2-9B.

• Backbone — Qwen3-VL cho WeVisOne-VL-4B; Qwen3.5-9B cho UI-Venus-2-9B. Khác thế hệ, khác họ text stack.

• Kích thước — 5B tham số được liệt kê trên repo mặc dù tên là "4B", cùng với một bộ giải mã riêng 9,6M tham số; 9B dense cho UI-Venus-2-9B trên bốn phân mảnh BF16, khoảng 18,8 GB.

• Định dạng trọng số — safetensors F32 trên card WeVisOne-VL-4B, điều này khá bất thường ở kích thước này và khiến bản tải xuống lớn hơn so với mức mà số lượng tham số gợi ý; BF16 cho UI-Venus-2-9B.

• Giấy phép — Apache 2.0 cho WeVisOne-VL-4B; “đang chờ xác nhận lần cuối” cho UI-Venus-2-9B.

Hệ quả thực tế là bạn không thể hoán đổi cái này lấy cái kia, và bất kỳ bài viết nào cho bạn một người thắng cuộc đều đang trả lời một câu hỏi mà bạn không hề đặt ra. Một mô hình nhận thức dù trả về mặt nạ hoàn hảo vẫn không thể nhấp. Một tác nhân dù nhấp hoàn hảo vẫn không thể đưa cho bạn lớp matte mà bạn muốn cho buổi chụp sản phẩm.

Nơi chúng thực sự trùng khớp: cả hai nhóm đều dạy mô hình của mình nói không

Đây là quyết định thiết kế duy nhất mà cả hai bản phát hành đều đưa ra, và đó là điều thú vị nhất trong cặp đôi này. Các mô hình định vị từ vựng mở thất bại theo một cách cụ thể và tốn kém: yêu cầu tìm bình chữa cháy trong một căn phòng không có bình nào, và một mô hình luôn trả lời sẽ tự tin khoanh vùng chiếc lò sưởi. Ở hạ nguồn, đó là một đối tượng ảo giác trong pipeline tài sản của bạn hoặc một thao tác chạm bị định hướng sai trong vòng lặp tự động hóa của bạn.

WeVisOne-VL-4B xử lý việc này bằng cách trả về None, và bài báo đưa tỷ lệ từ chối như một chỉ số riêng bên cạnh độ chính xác. Trên RefCOCOg, mô hình 4B đạt tỷ lệ từ chối 67.4 trong khi mô hình cơ sở Qwen3-VL-4B ở mức 18.8. Trên WeRef-Bench nội bộ của WeChat, nó báo cáo mức từ chối 96.4 so với 61.9 của mô hình cơ sở, và trên Ref-ZOM là 86.0 so với 0.3 của UniPixel-7B. Đây là những con số tự báo cáo từ một bài báo được công bố hôm nay, và các benchmark từ chối phần lớn là do chính các tác giả tạo ra — hãy xem hướng đi là đáng tin cậy còn khoảng cách chính xác thì chưa được xác minh.

UI-Venus-2-9B tiếp cận cùng vấn đề từ phía agent, kế thừa khả năng grounding có nhận biết từ chối từ dòng UI-Venus: mô hình được huấn luyện để từ chối khi phần tử được yêu cầu không có trên màn hình thay vì đoán một vị trí có vẻ hợp lý. Các con số grounding của nó — ScreenSpot-Pro 73,0, VenusBench-GD 77,1, OSWorld-G-R 78,5 — do nhà cung cấp báo cáo, và card nêu rõ rằng điều này không loại bỏ rủi ro hành động gây hại và khuyến nghị con người xác nhận cùng các biện pháp bảo vệ ở cấp ứng dụng. Bảng an toàn của nó cho thấy tác động mà nó thực sự tuyên bố: tỷ lệ tấn công thành công 11,3% trên OSHarm so với 25,3% của mô hình nền Qwen3.5-9B, và 48,8% trên OSBlind so với 79,4%.

Vì vậy, cả hai mô hình đều được xây dựng bởi những nhóm từng chứng kiến một chuyên viên bản địa hóa nói dối, và cả hai đều chọn việc không đưa ra câu trả lời thay vì đảm bảo độ phủ. Nếu kiểu thất bại của ứng dụng của bạn là "sai một cách tự tin", thì ưu tiên chung đó quan trọng hơn số lượng tham số.

Những con số mà thẻ mô hình của Tencent không hiển thị

Mọi bài viết về WeVisOne-VL-4B cho đến nay đều nói cùng một điều, và đúng là như vậy: thẻ mô hình không công bố benchmark nào. Bài báo kỹ thuật thì có, và nó được công bố vào ngày 23 tháng 10 năm 2026, khiến đây trở thành phần của câu chuyện chưa được lan truyền. Tất cả đều do các tác giả tự báo cáo, chưa có phần nào được tái lập độc lập, và mô hình mới chỉ một ngày tuổi — vì vậy hãy xem đây là những tuyên bố có hình hài rõ ràng, chứ không phải kết quả đã ngã ngũ.

So với chính bản nền Qwen3-VL-4B của nó, các khoảng cách đủ lớn để vẫn đáng chú ý ngay cả sau khi đã chiết khấu mạnh:

• Phát hiện, F1 trung bình zero-shot trên COCO — 57,1 đối với WeVisOne-VL-4B so với 48,7 của Qwen3-VL-4B, và 55,3 so với 44,0 trên LVIS.

• Phát hiện, F1 trung bình trên Dense200 — 71,3 so với 15,2. Đó không phải lỗi đánh máy trong bảng của bài báo; cảnh dày đặc vật thể nhỏ chính là nơi mô hình cơ sở sụp đổ.

• Phát hiện tham chiếu, RefCOCOg val — 80,8 so với 74,1, với tỷ lệ từ chối ở mức 67,4 so với 18,8.

• Đếm, khớp chính xác trên tập val PixMo-Count — 93.7 so với 69.6; trên tập val MixCount, 42.0 so với 3.5.

• Chỉ điểm, F1 trên PointBench — 71.9 so với 57.1.

• Định vị OCR, F1 trung bình trên SROIE — 68,1 so với 40,4, và cao hơn mức 58,6 của PP-OCRv5.

• Phân đoạn theo tham chiếu, gIoU trên tập val ReasonSeg — 71.2, so với 65.0 của LISA-13B.

• Matting theo gợi ý, MAD với gợi ý dạng hộp trên AM-2K — 5,0 so với 12,1 của SAM2-Matting; trên các gợi ý tham chiếu WeRefMat, 9,8 so với 51,9.

Kết quả matting là thứ đáng để dừng lại, vì đó là năng lực mà không thứ gì khác trong tầm giá này cung cấp được thông qua một prompt. Yêu cầu một mô hình ngôn ngữ-thị giác cho "người đó, dưới dạng alpha matte" và nhận được đầu ra stride-1 vượt qua pipeline matting SAM2 về MAD là một sản phẩm khác với một đầu phát hiện gắn kèm mặt nạ. Đây cũng là chỗ bài báo ít tô hồng cho chính mô hình 4B của mình nhất: trên các prompt hộp P3M-500-NP, mô hình 2B đạt 6.6 MAD so với 7.3 của 4B, nên biến thể lớn hơn không hẳn tốt hơn một cách đồng đều và các tác giả vẫn in điều đó ra.

Những con số của UI-Venus-2-9B đo lường điều gì, và tại sao chúng sẽ không chuyển dịch được

Đặt hai bộ benchmark cạnh nhau, sự không thể so sánh không còn chỉ là chuyện kỹ thuật. Các kết quả nổi bật của UI-Venus-2-9B đều 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 số bước mặc định của thẻ và 75.2 ở 100 bước. Những con số đó đo xem một tác vụ có được hoàn thành hay không, qua đó gộp nhận thức, lập kế hoạch, ghi nhớ và phục hồi sau lỗi vào một con số duy nhất.

Thứ gần nhất với một trục chung là khả năng định vị GUI. UI-Venus-2-9B đạt 73.0 trên ScreenSpot-Pro, một benchmark về việc định vị các phần tử giao diện nhỏ trong ảnh chụp màn hình độ phân giải cao — còn WeVisOne-VL-4B không báo cáo chỉ số này. WeVisOne-VL-4B công bố kết quả định vị OCR và chỉ điểm dày đặc, còn UI-Venus-2-9B không báo cáo những kết quả đó. Vì vậy, quan điểm trung thực là chỉ số hữu ích nhất cho so sánh này hiện chưa tồn tại: chạy WeVisOne-VL-4B trên ScreenSpot-Pro sẽ cho biết liệu một chuyên gia nhận thức 5B có đánh bại một tác nhân 9B trong việc tìm nút hay không, và cho đến khi ai đó chạy nó, bất kỳ ai xếp hạng hai mô hình này về định vị đều chỉ đang đoán.

Bộ kiểm thử của chính tác tử cũng công khai điểm yếu của nó. Trên OSWorld 2.0, mô hình 9B đạt 7.5 điểm một phần và 0.0 điểm nhị phân; mô hình anh em 27B đạt 13.2 điểm một phần và 2.8 điểm nhị phân. Công việc máy tính dài hạn trên màn hình chưa được giải quyết ở kích thước này, và thẻ mô hình cũng nói rõ điều đó.

Việc phục vụ chúng là một khoảng cách lớn hơn so với khoảng cách của benchmark.

Đối với một nhóm đang quyết định sẽ chạy gì vào tuần tới, khác biệt về vận hành sẽ quan trọng hơn bất kỳ điểm số nào. UI-Venus-2-9B là một mô hình duy nhất mà bạn khởi chạy bằng một lệnh vLLM, cung cấp một endpoint tương thích OpenAI với tensor parallelism bằng 1. WeVisOne-VL-4B cần gói suy luận của nó từ GitHub cùng với artifact decoder riêng, và nó được gọi thông qua wrapper WeVisOneVL(...) riêng của nó với một đối số task — predict(image, task="matting", query="person", temperature=0.0). Thẻ mô hình tài liệu hóa các đường Transformers, vLLM và SGLang, nhưng decoder pixel không phải là tùy chọn: chỉ riêng mô hình ngôn ngữ không thể tạo ra mặt nạ.

Bộ nhớ gần nhau hơn mức mà số lượng tham số gợi ý. Ở bf16, backbone 5B chỉ vào khoảng 10 GB trước decoder, so với khoảng 18,8 GB cho bốn shard của UI-Venus-2-9B. Về phần trọng số, cả hai đều vừa trên một card 24 GB; điều khác biệt là còn lại bao nhiêu chỗ cho ngữ cảnh.

Và về ngữ cảnh, hai cấu hình khớp nhau theo một cách dễ bị hiểu quá mức. Cấu hình của WeVisOne-VL-4B có max_position_embeddings là 262,144 — cùng mức trần mà UI-Venus-2-9B cung cấp với độ dài mô hình tối đa 262,144. Nhưng chúng dùng nó cho những mục đích khác nhau: agent coi ngữ cảnh dài là bộ nhớ theo episode, lưu giữ lịch sử ảnh chụp màn hình của một tác vụ, trong khi các đánh giá đã công bố của mô hình nhận thức chạy ở 1,960 token thị giác mỗi ảnh. Cửa sổ 256K trên một mô hình chỉ xử lý ảnh, một lượt là một mức trần, chứ không phải năng lực đã được chứng minh, và model card liệt kê lưới video là bị bộ giải mã pixel từ chối thẳng.

Giấy phép: một trong hai cái này đã được giải quyết, còn một cái thì chưa.

WeVisOne-VL-4B được phát hành theo {{1}}Apache 2.0{{/1}}, với phần mã do Tencent viết cũng theo các điều khoản tương tự. Bạn có thể đọc nó, fork nó, đưa nó vào một sản phẩm mà không cần trao đổi với luật sư về việc đó.

Thẻ của UI-Venus-2-9B 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 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 nhau. Câu đó đã có trên thẻ từ tháng Tám và không thay đổi. Điều đó không ngăn bạn đánh giá mô hình, và cũng không ngăn việc sử dụng nội bộ trong hầu hết tổ chức — nhưng nó có nghĩa là một sản phẩm bên ngoài được xây dựng trên các trọng số đó đang được xây dựng trên một câu hỏi chưa được giải quyết, và không mức điểm benchmark nào khắc phục được điều đó. Nếu bạn đang lựa chọn giữa hai cái này cho một thứ bạn định phát hành, cột giấy phép quyết định nhanh hơn cột độ chính xác.

Mỗi cái giá bao nhiêu, biết rằng cả hai đều không có giá

Không có giá mỗi token do nhà cung cấp đặt cho cả hai mô hình. Trang của WeVisOne-VL-4B nói rằng nó không được triển khai bởi bất kỳ nhà cung cấp suy luận nào; UI-Venus-2-9B không có endpoint chính chủ và không có bảng giá do inclusionAI công bố, nên bất kỳ nhà cung cấp bên thứ ba nào thu phí cho nó thì đó là con số của nhà cung cấp đó, không phải của nhóm. Với cả hai, chi phí là giờ GPU trên phần cứng bạn thuê hoặc sở hữu, nghĩa là phép so sánh không phải "giá đầu vào so với giá đầu ra" mà là "tôi cần bao nhiêu card và nó xử lý được bao nhiêu ảnh mỗi giây."

Không bài báo nào công bố thông lượng hay độ trễ, nên con số thứ hai đó đều chưa biết với cả hai. Điều có thể biết là hình dạng chi phí: UI-Venus-2-9B trả giá cho một lượt forward pass 9B cộng các token suy luận ở mỗi bước của một episode, mà một episode của agent lại gồm nhiều bước. WeVisOne-VL-4B trả giá cho một lượt pass 5B cộng một lượt forward decoder cho mỗi ảnh, và một ảnh là một lần gọi. Nếu khối lượng công việc của bạn là một trăm nghìn ảnh sản phẩm, thì kinh tế của mô hình nhận thức là theo từng ảnh và có thể dự đoán được; nếu đó là một tác vụ trình duyệt, chi phí của agent sẽ tăng theo số hành động mà tác vụ cần thực hiện, và đó chính là con số bạn không thể dự báo từ card.

Đây cũng là nơi một lớp định tuyến chứng minh được vị trí của mình chứ không chỉ là một khẩu hiệu. Cả hai mô hình hiện đều không có trên OrcaRouter, và bài viết này sẽ không giả vờ điều ngược lại — WeVisOne-VL-4B hoàn toàn không có nhà cung cấp suy luận nào, còn UI-Venus-2-9B được phục vụ bởi dịch vụ lưu trữ của bên thứ ba thay vì từ danh mục của chính chúng tôi. Những gì OrcaRouter cung cấp cho các mô hình mà nó thực sự phục vụ là một endpoint tương thích OpenAI trên 200+ mô hình trong số đó với mức chênh giá 0%, giá niêm yết của nhà cung cấp được chuyển nguyên vẹn, nhờ đó đợt giảm giá của nhà cung cấp đến với bạn ngay trong ngày nó diễn ra thay vì vào lần gia hạn hợp đồng kế tiếp. Với một kiến trúc gọi mô hình nhận thức và mô hình agent theo trình tự, routing DSL chính là nơi cấu trúc kết hợp đó tồn tại — hai lời gọi mô hình, một nơi để hoán đổi một trong hai nhánh — và failover tự động là thứ giữ cho vòng lặp agent sống sót khi mô hình phía sau suy giảm giữa phiên. Ngay khi 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 stack của bạn hay không.

Chọn cái nào?

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

• Chọn WeVisOne-VL-4B nếu đầu ra bạn cần là hình học — hộp giới hạn đưa vào quy trình chú thích, mặt nạ cho công cụ chỉnh sửa, alpha matte cho hình ảnh sản phẩm, số lượng vật thể trong một khung ảnh trên không dày đặc, hoặc OCR kèm tọa độ. Không có gì khác trong nhóm 5B mở trả về matte từ một lời nhắc văn bản, và các con số matting của bài báo so với quy trình SAM2 là tuyên bố mạnh nhất trong bản phát hành.

• Chọn UI-Venus-2-9B nếu đầu ra 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 trên máy tính để bàn được điều khiển từ ảnh chụp màn hình. Nó được cung cấp dưới dạng một lệnh vLLM với endpoint tương thích OpenAI, tức là công việc trong một ngày thay vì một tuần, và kết quả AndroidWorld và WebVoyager của nó là những con số để đối chiếu với môi trường của riêng bạn.

• Tạm thời chưa chọn cả hai mô hình nếu bạn cần bằng chứng độc lập, giá đã công bố hoặc giấy phép đã được chốt cho một sản phẩm phát hành. Cả ba điều này đều thiếu đối với giấy phép của UI-Venus-2-9B và đối với kết quả đánh giá của cả hai mô hình.

• Hãy cân nhắc cả hai nếu bạn đang xây dựng một agent phải thao tác trên hình ảnh thay vì chỉ nhấp qua các màn hình. Điểm thú vị nằm ở cách kết hợp: UI-Venus-2-9B quyết định hành động ở đâu, WeVisOne-VL-4B tạo ra đầu ra chính xác đến từng pixel mà hành động đó hướng tới. Cách này tốn hai lần gọi mô hình mỗi bước và đổi lấy độ chính xác mà không mô hình nào có được khi đứng một mình.

Điều gì sẽ làm thay đổi câu trả lời này?

Bốn điều, theo thứ tự mức độ chúng sẽ tác động đến nó.

Một lượt chạy ScreenSpot-Pro với WeVisOne-VL-4B. Đây là bài kiểm chuẩn duy nhất mà cả hai bên đều có thể hợp lý cùng tham gia, và nó sẽ phân định liệu một chuyên gia nhận thức có kích thước bằng một nửa có thể định vị tốt hơn một tác nhân UI được thiết kế chuyên biệt hay không. Bất kỳ ai có một GPU và một buổi chiều đều có thể tạo ra nó, vậy mà chưa ai làm.

Một đánh giá độc lập về một trong hai mô hình. Mọi con số trong bài viết này đều bắt nguồn từ thẻ mô hình hoặc một bài báo do chính nhóm đã xây dựng nên nó viết. Điều đó là bình thường trong ngày ra mắt, và nó vẫn là một khoảng trống.

Giấy phép đã được làm rõ cho UI-Venus-2-9B. “Đang chờ xác nhận cuối cùng” đã nằm trên thẻ suốt tám tuần. Nếu nó được giải quyết thành một giấy phép thoáng, agent sẽ dễ được đề xuất cho công việc thương mại hơn đáng kể; nếu không, điều đó trả lời câu hỏi theo hướng ngược lại.

Một endpoint chính thức cho một trong hai bên. Hiện nay, không nhà cung cấp nào tự phục vụ mô hình của chính mình, điều này giới hạn đối tượng ở những nhóm sẵn sàng vận hành một serving stack, và ở phía WeVisOne-VL-4B là những nhóm sẵn sàng vận hành một gói suy luận tùy chỉnh. Mức giá do nhà cung cấp công bố sẽ chuyển việc so sánh chi phí từ tính toán số học sang một khoản mục chi phí.

Cho đến lúc đó, tóm tắt công bằng là thế này: Tencent đã phát hành một bộ công cụ tri giác làm được điều mà chưa mô hình mở nhỏ nào từng làm trước đây, đủ lặng lẽ đến mức các bảng đánh giá chuẩn của chính nó vẫn chưa được đọc, còn Ant Group đã phát hành một tác nhân sớm hơn một tháng rưỡi, dễ chạy hơn và khó cấp phép hơn. Chúng không phải đối thủ. Sai lầm sẽ là chọn một cái vì cái kia đạt điểm cao hơn trên một bài đánh giá chuẩn mà chúng không cùng chia sẻ.