Molmo2-4B مقابل WeVisOne-VL-4B: النقاط والأقنعة والسؤال الذي لا يطرحه أحد أولاً

اطلب من كلا النموذجين العثور على الكلب وستحصل على إجابة من كل منهما. يُرجع Molmo2-4B إحداثيًا. ويُرجع WeVisOne-VL-4B مربعًا محيطًا، وإذا طلبت الـ matte، فقناة ألفا بالدقة الكاملة مع بقاء الفراء عليها. تلك ثلاثة منتجات مختلفة تحمل الكلمة نفسها — «grounding» — وأيّها تحتاج يحدد هذه المقارنة قبل وقت طويل من أي اختبار أداء. Molmo2-4B هو نموذج رؤية-لغة عامّ بحجم 4.85B من Allen Institute for AI بمخرَج نقطي ومسار فيديو حقيقي. WeVisOne-VL-4B هو نموذج إدراك بحجم 4.83B من فريق WeChat Vision في Tencent يوحّد الكشف، والتوطين بالإشارة، والعدّ، والتأشير، وOCR، والتجزئة بالإشارة، وتحديد قناة ألفا القابل للـ prompt خلف نقطة تفتيش واحدة بالإضافة إلى مفكك ترميز بكسلي بمعاملات 9.6M. نادرًا ما تتوقف مسارات الإدراك عند نموذج واحد. تسعير بهامش ربح 0% يُمرَّر سعر القائمة الخاص بالمزوّد دون تغيير، لذا يصبح تخفيض المورّد ساريًا في اليوم نفسه.

لا يُعدّ أيٌّ منهما جديدًا. أُعلن عن Molmo2-4B في 11 ديسمبر 2025، ونُشرت أوزانه في 14 ديسمبر. ظهر مستودع WeVisOne-VL-4B في 22 أكتوبر 2026 مرفقًا بورقة arXiv رقم 2610.31329. التغيير الأخير على جانب Molmo يتعلق بالبنية التحتية لا بالطراز: دُمج دعم Transformers الأصلي في 9 أكتوبر وصدر ضمن v5.20.0 في 15 أكتوبر، ونشرت Ai2 ضبطًا دقيقًا لـ Molmo2-4B في مجال الروبوتات في 5 نوفمبر. مفيد إن كنت تنتظر تشغيله دون شيفرة عن بُعد. ليس إصدارًا، وليس سببًا لوصف هذا بأنه إطلاق.

عقد المخرجات هو القرار بأكمله

• Molmo2-4B — نقطة، ضمن النطاق 0–1000 من عرض الصورة وارتفاعها، مُغلَّفة في وسم مصحوب بتعبير نمطي منشور؛ في وضع الفيديو تحمل كل نقطة طابعًا زمنيًا، وتُختزل الإشارة إلى الصور المتعددة إلى ثلاثيات من فهرس الإطار وx وy.

• WeVisOne-VL-4B — صندوق أو نقطة أو قناع أو مات ألفا، يُختار بواسطة وسيط المهمة؛ تُصدر المهام الكثيفة رمز مثيل بعد كل صندوق، ويحوّلها مفكك ترميز البكسل إلى أقنعة وماتات.

• الإشارة هي المُخرَج الوحيد الذي ينتجه كلا الطرفين، وهي المكان الوحيد الذي توجد فيه مقارنة عادلة.

• لا يمتلك Molmo2-4B رأس تجزئة ولا يمكنه إنتاج قناع مات. لا يمتلك WeVisOne-VL-4B مسار فيديو: فوثائقه الخاصة تذكر أن شبكات الفيديو يرفضها مفكك ترميز البكسل.

• Molmo2-4B قادر على التعامل مع جولة واحدة لكنه أصلي متعدد الصور؛ WeVisOne-VL-4B يستهدف إدراك الصور في جولة واحدة ويتخطى سلسلة التفكير صراحةً لتقليل زمن الاستجابة.

هذا الصف الرابع يحسم معظم الجدل. إذا كانت خطّتك البرمجية تحتاج قناة ألفا — تركيب الصور، اقتطاع المنتجات، استبدال الخلفية، أو أي شيء تهمّ فيه حافة الشعرة — فإن Molmo2-4B ليس مرشّحًا ولم يكن يومًا كذلك. وإذا كانت خطّتك تحتاج تتبّع جسم عبر 384 إطارًا من الفيديو، فلا يمكن لـ WeVisOne-VL-4B أن يدخل المقارنة. أما بقية هذا المقال فتتناول النطاق الضيق الذي يكون فيه كلاهما معقولًا.

كلاهما "4B" ولا أي منهما كذلك تمامًا

• المعاملات — يبلغ Molmo2-4B عدد 4,850,869,200؛ ويبلغ WeVisOne-VL-4B عدد 4,830,581,248. أي بفارق 0.4% بينهما، وهي المصادفة التي تجعل هذه المواجهة مثيرة للاهتمام.

• البنية — SigLIP 2 so400m مع Qwen3-4B-Instruct-2507 من أجل Molmo2-4B؛ عمود فقري Qwen3-VL مع وحدة فك ترميز أقنعة منفصلة بـ 9.6 مليون معامل من أجل WeVisOne-VL-4B.

• التنزيل — 19.42 غيغابايت من ملفات safetensors بصيغة float32 موزّعة على أربعة أجزاء لـ Molmo2-4B؛ ونحو 9.7 غيغابايت من أوزان bfloat16 بما في ذلك ملف mask_decoder.pt الإلزامي لـ WeVisOne-VL-4B.

• السياق — 36,864 موضعًا لـ Molmo2-4B؛ ميزانية 262,144 رمزًا ليست القيد التشغيلي لـ WeVisOne، الذي يقيّم بما يصل إلى 1,960 رمزًا بصريًا لكل صورة.

• الترخيص — Apache 2.0 لكليهما، مع إضافة بطاقة Molmo2-4B أن بيانات التدريب الخاصة به خاضعة للاستخدام البحثي الأكاديمي وغير التجاري فقط.

• بيئة التشغيل — Transformers مع شيفرة عن بُعد (أو مدمج منذ الإصدار v5.20.0) بالإضافة إلى molmo_utils وdecord2 من أجل Molmo2-4B؛ حزمة الاستدلال الخاصة بـ Tencent مع خلفية transformers أو vLLM من أجل WeVisOne-VL-4B.

صف التنزيل هو المفاجأة العملية. Molmo2-4B ضعف الحجم على القرص رغم أنه بالعدد نفسه من المعاملات، لأن AI2 نشرته بصيغة float32 ونشرته Tencent بصيغة bfloat16. تنزيل بحجم 19.42 GB تخفض دقته فورًا ليس الشيء نفسه كتنزيل بحجم 9.7 GB تخدمه كما هو مشحون، وواحد فقط منهما يتسع بارتياح إلى جانب مجموعة من النماذج الأخرى على جهاز واحد.

من أين تأتي الأرقام، وأين تتوقف

لا يمتلك أيٌّ من النموذجين لوحة نتائج مستقلة، لذا فكل ما يلي أدناه مُبلَّغ عنه من قِبل المورّد. وقد اختار المورّدان مجموعتين من معايير التقييم شبه منفصلتين، وهذا بالضبط هو سبب استمرار إجراء المقارنة على نحوٍ سيئ.

من التقرير الفني لـ WeVisOne-VL-4B: Dense200 71.3، LVIS 55.3، RefCOCOg test 81.8، ReasonSeg val cIoU 71.2، PointBench 71.9، Ref-ZOM test cIoU 72.2، TotalText F1 52.0. وفي الماتينغ، يبلغ MAD لـ P3M-500-NP الموجَّه بمربع 7.3، ويبلغ MAD لـ WeRefMat الموجَّه بنص 9.8 — والأقل أفضل، وكلاهما يتفوق على خطوط أساس SAM2-Matting التي تقارن بها الورقة.

Molmo2-4B، من بطاقته: متوسط 62.8 على 15 معيارًا أكاديميًا، خلف شقيقه 8B عند 63.1 وأمام Qwen3-VL-4B عند 58.1، وInternVL3.5-4B عند 53.4 وGLM-4.1V-9B عند 56.9، مع Gemini 3 Pro عند 70.0 وGPT-5 عند 70.6 في الجدول نفسه.

لا يوجد صف واحد مشترك بين تلك الصفوف. المعيار الوحيد الذي يظهر فيه الاثنان معًا في التقييم نفسه على الإطلاق هو العدّ، وحتى هناك تأتي الأرقام من أوراق مختلفة ببروتوكولات مختلفة.

الاكتشاف غير المريح داخل ورقة WeVisOne البحثية الخاصة بها

أكثر ما يمكن العمل بناءً عليه في جداول {{1}}WeVisOne{{/1}} ليس نتيجة {{2}}4B{{/2}}. بل إن {{3}}4B{{/3}} يخسر أحيانًا أمام شقيقه {{4}}2B{{/4}}.

• أفضل عند 4B — Dense200 ‏71.3 مقابل 61.4، وLVIS ‏55.3 مقابل 53.3، وRefCOCOg اختبار 81.8 مقابل 78.2، وReasonSeg تحقق cIoU ‏71.2 مقابل 60.9، وPointBench ‏71.9 مقابل 62.9، وWeRefMat MAD ‏9.8 مقابل 15.8.

• أسوأ عند 4B — P3M-500-NP box matting: MAD 7.3 مقابل 6.6، وPPM-100: 6.1 مقابل 5.3، وRef-ZOM في الاختبار: cIoU 72.2 مقابل 73.4.

اقرأ النقطة الثانية مرتين. في تنقية المشاهد العادية المعتمدة على المربعات، لا تجلب الـ2.8B الإضافية من نموذج اللغة أي شيء وتكلّف عُشر نقطة MAD، على الأرجح لأن فك التشفير الإلزامي البالغ 9.6M هو الذي يقوم بالعمل الكثيف، بينما نموذج اللغة يختار فقط ما يشير إليه. أما الـ4B فيستحق حجمه في المهام الصعبة المشروطة باللغة — التجزئة بالإشارة، والعد الكثيف، والكشف في المشاهد المزدحمة — بينما يمضي بسهولة أو يتراجع قليلًا في المهام السهلة.

إذن، "اختيار نسخة WeVisOne الأكبر" ليس خيارًا افتراضيًا آمنًا. سمِّ المهمة قبل أن تسمّي نقطة التحقق.

الإيجابيات الكاذبة، التي لا يقيسها أحد بمعايير مرجعية

يمكن سؤال كلا النموذجين عن شيء غير موجود. وسلوكهما المنشور يختلف اختلافًا حادًا، وهذا هو الصف الذي ينبغي أن يقلق أي شخص يبني حلقة تحقق.

يقدّم تقرير WeVisOne ثلاثة معدلات رفض تُدمَج عادةً في رقم واحد، ولا ينبغي أن تُدمَج: RefCOCOg-Rej 67.4، وWeRef-Bench Rej 96.4، وPR-Bench Rej 52.6. والفجوة بين 96.4 و52.6 هي جوهر القصة. ففي المعيار الداخلي، يرفض النموذج بشكل صحيح تقريبًا في كل مرة عندما يكون الكائن المطلوب غائبًا؛ أما في المجموعة العدائية العامة، فإنه يختلق إجابة في نحو نصف المرات.

لا ينشر Molmo2-4B أي معدل رفض على الإطلاق. تعرض بطاقته متوسطات على 15 معيارًا ولا شيء عن الامتناع عن الإجابة. إذا كان تطبيقك يعتمد على قول النموذج «غير موجود»، فهذه خاصية غير مقيسة على أحد طرفي هذه المقارنة، وهي تستحق مجموعة اختبار خاصة بك بدلًا من الاستشهاد بمعيار.

ما هو الغرض من كل واحد

خذ WeVisOne-VL-4B عندما يكون المُخرَج منطقةً أو بكسلًا: الكشف المفتوح المفردات، والتجزئة الإحالية، واستخراج القناع القابل للتوجيه بالمطالبة، والتموضع الكثيف للتعرف الضوئي على الحروف على صورة واحدة. وخُذ النظير 2B بدلًا منه عندما تكون المهمة استخراج قناع بالصندوق لمشهد سهل، لأن الورقة تقول إن 4B لا يحسّن الأداء هناك. ولا تأخذ أيًّا منهما إذا كان الفيديو ضمن النطاق، لأن وحدة فك ترميز البكسل ترفض شبكات الفيديو.

اختر Molmo2-4B عندما يكون المُخرَج موقعًا في تدفّق: أشر إلى الجسم، وتتبّعه عبر الإطارات، وعُدّ النُسخ عبر الزمن، واستدلّ على مجموعة من الصور. اختره عندما يكون الإحداثي مع طابع زمني هو الناتج المفيد، ويكون القناع مبالغًا فيه. احسب في ميزانيتك تنزيل float32 والتحويل.

ثمة نمط ثالث يظهر في بيئات الإنتاج أكثر من أي من الخيارين الصرفين: تشغيل كليهما، لأن المهام متكاملة لا متنافسة. تمريرة كشف على إطار ثابت وتمريرة تأشير على الفيديو الذي يليه هما استدعاءان بشكلين مختلفين للمخرجات، والربط بينهما هو الجزء المكلف. هذا الربط هو الغرض من طبقة التوجيه — لغة التوجيه DSL تجمع نماذج متعددة في استدعاء واحد، بحيث يكون التسليم بين نموذج فصل الخلفية ونموذج تأشير إعدادًا لا خدمة. لا يوجد WeVisOne-VL-4B ولا Molmo2-4B في كتالوج OrcaRouter؛ فكلاهما أوزان تستضيفها أنت، والتوصيف الأمين هو أن التوجيه يقع فوقهما.

الإجابة في سطر واحد

إذا كنت تحتاج إلى وحدات البكسل، فهذه ليست مقارنة — WeVisOne-VL-4B هو الوحيد الذي ينتجها، وعليك أن تتحقق مما إذا كان نظيره 2B يتفوق عليه في مهمة العزل (matting) الخاصة بك قبل أن تدفع مقابل 4B. وإذا كنت تحتاج إلى نقاط عبر الزمن، فهذه ليست مقارنة أيضًا — Molmo2-4B هو الوحيد الذي يمتلك مسارًا للفيديو. لا تصبح المواجهة حقيقية إلا عندما تكون المهمة «العثور على الجسم في هذه الصورة الثابتة»، وهناك يكون العامل الحاسم ليس الدقة بل الامتناع عن الإجابة: فقد نشر WeVisOne أرقام الرفض، بينما لا يملك Molmo2-4B أيًا منها.