LFM3-VL-2B مقابل WeVisOne-VL-2B: بفارق ثلاثة أيام، رهانات متعاكسة

LFM3-VL-2B ظهر على Hugging Face في 19 أكتوبر 2026. WeVisOne-VL-2B ظهر في 22 أكتوبر. نموذجان، كلاهما بنحو ملياري بارامتر، وكلاهما مفتوحا الأوزان، وكلاهما من مختبرات معروفة، نُشرا خلال 72 ساعة من بعضهما البعض. كنت ستتوقع أن يكونا بديلين شبه متطابقين. لكنهما أقرب إلى رهانين متعاكسين على ما تعنيه «الرؤية»: أحدهما يجيب عن أسئلة حول ما يراه، والآخر يعيد الشكل الدقيق لما يراه.

من السهل تفويت هذا التمييز في ورقة المواصفات، لأن كلتا البطاقتين تسردان المربعات وكلتاهما تسردان OCR. الفرق يكمن في تنسيق الإخراج وهدف التدريب، وهو ما يحدد إن كان بإمكانك إدخال أي من النموذجين في خط معالجة دون طبقة تحليل. كما يحدد أيًّا منهما لديه سبب للوجود بعد أن تصبح النماذج عامة الأغراض أفضل.

تعريفان للرؤية

LFM3-VL-2B هو النموذج العام من Liquid AI. يستقبل النصوص والصور والفيديو بمعدل 2 إطار/ثانية، ويُخرج النصوص، ويدعم التفكير خطوة بخطوة، ويحمل سياقًا بسعة 128K ويغطي 16 لغة. البنية عبارة عن نموذج كثيف بحجم 1.92B — عمود فقري لغوي بحجم 1.73B، ومشفّر رؤية داخلي بحجم 164M، ومُسقِط بحجم 25M — مع إصدارات منشورة بصيغ BF16 وGGUF وMLX 4-bit وONNX. ويصوّر منشور عائلة Liquid هذا النموذج بوصفه نموذجًا يمكنه "المراقبة والاستدلال وفهم العالم المادي"، ومسار الفيديو جديد فعليًا بالنسبة للعائلة.

WeVisOne-VL-2B هو نموذج WeChat Vision من Tencent. وهو مبني على عمود فقري Qwen3-VL بنحو 2.4 مليار معامل بموجب Apache 2.0، وهدفه الإدراك الموحّد: الكشف بمفردات مفتوحة، والتوطين الإشاري، والعد، والتأشير، وتوطين OCR، والتجزئة الإشارية، وmatting ألفا القابل للإيعاز. ويعيد إحداثيات مطبّعة عبر رموز مخصصة، إضافةً إلى أقنعة عبر مفكك تشفير بكسلي منفصل بـ9.6 مليون معامل يجب تحميله إلى جانب نموذج اللغة.

أحد النموذجين قارئ، والآخر أداة قياس. التقاطع في جداول القياس المرجعي لديهما حقيقي، لكنه تقاطع بين منتجين مختلفين يقيسان المشهد نفسه.

صيغة الإخراج هي المنتج

يقوم WeVisOne-VL-2B بترميز الإحداثيات كرموز من <0> إلى <1000>، ويضع علامة <OBJ> على كل عنصر، ويعيد None عندما يكون الهدف المطلوب غائبًا. هذا التفصيل الأخير هو ما يلاحظه الممارسون: تُبلّغ البطاقة عن معدل رفض قدره 50.2 على RefCOCOg، مقابل نحو 0.5 لدى Rex-Omni وLocateAnything. إنه مُدرَّب على قول «ليس هنا» بدلًا من اختلاق صندوق.

مُفكِّك البكسل ليس اختياريًا. تتطلب التجزئة واستخراج قناع ألفا وجود mask_decoder.pt، وهي وحدة ذات 9.6M معامل يُفعّلها رمز الكائن. إذا حمّلت النموذج اللغوي فقط، فستحصل على الإحداثيات لا الأقنعة. يتضمن مستودع GitHub حزمة الاستدلال التي تربط الاثنين معًا، والنموذج أحادي الدور ومخصّص للصور فقط بحكم التصميم — إذ يرفض مُفكِّك البكسل شبكات الفيديو.

لا يملك LFM3-VL-2B عقدًا مكافئًا. فسيصف منطقة، أو يعدّ كائنات، أو يستدل على مشهد بنثر، ويشير صف التأريض الخاص به (RefCOCO-avg 90.5) إلى أنه كفء في التوطين. لكن المخرجات نصية. وبالنسبة لخط أنابيب يحتاج إلى قناع، فإن الفرق بين 90.5 ومضلع قابل للتحليل هو الفرق بين عرض تجريبي ومنتج.

أرقام أساسية لا يمكنك طرحها

تُبلغ كلتا البطاقتين عن نتائج من عائلة RefCOCO، لكنهما لا تمثلان القياس نفسه. تُبلغ LFM3-VL-2B عن RefCOCO-avg بقيمة 90.5، وهو متوسط تقسيمات تعبيرات الإحالة. أما WeVisOne-VL-2B فتُبلغ عن RefCOCOg بمتوسط F1 قدره 77.1 لكشف الإحالة، وعن RefCOCO testA بقيمة cIoU قدرها 82.9 لتجزئة الإحالة. وRefCOCOg تقسيم مختلف بتعبيرات أطول وأكثر حوارية؛ كما أن cIoU مقياس مختلف عن F1.

طرح 77.1 من 90.5 ينتج رقمًا لا يعني شيئًا. القراءة الصادقة هي أن كلا النموذجين قويان في توطين الإحالة على أدوات التقييم الخاصة بهما، وأن أيًا من الأداتين لم يُعَد إنتاجهما بشكل مستقل، وأن تعريفات المقياس تختلف بما يكفي بحيث يظل الترتيب غير محسوم. ينطبق التحوط ذاته على OCR: إذ يبلّغ LFM3-VL-2B عن OCRBench v1 بنتيجة 86.3، بينما يبلّغ WeVisOne-VL-2B عن OCR HierText بنتيجة 30.5، وهو معيار تقييم مختلف على مجموعة بيانات أصعب.

حيث تكون المقارنة واضحة، فإنها تصب في مصلحة المتخصص في مجاله: يُبلِغ WeVisOne-VL-2B عن F1 للكشف على COCO قدره 55.2، وLVIS 53.3، وDense200 61.4، مقابل نموذج لا ينشر قيمة F1 للكشف على الإطلاق. هذا ليس فوزًا تلقائيًا. إنه تذكير بأن النموذج العام لم يُدرَّب ليُقيَّم بهذه الطريقة.

الملمس المطفي هو الخندق

استخراج قناة ألفا القابل للتوجيه هو ميزة لا يقدمها LFM3-VL-2B ولا معظم الطرازات في فئته الحجمية. ويُبلغ WeVisOne-VL-2B عن متوسط فرق مطلق قدره 6.6 على P3M-500-NP بالنسبة لأقنعة ألفا ناعمة الحواف — أي الحدود شبه الشفافة حول الشعر والزجاج والفراء التي يحوّلها قناع تجزئة ثنائي إلى قطع حاد. البطاقة صريحة بشأن القيود: تتدهور حدود ألفا الدقيقة في ظل الانسداد والدقة المنخفضة والشفافية. لكن بالنسبة لقصاصات المنتجات والتركيب واستبدال الخلفية، فإن قناع ألفا هو الناتج الذي تحتاجه خط المعالجة فعليًا.

هذا أقوى حجة لوجود النموذج. يمكن لنموذج عام بحجم 2B وصف صورة، لكنه لا يستطيع منحك قناة ألفا ناعمة. بنت Tencent نموذجًا صغيرًا حول مفكك ترميز بكسل لأن الحصول على ذلك الناتج مكلف من نموذج عام كبير، ويوجد النموذج الشقيق 4B للفرق التي تحتاج إلى دقة أكبر في المهمة نفسها.

الفيديو والتفكير هما الخندق الآخر

عامل التميّز لدى LFM3-VL-2B يسير في الاتجاه المعاكس. فهو يقبل الفيديو بمعدل 2 إطارًا في الثانية ويُبلّغ عن Video-MME 62.8 دون ترجمة، وMVBench 69.4 وMMMB 85.2. أما WeVisOne-VL-2B فهو أحادي الدور وصوري فقط؛ إذ يرفض مفكّك ترميز البكسل الخاص به شبكات الفيديو. وإذا كان مدخلك مقطعًا، فقد انتهت المقارنة قبل أن يبدأ جدول المعايير.

يضيف وضع التفكير فجوة ثانية. يسجّل LFM3-VL-2B نتيجة 84.2 في MathVista مع التفكير مقابل 68.5 بدونه، و55.7 في MMMU مقابل 48.6. ولا يمتلك WeVisOne-VL-2B سلسلة تفكير بحكم التصميم، من أجل الكفاءة. هذا خيار هندسي مشروع لمكوّن إدراك، وحدّ صارم لنموذج تريد أن يستدل بشأن مخطط.

الذاكرة والترخيص وثمن الدخول

• المعاملات — LFM3-VL-2B كثيف بحجم 1.92B مقابل WeVisOne-VL-2B بحجم يقارب 2.4B، بالإضافة إلى مفكك ترميز بكسل بحجم 9.6M.

• الذاكرة — نحو 3.84 غيغابايت BF16 بحسب الحساب لـ LFM3-VL-2B، مع نسخة MLX بدقة 4 بت؛ ونحو 9.1 غيغابايت من الأوزان بصيغة F32، وتقدير بنحو 4.9 غيغابايت بصيغة BF16 لـ WeVisOne-VL-2B، وفقًا لملاحظات نشر من طرف ثالث وليس وفقًا لبطاقة المنتج.

• المدخلات — نص وصورة وفيديو بمعدل إطارين في الثانية مقابل صورة ونص فقط، دور واحد.

• الإخراج — نثر، مع إمكانية تضمين استدلال مقابل النص، وإحداثيات مُطبّعة، وأقنعة وطبقات ألفا.

• السياق — 128K مقابل عدم ذكره كنافذة على مقياس المستند؛ فمُفكِّك البكسل هو القيد.

• الترخيص — LFM Open License v1.0، الاستخدام التجاري عندما تكون الإيرادات السنوية أقل من 10 ملايين دولار مقابل Apache 2.0 بأي حجم.

• نُشر — المستودع 19 أكتوبر 2026، إعلان الأسرة 27 أكتوبر مقابل المستودع 22 أكتوبر 2026.

صف الترخيص هو عكس القصة المعتادة. نموذج Tencent هو ذو الترخيص المتساهل؛ أما نموذج Liquid فهو الذي له سقف إيرادات. وبالنسبة لشركة تبني منتج إدراك تجاري، فإن Apache 2.0 يزيل بندًا من بنود العناية الواجبة ينشئه ترخيص LFM. وهذا لا يجعل النماذج قابلة للتبادل، لكنه يعني أن النموذج الأصغر والأكثر عمومية يحمل القيد القانوني الأكبر.

لا يوجد لأي من النموذجين سعر للخدمة المستضافة.

تنشر كلتا البطاقتين الأوزان، ولا تنشر أيٌّ منهما سعرًا لكل رمز عبر واجهة API. لا تُدرج Hugging Face أي مزوّد استدلال لـ LFM3-VL-2B؛ وبالمثل، لا تحتوي بطاقة WeVisOne-VL-2B على نقطة نهاية مستضافة، رغم وجود منافذ مجتمعية لـ LiteRT وCore AI وGGUF وAndroid. هذا هو الشكل الحالي لطبقة الرؤية بفئة 2B: الأوزان مجانية، والاستضافة مسؤوليتك، والتكلفة الحقيقية هي وحدة معالجة الرسومات وعمل الدمج.

إذا كنت تفضّل استئجار تلك الفئة بدلاً من امتلاكها، فإن OrcaRouter يوجّه نماذج الرؤية المستضافة — ومنها Qwen3-VL-8B — عبر API واحد بسعر قائمة المزوّد نفسه وبهامش ربح 0%، مع دمج النماذج إذا أردت أن يجيب نموذج إدراك ونموذج استدلال كفريق واحد. نحن لا نقدّم أيًا من نقطتي الحفظ في هذه المقارنة، ولا شيء هنا يعني أننا نفعل ذلك. النقطة ذات الصلة هي أن استئجار نموذج مستضاف أكبر قليلاً يمثّل خيارًا ثالثًا مشروعًا عندما لا يأتي أي من النموذجين مفتوحَي الأوزان مزوّدًا بنقطة نهاية.

كيفية الاختيار

• اختر WeVisOne-VL-2B إذا كان الناتج هندسيًا: صناديق، أو أقنعة، أو أقنعة ألفا، أو أعداد، أو إشارة «غير موجود». اختره إذا كان Apache 2.0 غير قابل للتفاوض، أو إذا كنت تبني مسارًا لاستخراج القصاصات أو التركيب أو إدراك الروبوتات.

• اختر LFM3-VL-2B إذا كان الإدخال يتضمن فيديو، أو إذا كنت بحاجة إلى استدلال عبر مخطط أو استمارة، أو إذا كنت تريد نموذجًا صغيرًا واحدًا للإجابة عن أسئلة عامة بدلًا من قياس الأشكال.

• خذ كليهما فقط إذا كنت مستعدًا لتشغيل مسارَي معالجة. فهما يتشاركان فئة معاملات ولا يكادان يتشاركان أي شيء آخر، وتكلفة دمج التظاهر بخلاف ذلك أعلى من تكلفة النموذج الثاني.

الفارق الزمني البالغ ثلاثة أيام بين مستودعيهما مصادفة. أما التباعد في ما يُعيدانه فليس مصادفة. نظر مختبران إلى الميزانية نفسها البالغة 2B وأنفقاها على مُخرجات مختلفة، والسؤال الصحيح ليس أيّهما أفضل — بل أيّ مُخرج يمكن لخطوة خط الأنابيب التالية لديك أن تستهلكه فعلاً.