UI-Venus-2-9B：螞蟻集團的 9B GUI 智慧體，無論文、無公告，成績接近 SOTA

UI-Venus-2-9B 於 2026 年 8 月 26 日上架 Hugging Face，卻少了通常隨模型發布而來的所有配套。沒有發布公告。沒有新聞稿。沒有技術報告——README 的 arXiv 徽章指向一個佔位 URL，引用區塊更帶有明確的TODO：待 UI-Venus-2 報告公開後更新 arXiv 識別碼。專案頁面連結同樣只是佔位符。截至撰寫本文時，該 repo 的下載數為零、讚數為一，而裡面的四個 safetensors 分片描述了一個通用型 GUI 代理——在其自己的模型卡上，它在 AndroidWorld 與 OSWorld-Verified 中擊敗 Q​wen3.6-27B，在 WebVoyager 中擊敗 Claude Opus 4.6，在 Online-Mind2Web 中擊敗 O​penAI Operator，並將 OSBlind 攻擊成功率從先前 GUI 代理常見的 90% 以上降至 18.5%。InclusionAI 的模型卡將該系列歸屬於螞蟻集團的 Venus Team，這使螞蟻集團低調加入了開放權重的 computer-use 競賽——而最低調的是，這些數字至今尚無任何獨立複現。

實際發佈的內容

這個 repo 名為 inclusionAI/UI-Venus-2-9B，標記為 image-text-to-text，帶有 qwen3_5 架構標籤。該模型有 9B 參數，由 Q​wen3.5-9B 初始化，以 Apache-2.0 授權釋出，並使用 BF16。它是一個基礎 GUI 代理：它觀察介面、推理任務狀態、執行動作，並將後續回饋納入下一個決策——一個封閉的觀察–推理–動作–回饋迴圈。根據模型卡說明，此模型訓練涵蓋行動應用程式、網頁平台與桌面作業系統，可在單一檢查點中實現。

• 參數 — 9B，由 Q​wen3.5-9B 初始化，BF16，四個分片。

• 授權 — Apache-2.0.

• 上下文 — 官方 vLLM 呼叫會設定 --max-model-len 262144（256K tokens），也就是代理在單一回合中可保留的螢幕截圖歷史量。

• 服務 — 一流的 vLLM 支援，提供與 O​penAI 相容的端點，以及一個--reasoning-parser qwen3旗標，表示模型會在採取動作前輸出推理 token，並以 Q​wen3 風格運作。

• Reach — 該卡宣稱其訓練涵蓋超過 170+ 個多語言行動應用程式（100+ 中文、70+ 英文）、50k+ 個即時網站，以及具備 50+ 個專業應用程式的原生桌面作業系統。

推理解析器的細節比表面上看起來更重要。會先思考再行動的 GUI Agent 並不新奇，但推出一個能接入標準 vLLM、具備 O​penAI 相容 API，並搭配原生 Q​wen 推理解析器的產品，代表部署上線的故事無聊得恰到好處——一條指令就能啟動，對一個昨天才誕生的模型來說，成熟得超乎尋常。

數字，以及它們不是什麼

以下內容均為廠商報告。模型卡發布了帶有強勁公開基準線的比較表，而對 UI-Venus-2-9B 而言，表現最佳的那一行是 AndroidWorld 80.2——高於 Q​wen3.6-27B 的 70.3、MAI-UI-8B 的 70.7 及 GUI-Owl-1.5-32B-Instruct 的 69.8。在 OSWorld-Verified 上，9B 取得 70.8，同樣領先 Q​wen3.6-27B 的 62.0，但落後於 Kimi K2.6 的 73.1。在網頁導航方面，卡片列出 WebVoyager 90.8，高於 Claude Opus 4.6 的 88.0 與 Seed-2.0 的 85.1；Online-Mind2Web 74.0 則對比 O​penAI Operator 的 61.3。

最引人注目的內部比較，是與模型自身基線的對比。在 DeskCraft 上，UI-Venus-2-9B 得分 48.0，而其初始化的來源 Q​wen3.5-9B 僅得 14.6——這 33.4 分的躍升正是該訓練配方的全部論據所在，且此結果在 CAPTCHA 上再度重演：MCA-Bench 為 75.7 對比基線的 30.4，NextGen-CAPTCHAs 為 47.6 對比 2.8。CAPTCHA 的數字本身就值得停下來細看，因為它們是最清楚的訊號，顯示該模型是為了運行於真實、險惡的生產環境網站而打造，而非乾淨的基準測試頁面。

• 行動裝置 — AndroidWorld 80.2、MobileWorld 65.8、VenusBench-Mobile 46.5。

• 電腦使用OSWorld-Verified 70.8、DeskCraft 48.0。

• Web — WebVoyager 90.8、Online-Mind2Web 74.0、REAL 76.9、Odysseys 77.3。

• GUI 定位 — 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。

• 安全性 — OSBlind 攻擊成功率為 18.5%，而在同一張卡片上，Claude 4.5 Sonnet 為 73.0，GPT-4o 為 93.3。

配方：五個任務族，三個階段

這張卡片所描述的訓練流程，正是基礎模型的差異之所以如此巨大的原因。UI-Venus-2 透過三個階段，在一個刻意設計為互補的五個任務家族——Grounding、CAPTCHA、Mobile、Web 與 Computer——上進行訓練。首先，在模擬的行動、網頁與作業系統環境上進行大規模、基於軌跡的多模態中期訓練，並透過人類與判別器協作驗證來過濾無效互動，同時加入程式化合成的 grounding 與 CAPTCHA 監督。其次，針對 Mobile、OS 與 Web 進行離線的逐步強化學習，最佳化狀態感知的動作選擇，並將已驗證的 CAPTCHA 與 grounding 實例嵌入逼真的介面中，以教導模型在視覺雜亂環境下進行精確定位。第三，透過多教師在策略蒸餾，將各領域專精的教師整合為單一統一策略。

驗證層是最具特色的部分。任務完成度是根據任務相關的視覺關鍵點來判斷，而非粗略的最終畫面外觀；多個模型投票表決以匯總異質評判者的意見——此設計旨在使強化學習的獎勵訊號對獎勵駭客行為具有穩健性。驗證後的回饋隨後以反思監督的形式蒸餾回訓練流程，使代理能夠區分部分進展與真正的完成，並在長時程互動中自我恢復。然而，這些內容均未經獨立驗證，卡片上也沒有提供任何可資參考的再現結果——這正是論文理應加以佐證的主張。

家族，以及螞蟻集團的關聯

UI-Venus-2-9B 是 inclusionAI 一直默默推出的第三代模型家族。原始 UI-Venus 技術報告於 2025 年 8 月發布，包含 7B 和 72B checkpoint；UI-Venus 1.5 隨後於 2026 年 2 月推出，包含 2B、8B 和 30B-A3B 變體。新模型卡上的引用區塊將功勞歸於「Venus Team, Ant Group」，這正是 inclusionAI 對其與螞蟻集團關係的自我表述——也就是螞蟻集團的 AI 實驗室以 inclusionAI 名義發布成果。該系列的根本理念是 GUI agent 應僅憑像素運作：透過截圖觀察螢幕，而非 DOM 樹、accessibility XML 或 UI dump，這正是它能適用於眾多不暴露結構化 UI 資料的中英文行動應用程式的原因。配套的 Venus Framework（來自該家族的 GitHub）驅動 Android 自動化，並支援並行多裝置控制。

我們還不知道的事

對這個 repo 的誠實解讀是，宣稱與證據之間的差距依然很大。目前沒有公開的 UI-Venus-2 技術報告——徽章只是占位符，README 也說明報告「尚未公開」——因此基準測試表格只是廠商自己的數字，沒有方法論文檔，也沒有獨立重跑。沒有實際運作的專案頁面。沒有正式公告，代表沒有官方定價、沒有託管 API，也沒有確認的路線圖。模型卡自己的表格一再列出一個 UI-Venus-2-27B——AndroidWorld 84.0、OSWorld-Verified 80.5、OSBlind 12.3——但截至撰寫本文時，Hugging Face 上並無此模型，因此這款系列旗艦被提及卻從未釋出。而且下載次數為零，實驗室以外還沒有人實際跑過這個 checkpoint。

你實際會如何執行它

在所有未知因素中，唯一具體的就是服務。此卡片記載了一條 vLLM 指令，能以 256K 上下文視窗啟動模型，並提供與 OpenAI 相容的 API：

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

這使得實際可行的路徑就是自架——下載權重、執行 vLLM，然後把代理程式框架指向 localhost。這正是路由層在周邊技術棧上發揮價值、而非在 GUI 代理程式本身發揮價值的情況：撰寫任務計畫的模型、複核畫面狀態的視覺模型、記錄操作歷程的轉錄模型——它們全都架在 OrcaRouter 上，以供應商牌價計費、零加成，並具備自動容錯移轉。如此一來，你可以針對一天前釋出的模型進行原型測試，而不必把生產管線押注在它上面。等到這類 GUI 代理程式檢查點被某個路由供應商收錄時，它會以供應商牌價出現、套用同樣的轉嫁模式，供應商降價的當天也會同步反映在我們這邊。在那之前，Apache-2.0 權重就是全部。

接下來要看什麼

三件事將決定這艘安靜的船是否會成為新聞。卡片表格中所列的 UI-Venus-2-27B 是否真的會出現在 Hugging Face 上，以及它是否會帶著 12.3 的 OSBlind 分數現身。技術報告是否會發布，並經得起首次獨立重現的檢驗。以及螞蟻集團是否會決定安靜期已經結束——因為一個擁有這些表格數據和 256K 上下文的 9B 開源權重智能體，不可能長時間維持在零下載的狀態。