Molmo2-4B 對上 UI-Venus-2-9B：其中一個名稱是尺寸，而那是錯的

這個模型叫 UI-Venus 2，參數規模為 9B。它不是 2.9B，也不是 2.9B 模型的 9B 版本。檔名中的字串是世代編號緊黏著參數量——inclusionAI/UI-Venus-2-9B——而且已經有夠多模型雷達資訊流與列表頁把它讀反了，以致現在拿它和 Molmo2-4B 相比，看起來像是兩個同量級的小模型。事實並非如此。UI-Venus-2-9B 是從 Qwen3.5-9B 初始化的 9B GUI 代理，大小約為 Molmo2-4B 的 4.85B 兩倍，而兩者做的工作完全不同。如果你真的想要該系列的小型 GUI 模型，那就是 UI-Venus-1.5-2B，2B 這個數字應該歸屬於它。兩個具有不同輸出契約的專用模型，是一個路由問題。不在供應商標價之上加價容錯移轉可處理其中一個剛好狀態不佳的情況。

這兩個模型都比這種說法所暗示的還要早推出。Molmo2-4B 由 Allen Institute for AI 於 2025 年 12 月 11 日宣布，權重則在 12 月 14 日上線。UI-Venus-2-9B 的權重於 2026 年 8 月 26 日上線，並同時發布技術報告 arXiv 2609.00028。Molmo 這邊最近改變的是工具鏈，而不是權重：原生 Transformers 支援於 2026 年 10 月 9 日合併，並隨 v5.20.0 於 10 月 15 日發布；機器人微調版本 Molmo2-4B-tb 則於 11 月 5 日出現。這兩者都不是正式發布，也都不會讓 Molmo2-4B 變成 GUI 模型。

9B 的 UI-Venus 2 實際上究竟是什麼

它是一個閉環介面代理。輸入是螢幕截圖；輸出是經推理的行動——點這裡、輸入這個、捲動——而這個迴路會持續到任務完成。訓練分為三個階段，涵蓋五類任務（基礎定位、CAPTCHA、行動裝置、網頁與電腦），最後以多教師同策略蒸餾收尾，將各領域專家整合進單一策略。環境覆蓋範圍是本次發布的重點：橫跨中英文的 170 多款行動應用程式、涵蓋 19 個類別且包含 4,000 多個網域的網頁池，以及從零打造的桌面作業系統控制。

廠商自家公布的數字，全部出自模型卡及其技術報告：

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

• 行動代理——標準步數下 AndroidWorld 80.2、MobileWorld 65.8，100 步預算下 75.2，MobileGym 52.7、VenusBench-Mobile 46.5、KnowUBench 56.5、MemGUI 62.6。

• 桌面 — OSWorld-Verified 70.8、DeskCraft 48.0，以及 OSWorld 2.0 在 150 步預算下、涵蓋 108 項任務，二元準確率為 0.0，部分分數為 7.5。那個零值得仔細解讀；它是嚴格的二元指標，不是筆誤。

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

• 安全性 — 在 OSHarm 上的攻擊成功率為 11.3%，在 OSBlind 上為 48.8%，相較於 Qwen3.5-9B 基礎模型的 25.3% 與 79.4%。

存在一項獨立驗證。於 2026 年 10 月發布的 PointerBench 診斷性基準測試中，UI-Venus-2-9B 在 Sheets 得分 64.2、Text 得分 25.8、Pro 得分 73.6，平均為 54.5，並將其描述為最強的原生 GUI 定位專門模型，同時指出文字層級定位是其最弱環節。這是不同任務組合下的第三方結果，也是有用的校正：ScreenSpot-Pro 的頭條成績並非全貌。

Molmo2-4B 究竟是什麼

具備點輸出功能的通用視覺語言模型。4,850,869,200 個參數，在 Qwen3-4B-Instruct-2507 之上搭載 SigLIP 2 so400m 視覺塔，36,864 個位置，分布於四個分片的 19.42 GB float32 權重。它能處理影像、多張影像與影片，並回傳按影像寬高縮放至 0–1000 的座標；當輸入為影片時，還會附上時間戳記。其廠商彙總分數在 15 項學術基準測試中為 62.8。

它沒有的是一項已公開的 GUI 數字。Molmo2-4B 並未出現在 UI-Venus 技術報告的表格中、PointerBench 評估中，或是在其自身卡片上附有 ScreenSpot-Pro 結果。Molmo 系列中最接近的 GUI 數字屬於另一個模型：MolmoPoint-GUI-8B，它是 2026 年 3 月 MolmoPoint 系列中專精 GUI 的 8B 微調模型，在 ScreenSpot-Pro 上回報 61.1。把那個數字當成 Molmo2-4B 的結果來引用會是範疇錯誤，而這也是讀者在比較這兩者時最可能犯的單一錯誤。

重疊程度比名稱所暗示的還要小。

• 規模 — Molmo2-4B 採用 4.85B 稠密模型，對比從 Qwen3.5-9B 初始化的 9B 稠密模型。

• 輸入 — 供 Molmo2-4B 使用的影像、多圖像與影片；供 UI-Venus-2-9B 使用的螢幕截圖，以迴圈方式進行，並將先前的動作回饋。

• 輸出 — Molmo2-4B 使用正規化座標中的稀疏點；UI-Venus-2-9B 使用結構化動作，該動作由測試框架解析後驅動裝置。

• 優勢 — 針對 Molmo2-4B 的自然影像與影片定位、計數與追蹤；針對 UI-Venus-2-9B 在高解析度介面上的元素定位與多步驟導航。

• 已發表的 GUI 定位 — Molmo2-4B 無；UI-Venus-2-9B 的 ScreenSpot-Pro 為 73.0。

• {{1}}授權{{/1}} — Molmo2-4B 的權重採用 Apache 2.0，但附帶第三方資料的注意事項；UI-Venus-2-9B 的模型卡完全未公布授權欄位，這是任何商業化之前都必須解決的缺口。

最後那一列不是細節。一份衍生自 Qwen3.5-9B 的 9B 模型，若其模型卡上沒有授權欄位，法律審查不可能只憑一份 README 就核可。模型卡自身的後設資料也幫不上忙：其 Safetensors 標章顯示「1.47M params」，這對如此大型的檢查點來說不是合理的規模，且看起來像是分片後設資料造成的假象。在你據此規劃之前，先向維護者詢問這兩件事。

如果你想要 Molmo 系列的 GUI 定位

真正誠實的選擇並不是 Molmo2-4B。Ai2 自家的 GUI 研究成果屬於 MolmoPoint 系列：MolmoPoint-GUI-8B 在 ScreenSpot-Pro 上回報 61.1，而 UI-Venus-2-9B 為 73.0，至少這兩個數字出自同一個基準測試。即便如此，這仍是跨測試框架的比較：不同的動作鷹架、不同的螢幕截圖前處理，而且就 UI-Venus 而言，還有一項有文件記載的假設——在進行直接點位定位時停用推理，並將溫度設為零。在一個對測試框架選擇如此敏感的基準測試上，12 分的差距是一項訊號，而非定論。

Molmo2-4B 在代理堆疊中真正擅長的是那個並非按鈕的感知步驟：在攝影機畫面中找出使用者描述的物件、在影片中指向它、計算實例數量、隨時間追蹤某個目標——這些都是模型受訓時要產出的結果，而它們都不是 4K 螢幕截圖上的 UI 元素。團隊往往最終會同時執行這兩類模型：一個專門處理介面，一個通才處理場景。

這與其說是建模問題，不如說是路由問題。這兩個模型的輸出契約不相容，硬體設定檔也不同，而把它們置於同時涵蓋兩者的單一金鑰之後——當某個端點效能下降時可容錯切換，且不收取高於供應商牌價的加價——就能移除堆疊中與視覺無關的部分。也值得直說：這兩個模型都不在 OrcaRouter 目錄中；兩者都是你自己託管的權重，而路由層是圍繞它們運作，而不是位於它們之下。

簡短版本

如果任務是「操作這個應用程式」，UI-Venus-2-9B 是專門處理這件事的模型，而 Molmo2-4B 在那個基準測試上毫無可發揮之處。如果任務是「指出這張照片或這段影片裡的東西」，UI-Venus-2-9B 毫無可發揮之處，而 Molmo2-4B 正是這個比較存在的理由。而如果你真正想要的是一個能低成本執行的小型 GUI 模型，正確的比較從來就不是這一組——而是 2B 的 UI-Venus-1.5-2B，對上任何你能放在它旁邊的輕巧通用型模型。