LFM3-VL-2B مقابل WeVisOne-VL-4B: ما الذي تجلبه زيادة المعلمات بمقدار 2.5× فعليًا؟

جدول المعايير الخاص بشركة تينسنت نفسه يجادل ضد عملية الشراء البديهية. WeVisOne-VL-4B، وهو الأكبر بين نموذجي الإدراك اللذين نشرهما فريق WeChat Vision في 22 أكتوبر 2026، أسوأ في استخلاص ألفا الموجّه بالمربعات من نظيره 2B: متوسط فرق مطلق 7.3 على P3M-500-NP مقابل 6.6 لدى نسخة 2B، حيث الأقل أفضل. غير أن النموذج الذي سيقارنه به معظم المشترين فعليًا ليس نظيره، بل LFM3-VL-2B — نموذج الرؤية على الجهاز من Liquid AI بحجم 1.92B، الذي ظهرت أوزانه في 19 أكتوبر وأُعلن عنه مع بقية عائلة LFM3 في 27 أكتوبر.

ضع هذين النموذجين جنبًا إلى جنب، والسؤال المثير للاهتمام ليس أيهما أذكى. بل ماذا يشتريه لك ضِعفا المعاملات ونصفها، وما الذي تكلفه. الجواب القصير، من جداول البائعين أنفسهم: إنها تشتري كشفًا كثيفًا، ودقة إحالة، ومعدلًا أفضل بكثير للامتناع عن الإجابة عندما لا يكون الهدف موجودًا. وهي لا تشتري نموذجًا عامًّا، ولا تشتري فيديو، ولا تشتري نموذجًا يمكن وضعه على هاتف. كل ما ورد أدناه يأتي من الجدولين المنشورين مع إبقاء مواطن الالتحام ظاهرة — لم يُعِد أي إطار اختبار مستقل إنتاج أرقام أي من النموذجين.

ما هو كل واحد منها في الحقيقة

LFM3-VL-2B هو نموذج بمعاملات كثيفة يبلغ عددها 1.92 مليار: عمود فقري لغوي بـ1.73 مليار معامل، ومُرمِّز رؤية داخلي بـ164 مليون معامل، ومُسقِط بـ25 مليون معامل. العمود الفقري هو البنية الثلاثية الهجينة من Liquid — 24 طبقة مقسّمة إلى 13 طبقة التفاف قصير مُبوَّب، و5 طبقات انتباه بنافذة منزلقة بعرض 256 رمزًا، و6 طبقات انتباه عالمية. يستقبل النصوص والصور والفيديو بالدقة الأصلية، ويأخذ عينات من الفيديو بمعدل إطارين في الثانية، ويحتفظ بسياق من 128 ألف رمز، ويغطي 16 لغة، ويتضمن وضع تفكير اختياريًا يُنتج تمريرة استدلال قبل الإجابة. ومخرجه نص نثري.

WeVisOne-VL-4B مبني على عمود فقري Qwen3-VL ويحمل اسم 4B، رغم أن البيانات الوصفية على Hugging Face تقرّبه إلى 5B، وتضع كتابات طرف ثالث العدد الفعلي قرب 4.83B. وهو لا يجيب بالنثر بقدر ما يُصدر هندسة: صناديق ونقاطًا كرموز إحداثيات مُطبّعة من 0 إلى 1000، وعلامة OBJ (معرّف الرمز 152678) بعد كل صندوق متوقع، والسلسلة الحرفية None عند غياب الهدف. تتطلب الأقنعة وalpha mattes أثرًا ثانيًا هو mask_decoder.pt، وهو مفكّك بكسلات بمعاملات 9.6M يأخذ الحالة المخفية لكل رمز OBJ والصندوق المتوقع ويعيد alpha بالدقة الكاملة عند stride 1. وهو أحادي الدور وصوري فقط، ويولّد مخرجات منظمة مباشرة، دون سلسلة تفكير.

التباين في تمريرة واحدة:

• الحجم — LFM3-VL-2B كثيف بسعة 1.92B مقابل WeVisOne-VL-4B بنحو 4.83B، بالإضافة إلى مفكك ترميز بسعة 9.6M إلزامي للأقنعة

• المُدخل — نص وصورة وفيديو بمعدل 2 إطار في الثانية مقابل نص وصورة واحدة

• الإخراج — نص نثري وجولة تفكير مقابل رموز إحداثيات، أو صناديق، أو أقنعة، أو ماتات، أو None صريح

• السياق — 128K رمز مقابل عدم نشر حدّ للاستدلال على البطاقة؛ تصف الورقة التدريب عند 4,096 و8,192 رمزًا

• تغطية اللغات — 16 لغة مذكورة مقابل عدم ذكر أي منها

• الترخيص — LFM Open License v1.0، مجاني للاستخدام التجاري لمن تقل إيراداته السنوية عن 10 ملايين دولار مقابل Apache 2.0 للشيفرة التي أنشأتها Tencent

• وقت التشغيل — GGUF/llama.cpp، وMLX 4-bit، وONNX، وBF16 مقابل BF16 عبر Transformers أو vLLM أو SGLang

الترقية غير متكافئة، والورقة تُبيّن أين.

إنّ WeVisOne-VL-2B وWeVisOne-VL-4B هما المعمارية نفسها على مقياسين، دُرِّبا على مجموعة الصور نفسها البالغة نحو 100 مليون صورة عبر المنهج التدريبي نفسه المكوَّن من ثلاث مراحل، وقيّما على الجدول نفسه. وهذا يجعل مقارنة النموذجين الشقيقين أنظف دليل متاح بشأن ما تفعله المعاملات الإضافية — وهي لا تسير في اتجاه واحد.

حيث يفوز 4B بوضوح، وفقًا لأرقام Tencent:

• اكتشاف Dense200 — متوسط F1 71.3 مقابل 61.4، أكبر مكسب منفرد

• LVIS — 55.3 مقابل 53.3، تحسّن متواضع بمقدار نقطتين

• كشف الإحالة RefCOCOg — 81.8 في الاختبار مقابل 78.2

• تجزئة الإشارة في RefCOCO — 84.5 cIoU على testA مقابل 82.9

• ReasonSeg — 71.2 cIoU على val مقابل 60.9، قفزة بمقدار 10 نقاط في التجزئة الاستدلالية

• PointBench للإشارة — 71.9 مقابل 62.9

• WeRefMat لإخفاء الخلفية بالإحالة — 9.8 متوسط الفرق المطلق على تقسيم الإحالة مقابل 15.8، أي انخفاض في الخطأ بنسبة 38%

حيث لا يحدث ذلك:

• تبطين صندوق P3M-500-NP — 7.3 مقابل 6.6 لـ 2B، وهو أسوأ

• تغطية صندوق PPM-100 — 6.1 مقابل 5.3، أسوأ

• Ref-ZOM cIoU — 72.2 في الاختبار مقابل 73.4، و2B متقدّم مرة أخرى

النمط واضح للقراءة حتى لو لم يُنشر السبب: يتقدّم الطراز 4B في المهام الصعبة المشروطة باللغة — التجزئة بالإحالة، والتجزئة بالاستدلال، والماتينغ بالإحالة على مشاهد حقيقية — ولا يقدّم شيئًا إضافيًا في مجموعات الماتينغ الأسهل الموجّهة بصندوق، حيث يقترب كلا الطرازين بالفعل من السقف وقد يكون مفكّك الترميز 9.6M هو من يقوم بمعظم العمل. اثنان من ثلاثة معايير ماتينغ موجّهة بصندوق يسيران في الاتجاه الخاطئ. إذا كان ماتينغ ألفا على صندوق مُقدَّم هو مهمتك الوحيدة، فإن 4B ليس ترقية؛ بل طريقة أكثر تكلفة للحصول على الإجابة نفسها، وبشكل أسوأ قليلًا.

الكائنات الغائبة: أفضل، لكنها لم تُحل بعد

العمود الأكثر فائدة في الورقة هو العمود الذي لا تنشره تقريبًا أي بطاقة نموذج رؤية. RefCOCOg-Rej هو متغيّر تُعدَّل فيه كل عبارة بحيث لا يوجد كائن مطابق في الصورة. النموذج الذي لا يستطيع أن يقول "لا" سيختلق مربعًا، وكل عملية اقتطاع وعدّ وقناع لاحقة ترث هذا الاختلاق.

يرفض WeVisOne-VL-4B بشكل صحيح في 67.4% من الحالات، مقابل 50.2% للطراز 2B. هذا تحسّن حقيقي وكبير — مكسب بمقدار 17 نقطة يغيّر نمط فشل خط المعالجة من رمي عملة معدنية إلى احتمال اثنين من كل ثلاثة. ويعني ذلك أيضًا أن الطراز 4B لا يزال يُرجع مربعًا واثقًا في نحو استعلام واحد من كل ثلاثة استعلامات عن جسم غائب. وفي WeRef-Bench الداخلي الخاص بشركة Tencent، تُقرأ نسبة الرفض 96.4%، لكن هذا المعيار يتكوّن من 2,880 استعلامًا باللغتين الإنجليزية والصينية أنشأه المختبر بنفسه، لذا فهو يقيس توزيعًا أكثر ملاءمة من التوزيع العام. الخلاصة الصادقة هي أن النموذج لديه سلوك امتناع عن الإجابة قابل للاستخدام لكنه لم يحل المشكلة؛ وإذا كان تطبيقك لا يستطيع تحمّل منطقة مُهلوسة، فإن هذا يتطلب عتبة أو فحصًا ثانيًا إضافيًا، أيًا كان النموذج الذي تختاره.

الرقم الذي يبدو قابلاً للمقارنة وليس كذلك

من المُغري وضع ‎90.5‎ لمتوسط RefCOCO لدى LFM3-VL-2B بجانب ‎81.8‎ لـ RefCOCOg لدى WeVisOne-VL-4B والإعلان عن فوز النموذج الأصغر بفارق ‎8.7‎ نقطة. لا تفعل ذلك. فهذان تقسيمان مختلفان ومقياسان مختلفان: إذ تُبلِغ Liquid عن متوسط عبر عائلة RefCOCO، بينما تُبلِغ Tencent عن F1 لاختبار RefCOCOg في الكشف بالإشارة. وطرح أحدهما من الآخر يُنتج رقمًا بلا مرجع.

الفخ نفسه يكمن في التعرّف الضوئي على الحروف (OCR). يسجّل LFM3-VL-2B نتيجة 86.3 في OCRBench v1، وهو اختبار مركّب من التعرّف على النصوص واكتشافها والاستدلال عليها؛ ويسجّل WeVisOne-VL-4B متوسط F1 قدره 52.0 في TotalText، وهو معيار لتحديد مواقع النصوص في المشاهد. أحدهما اختبار واسع النطاق، والآخر مهمة تنبؤ كثيف. وهما ليسا المهارة نفسها مقيسة مرتين.

إذًا جدولا الموردين لا يتقاطعان عند رقم واحد قابل للمقارنة على أساس متماثل. وما يمكن مقارنته بأمانة هو القدرات والتكلفة، ولهذا فإن بقية هذه المقارنة تتعلق بالملاءمة لا بالترتيب. وأي شخص ينشر فائزًا من هذين الجدولين فإنه يختلق فائزًا.

الذاكرة هي الثمن الحقيقي

لا يوجد لأي من الطرازين سعر منشور لكل رمز في 28 أكتوبر 2026. تربط بطاقة Liquid الوصول إلى API وPlayground عبر وحدتها الطرفية، لكن لم تُنشر بطاقة أسعار لـ LFM3-VL-2B؛ ولا تغطي أدوات التتبع الخارجية التي تدرج أسعار نماذج Liquid النصية النموذج البصري. ولا تملك Tencent أي نقطة نهاية مستضافة على الإطلاق. لذا فالمقارنة هي مقارنة استضافة ذاتية، والفاتورة محسوبة بالذاكرة.

• LFM3-VL-2B — حوالي 3.84 غيغابايت بتنسيق BF16 بالحساب من عدد المعاملات، مع إصدارات 4-بت من MLX وGGUF وONNX منشورة إلى جانبه

• WeVisOne-VL-4B — نحو 9.7 GB عند BF16 وفق تقديرات طرف ثالث، وحوالي 19 GB عند F32، إضافةً إلى ملف mask_decoder.pt المطلوب.

فجوة 2.5× هذه ليست مجرد GPU أكبر. إنها فئة مختلفة من الأجهزة. بطاقة LFM3-VL-2B توضح صراحةً أن النموذج مبني للعمل على الجهاز — أسئلة عن الفيديو والمستندات والمخططات وشاشات التطبيقات، والعثور على الأشياء، والاستدلال المكاني للروبوتات — ونسختا MLX 4-bit وGGUF هما كيفية الوفاء بذلك الوعد: حاسوب محمول، وهاتف، وهيكل روبوت. مسارات WeVisOne-VL-4B الموثّقة هي Transformers وvLLM وSGLang بدقة BF16، مع عدم وجود نسخة مُكمَّمة رسمية ولا بيئة تشغيل على الجهاز. إنه يحتاج إلى GPU خادم.

يستحق دعم إطار العمل أن يُتحقق منه مقابل مسارك الخاص بدلًا من الجدول. الفيديو بمعدل 2 fps قدرةٌ في LFM3-VL-2B، لكن ما إذا كانت بيئة تشغيل معيّنة تقبل شبكة فيديو مسألة منفصلة، ولم تتفق بطاقة النموذج والمنافذ وطلبات السحب upstream دائمًا على ذلك. اختبر التوليفة الدقيقة التي تنوي شحنها.

لا يستضيف OrcaRouter أيًا من هذين الطرازين. وقد تم التحقق من ذلك مقابل الكتالوج في 28 أكتوبر 2026، وليس افتراضًا — لا يظهر أي من خط LFM3 من Liquid ولا WeVisOne من Tencent في قائمة الطرازات — لذا لا ينبغي تفسير أي شيء هنا على أنه مسار إلى أي منهما. أما ما يتضمنه كتالوج طرازات OrcaRouterفعليًا فهوQwen3-VL-8B، بنسختي instruct وthinking، وهو الخيار العملي إذا كان متطلبك الفعلي هو نموذج رؤية مستضاف بسعر منشور اليوم بدلًا من نقطة تفتيش مستضافة ذاتيًا. مفتاح واحد يصل إلى كل ذلك بسعر قائمة المزوّد دون أي هامش ربح، وإذا كنت تُجري نماذج أولية باستخدام نموذج مفتوح الأوزان لم يثبت بعد، فإن تشغيله عبر موجّه مزوّد بتجاوز الفشل يتفوق على ربط مسار إنتاجي بنقطة تفتيش لم تحصل بعد على تقييم مستقل.

أيّ واحد تختار

• اختر WeVisOne-VL-4B عندما يكون المُخرَج هندسيًا — أقنعة، وmatte ألفا، وصناديق كثيفة، وأعداد، وتأشير إلى نقاط — على الصور الثابتة، وعندما تكون الاستعلامات مشروطة باللغة لا موجّهة بصناديق، وعندما تتوفر لديك وحدة معالجة رسومية (GPU) احتياطية

• اختر WeVisOne-VL-2B بدلاً من 4B عندما تكون مهمتك هي عزل الخلفية الموجّه بالمربع في المشاهد العادية؛ وفقًا للأرقام المنشورة، فإن النموذج الأصغر أفضل في ذلك ويستهلك أقل من نصف الذاكرة

• اختر LFM3-VL-2B عندما يتضمّن الإدخال فيديو، أو عندما يكون المستند طويلًا، أو عندما تحتاج الإجابة إلى أن تكون جملة بدلًا من مضلّع، أو عندما لا يكون الجهاز خادمًا

• لا تختر أيًا منهما إذا كنت بحاجة هذا الأسبوع إلى نقطة نهاية مستضافة بسعر منشور لكل رمز — فلا يقدّم أي من المورّدين ذلك، ولا يمكن لأي قدر من اختبارات الأداء المعيارية أن يسدّ هذه الفجوة

• اختر كليهما فقط إذا كنت تقبل مخططَي إخراج ومساري تكامل؛ فنطاق المعاملات المشترك «نحو 2B إلى 5B» يخفي منتجين مختلفين.

ما الذي سيغيّر هذا؟

ثلاثة أشياء. أداة اختبار مستقلة تشغّل كلا النموذجين على الصور نفسها بالمطالبات نفسها — وإلى أن يتوفر ذلك، فكل ما سبق هو جدول من الجهة المورّدة قُرئ بعناية، وهو أفضل من جدول مورّد قُرئ بإهمال، لكنه ليس دليلًا على الجودة. نسخة مُكمَّمة من WeVisOne، أو بيئة تشغيل على الجهاز، وهو ما سينقل حجة الذاكرة من قاطعة إلى قابلة للنقاش. وسعر منشور لكل رمز من أيٍّ من الطرفين، وهو ما سيستبدل الحسابات المتعلقة بالغيغابايتات برقم يمكن للمرء أن يضع ميزانية على أساسه.

الأقل ترجيحًا بين الثلاثة هو الأمر الذي سيكون الأكثر أهمية لهذا الاقتران تحديدًا: دعم الفيديو في وحدة فك ترميز البكسل الخاصة بـ WeVisOne. في الوقت الحالي، يتعامل النموذج العام 2B مع الفيديو بينما لا تستطيع أداة 4B ذلك، ولا يوجد عدد معلمات يصلح نمطًا لم يُدرَّب قط.