Molmo2-4B 对比 UI-Venus-2-9B：其中一个名字里带的是尺寸，而且这个尺寸是错的

这个模型叫 UI-Venus 2，参数量为 9B。它不是 2.9B，也不是某个 2.9B 模型的 9B 版本。文件名里的字符串是代号紧挨着参数量的组合——inclusionAI/UI-Venus-2-9B——而它已经被足够多的雷达信息源和列表页面读反了，以至于现在拿它和 Molmo2-4B 比较，看起来像是两个同重量级的小模型。其实不是。UI-Venus-2-9B 是一个 9B 的 GUI 智能体，从 Qwen3.5-9B 初始化而来，规模大约是 Molmo2-4B 的 4.85B 的两倍，而且两者做的是完全不同的工作。如果你真正想要的是该系列中的小型 GUI 模型，那应该是 UI-Venus-1.5-2B，2B 这个数字属于它。 两个具有不同输出契约的专用模型，是一个路由问题。 不在提供商标价基础上加价 故障转移可应对其中一个模型状态不佳的情况。

这两个模型都比这种说法所暗示的更早。Molmo2-4B 由 Allen Institute for AI 于 2025 年 12 月 11 日发布，其权重于 12 月 14 日上线。UI-Venus-2-9B 的权重于 2026 年 8 月 26 日上线，同时发布了一份技术报告，arXiv 2609.00028。Molmo 方面最近发生变化的是工具链而非权重：原生 Transformers 支持于 2026 年 10 月 9 日合并，并于 10 月 15 日随 v5.20.0 发布；一个机器人微调版本 Molmo2-4B-tb 于 11 月 5 日出现。两者都不是发布，也都不会把 Molmo2-4B 变成 GUI 模型。

9B 的 UI-Venus 2 究竟是什么

这是一个闭环界面智能体。输入是一张截图，输出是一个经过推理的动作——点击这里、输入这个、滚动——循环持续进行，直到任务完成。训练分三个阶段、覆盖五个任务族（定位、CAPTCHA、移动端、网页和计算机），最后以多教师在线策略蒸馏收尾，将各领域专家融合为单一策略。环境覆盖范围是本次发布的核心：170 多个中英文移动应用、涵盖 19 个类别的 4,000 多个域名网页池，以及从零构建的桌面操作系统控制能力。

厂商自己公布的数据，全部来自模型卡及其技术报告：

• GUI 定位——ScreenSpot-Pro 73.0，VenusBench-GD 77.1，OSWorld-G-R 78.5，UI-Vision 53.2。

• 移动智能体——AndroidWorld 80.2，MobileWorld 在标准步数下为 65.8、在 100 步预算下为 75.2，MobileGym 52.7，VenusBench-Mobile 46.5，KnowUBench 56.5，MemGUI 62.6。

• 桌面端 — OSWorld-Verified 70.8，DeskCraft 48.0，OSWorld 2.0 在 150 步预算下、108 个任务中的二元准确率为 0.0，部分得分为 7.5。那个零值得仔细解读；它是严格的二元指标，并非笔误。

• 网页 — WebVoyager 90.8，Online-Mind2Web 74.0，REAL 76.9，Odysseys 平均 77.3，完美 62.0。

• 安全性——在 OSHarm 上的攻击成功率为 11.3%，在 OSBlind 上为 48.8%，而 Qwen3.5-9B 基座模型则分别为 25.3% 和 79.4%。

存在一项独立验证。2026年10月发布的PointerBench诊断基准测试中，UI-Venus-2-9B在Sheets上得分64.2、Text上得分25.8、Pro上得分73.6，平均分为54.5，并将其描述为最强的原生GUI定位专用模型，同时指出文本级定位是其最薄弱的环节。这是第三方在另一组不同任务组合上得出的结果，也是一个有益的修正：ScreenSpot-Pro的头条成绩并非全貌。

Molmo2-4B 究竟是什么

一个带点输出的通用视觉语言模型。4,850,869,200 个参数，一个基于 Qwen3-4B-Instruct-2507 的 SigLIP 2 so400m 视觉塔，36,864 个位置，19.42 GB 的 float32 权重，分布在四个分片中。它可处理图像、多张图像和视频，并返回按图像宽度和高度 0–1000 缩放的坐标，当输入为视频时还附带时间戳。其厂商在 15 项学术基准上的综合得分为 62.8。

它没有的是已公布的 GUI 数值。Molmo2-4B 既未出现在 UI-Venus 技术报告的表格中，也未出现在 PointerBench 评估中，其自己的模型卡上也没有 ScreenSpot-Pro 结果。Molmo 系列最接近的 GUI 数值属于另一个模型：MolmoPoint-GUI-8B，这是 2026 年 3 月 MolmoPoint 系列中一个 8B 的 GUI 专用微调模型，在 ScreenSpot-Pro 上报告为 61.1。将其作为 Molmo2-4B 的结果引用会犯范畴错误，而这是读者在比较这两者时最可能犯的错误。

重叠程度比名称所暗示的要小。

• 规模 — Molmo2-4B 为 4.85B 稠密模型，对比一个基于 Qwen3.5-9B 初始化的 9B 稠密模型。

• 输入 — Molmo2-4B 支持图像、多图像和视频；UI-Venus-2-9B 使用截图，循环执行，并将上一步操作反馈回来。

• 输出——Molmo2-4B 输出归一化坐标下的稀疏点；UI-Venus-2-9B 输出结构化动作，由测试框架解析后驱动设备。

• 优势——Molmo2-4B 具备自然图像与视频定位、计数与跟踪能力；UI-Venus-2-9B 可在高分辨率界面上进行元素定位与多步导航。

• 已发布的 GUI 定位结果——Molmo2-4B 无；UI-Venus-2-9B 在 ScreenSpot-Pro 上为 73.0。

• 许可证 — Molmo2-4B 的权重采用 Apache 2.0，但附带第三方数据方面的注意事项；UI-Venus-2-9B 的模型卡完全没有公布许可证字段，这是在进行任何商业化之前需要解决的缺口。

最后一行并非细节。一个由 {{1}}Qwen3.5-9B{{/1}} 衍生而来、模型卡上却没有许可证字段的 9B 模型，不是仅凭一份 README 就能让法律审查签字通过的。模型卡自身的元数据也帮不上忙：其 {{2}}Safetensors{{/2}} 徽章显示“1.47M params”，对于如此规模的检查点来说，这个参数量并不合理，看起来像是分片元数据造成的假象。在围绕它做规划之前，先就这两点向维护者求证。

如果你想要来自 Molmo 系列的 GUI grounding

诚实的路径并不是 Molmo2-4B。Ai2 自己的 GUI 工作属于 MolmoPoint 系列，其中 MolmoPoint-GUI-8B 在 ScreenSpot-Pro 上报告 61.1，而 UI-Venus-2-9B 为 73.0，至少这两个数字来自同一基准测试。即便如此，这一比较仍是跨测试框架的：不同的动作脚手架、不同的截图预处理，而且就 UI-Venus 而言，还有一个有文档记录的假设，即推理被禁用、温度设为零以进行直接点定位。在一个对测试框架选择如此敏感的基准上，12 个百分点的差距是一个信号，而不是定论。

Molmo2-4B 在智能体技术栈中真正擅长的是并非按钮的感知步骤。在摄像头画面中找出用户描述的物体、在视频中指向它、统计实例数量、随时间跟踪某个目标——这些正是该模型训练时针对的输出，而它们都不是 4K 截图上的 UI 元素。团队往往最终会同时运行两类模型：一个专攻界面，一个通晓场景。

与其说是建模问题，不如说是路由问题。这两个模型的输出契约不兼容，硬件配置也不同，而让它们通过跨两者的单一密钥运行——当一个端点性能下降时进行故障转移，且不在提供商标价上加价——就移除了技术栈中与视觉无关的部分。还值得直说：这两个模型都不在 OrcaRouter 目录中；两者都是你自己托管的权重，路由层位于它们周围，而不是它们之下。

简短版

如果任务是“操作这个应用”，那么 UI-Venus-2-9B 就是专家模型，而 Molmo2-4B 在该基准测试上毫无优势。如果任务是“指出这张照片或这段视频中的那个东西”，那么 UI-Venus-2-9B 毫无优势，而 Molmo2-4B 正是这一比较存在的理由。而如果你真正想要的是一个能低成本运行的小型 GUI 模型，那么正确的比较从来就不是这一组——而是 2B 的 UI-Venus-1.5-2B，与你能在它旁边放下的任何紧凑型通用模型相比。