SingVL_S1_4B مقابل WeVisOne VL 4B: الإصدار الهادئ ضد الإصدار المكتمل

نشر فريق WeChat Vision التابع لـ Tencent الورقة البحثية والأوزان وحزمة الاستدلال والعرض التجريبي في أكتوبر 2026 بموجب Apache 2.0. هكذا يبدو إصدار مكتمل. رفعت inclusionAI شاردتين من safetensors في 11 نوفمبر 2026، دون إعلان ولا ورقة بحثية ولا ترخيص ولا نقطة نهاية مستضافة، واكتفت بذلك. WeVisOne VL 4B وSingVL_S1_4B يبلغ كلاهما نحو أربعة مليارات ونصف إلى خمسة مليارات من المعاملات، وكلاهما مبني على البنى الأساسية البصرية لـ Qwen، وكلاهما يهتم باستخراج شيء أدق من فقرة من صورة — وهما يقومان بنصفين متعاكسين من هذه المهمة. أحدهما يرسم أقنعة فوق البكسلات. والآخر يعيد احتمالًا بشأن الإجابات التي خطر لك أن تعرضها عليه. ولا تدور المقارنة بينهما حول أيهما أفضل بقدر ما تدور حول قيمة إصدار ما قبل أن يكتمل.

القدرتان، مصوغتان بلا زخرفة.

WeVisOne-VL-4B — الاسم اختصار لـ WeChat Vision All-in-One — يوحّد الإدراك على مستوى الأجسام والإدراك على مستوى البكسل في نموذج واحد. وعلى نحو ملموس، فإنه ينفّذ كشف الأجسام بمفردات مفتوحة، وتحديد موضع تعبيرات الإحالة، وعدّ الأجسام، والإشارة، وتحديد مواقع OCR، وتجزئة تعبيرات الإحالة، وalpha matting القابل للتوجيه بالمطالبات، وهي مهمة إنتاج قناع ناعم متصل حول شيء مثل الشعر أو فرع رفيع حيث تبدو الحدود الصلبة غير صحيحة. تتمثل الآلية في تنبؤ منظم بالرمز التالي عبر رموز إحداثيات مخصصة، إضافةً إلى مفكك ترميز بكسلي بمعاملات 9.6 مليون يُشحن مع نقطة التحقق باسم mask_decoder.pt. ويعيد None عندما يكون الهدف المطلوب غائبًا، وقد يبدو ذلك بديهيًا، لكنه السلوك الأكثر فائدة على الإطلاق في الإرساء الإنتاجي.

SingVL_S1_4B هو نموذج قرار. يستقبل حالة — نصًا، وJSON، وما يصل إلى أربع صور — وقاموسًا من أسئلة مسمّاة، لكل منها نوع معلن وإجابات مرشحة. تُرجع Choice احتمالًا لكل خيار، ويُرجع noul احتمال صحة عبارة نعم/لا، ويُرجع score احتمالًا لكل مستوى عبر مستويين إلى عشرة مستويات مرتبة والمستوى المتوقع. تمريرة أمامية واحدة، بلا توليد، بلا إحداثيات. يتضمن المستودع خادم FastAPI على المنفذ 8173 يستجيب على /v1/systemone، وبطاقة النموذج مكتوبة بالكامل بمفردات ذلك البروتوكول.

إذن فالفصل واضح. يخبرك WeVisOne أين يوجد الشيء وما شكله. ويخبرك SingVL_S1_4B بمدى احتمال أن يكون الشيء هو ما تشتبه فيه. إن خط المعالجة الذي يحتاج إلى اقتطاع شخص من صورة فوتوغرافية لا فائدة له من احتمال موزّع على ثلاثة خيارات، وخط المعالجة الذي يحتاج إلى معرفة ما إذا كانت صورة تتجاوز عتبة سياسة ما لا فائدة له من قناع.

ما الذي وضعته النسخة المصقولة على بطاقتها الخاصة

يقارن الجدول الرئيسي لـ WeVisOne-VL-4B به بأقوى خط أساس مفتوح في كل معيار، مستمدةً من Qwen3-VL وQ​wen3.5 حتى 9B، وRex-Omni، وLocateAnything، ونماذج التجزئة والعزل المخصصة للمهام. الصفوف التي تحمل لبّ الحجة:

• اكتشاف LVIS — متوسط F1 55.3 مقابل خط أساس 50.7.

• Dense200 للكشف الكثيف — 71.3 مقابل 58.7.

• اختبار الإشارة المرجعية RefCOCOg — متوسط F1 ‏81.8 مقابل 77.6.

• معدل الرفض في WeRef-Bench — 96.4 مقابل 73.0، وهو الصف الأكثر أهمية للاستناد في بيئة الإنتاج.

• دقة العد في PixMo-Count — 89.6 مقابل 82.8.

• TotalText OCR — متوسط F1 52.0 مقابل 43.3.

• ReasonSeg — تجزئة الإحالة — gIoU 71.2 مقابل 65.0.

• تبطين صندوق P3M-500-NP — 7.3 درهم مقابل 15.4، والأقل أفضل.

• إزالة خلفية النص في WeRefMat — MAD ‏9.8 مقابل 22.4.

هذه أرقام المورّد على خط تقييم المورّد، شُغّلت بفك ترميز جشع بما لا يزيد عن 1,960 رمزًا بصريًا لكل صورة، مقابل خطوط أساس اختارها المورّد. القراءة الأمينة هي أنها تثبت أن النموذج يعمل، وتحدد تقريبًا موقعه مقابل أقوى بديل مفتوح في كل مهمة — لا أن الفجوات دقيقة. صف معدل الرفض هو الأكثر موثوقية من حيث الجوهر، لأن 96.4 مقابل 73.0 فرق كبير بما يكفي بحيث يصعب أن تفسره تفاصيل إطار الاختبار، ورفض الأهداف الغائبة هو نمط الفشل الذي يفسد أنظمة الإسناد في الإنتاج.

توجد أيضًا نسخة 2B لها عمودها الخاص، وهو أمر مفيد: 78.2 في اختبار RefCOCOg، و50.2 في الرفض، و62.9 في صف الكشف الكثيف. نشر البائع أرقام النموذج الأصغر الأضعف إلى جانب أرقام النموذج الأكبر الأقوى، وهو نوع من الإفصاح يوحي بأن الجدول لم يُجمّع لمنشور إطلاق.

ما الذي وضعه الإصدار الهادئ على بطاقته الخاصة

تنشر SingVL_S1_4B جدول «Public Decision Index 0.3»: 69.76 في النص، و73.94 في الرؤية، مقابل TypeSafe Jev 1.14 عند 60.70 في النص، وStartLux-Decision v1.1 4B عند 67.8 و67.90، وPerplexity Decider Flash v1.2 عند 60.1 و72.5. ويمتد التفصيل الكامن وراء الإجمالي البصري من InfographicVQA عند 96.31 وWinoground عند 93.12 نزولاً إلى MMMU-Pro vision عند 50.17 وR-Bench-M عند 49.77.

تلك الأرقام فيها ثلاث مشكلات لا تعاني منها أرقام {{1}}WeVisOne's{{/1}}. فهي مضى عليها يومان. وهي مدرجة على لوحة صدارةٍ عدة التقييم فيها علنية لكن نصفها الخاص ليس علنيًا، وقد أنتجها مختبر لم يقدّم أي تشغيل إلى عدة إعادة الإنتاج العامة — مع أن البطاقة تتضمن تعليمات لتقديم تشغيل واحد. ولا يحمل المستودع أي ترخيص، ما يعني أن الأرقام ليست القيد الملزم أمام التبنّي؛ بل الوثائق هي.

ما تؤكده البطاقة بما لا يقبل الجدال هو الواجهة: احتمال لكل سؤال ولكل خيار من تمريرة أمامية واحدة، مع شحن تفاصيل البروتوكول الداخلية كتجزئات SHA-256 في config.json بحيث يمكن التحقق من تشغيل ما مقابل الشيفرة التي أنتجته. هذا قرار هندسي حقيقي وهو أكثر شيء يستحق الثقة في الإصدار.

لوحة النتائج الصادقة بها صف مشترك واحد، وهو فارغ

لا يوجد أي اختبار معياري مشترك بين هذين النموذجين. يقيس WeVisOne مقياس F1 عند عتبات IoU، وgIoU، ومتوسط الفرق المطلق على الأقنعة. ويقيس SingVL_S1_4B الدقة المصححة بالصدفة عبر مجموعات الخيارات. لا يوجد صف أُجري فيه القياس نفسه على كليهما، وبناء صف كهذا سيتطلب تشغيل كليهما على البيانات نفسها — وهو ما لم يفعله أحد، لأن عمر إحدى نقاط التحقق يومان.

ما يمكن مقارنته هو شكل الأدلة. يتضمن إصدار WeVisOne تقريرًا تقنيًا على arXiv، وصفحة مشروع، ومستودع GitHub مزوّدًا بخط أنابيب تقييم، ودليلًا تطبيقيًا، ومساحتَي عرض تجريبي، وتعليمات إعادة إنتاج يمكن لطرف ثالث اتباعها. أما إصدار SingVL_S1_4B فيتضمن بطاقة نموذج ومجلد استدلال. أحد هذين يتيح لشخص غريب التحقق من الادعاءات؛ والآخر يطلب من الغريب أن يثق بها.

الترخيص، الذي يحدد أكثر مما يحدده أي من المعيارين

يخضع WeVisOne-VL-4B لترخيص Apache 2.0. ويغطي ذلك الشيفرة والأوزان التي أنشأتها Tencent، مع احتفاظ المكوّنات التابعة لجهات خارجية بشروطها الخاصة، ولهذا السبب توجد بالفعل نسخ GGUF مكمّمة، وعقدة ComfyUI، وبناء GGUF لـ Rockchip NPU، وحزمة تكامل باللغة الصينية تتداول خلال أسبوعين من الإصدار. يُسمح بإعادة التوزيع، لذا حدثت إعادة التوزيع.

لا يعلن SingVL_S1_4B عن أي ترخيص في بياناته الوصفية، ولا يرفق ملف LICENSE. وقد استخدمت inclusionAI تراخيص صريحة في إصداراتها الأخرى — ترخيص Apache 2.0 على LemonDecider، وترخيص Q​wen المجتمعي على نماذج SingProbe — لذا تبدو هذه الفجوة كأنها عملية رفع غير مكتملة. لكن كون الأمر «يبدو سهوًا» ليس ترخيصًا، ولا يمكن لمراجعة الامتثال أن توافق على نموذج على أساس أن ناشره ربما قصد أن يكون متساهلًا.

بالنسبة لأي شخص تكون إجابته عن «هل يمكننا إطلاق هذا؟» مهمة، تنتهي المقارنة هنا. يمكن إطلاق WeVisOne؛ أما SingVL_S1_4B فلا يمكن إطلاقه بعد. وكل ما عدا ذلك هو نقاش حول القدرات بين نموذجين، حيث يتوفر واحد فقط منهما حالياً لكي يكون للنقاش معنى.

أي واحد يناسب أي خط أنابيب؟

• اقتطاع شيء ما من صورة — WeVisOne-VL-4B، والفرق ليس ضئيلًا، لأن SingVL_S1_4B لا يملك أي مخرجات تجزئة على الإطلاق.

• عدّ الأشياء في إطار مزدحم — WeVisOne-VL-4B. يسجّل 57.1 في صف الكشف الكثيف حيث أفضل خط أساس هو 47.9، والعدّ مهمة أساسية من الدرجة الأولى بدلًا من سلوك مستحث بالتلقين.

• معرفة أن هدفًا ما غائب — WeVisOne-VL-4B، استنادًا إلى صف الرفض وإرجاع None الصريح. هذه هي القدرة التي تفصل بين عرض تجريبي ونظام.

• جعل استدعاء مكلف مشروطًا بدرجة ثقة — هذا هو شكل SingVL_S1_4B، إن استطعت استضافته ووصل الترخيص. احتمال لكل خيار هو ما تحتاجه العتبة.

• التصنيف وفق تصنيف ثابت — SingVL_S1_4B من حيث المبدأ؛ إذ تُسقَط أنواع الاختيار والدرجات فيه مباشرةً على التصنيفات، في حين يجب تقييد نموذج توليدي وإعادته إلى أحدها.

• قراءة صفحة والحصول على الحقول ومواضعها معًا — WeVisOne-VL-4B، الذي يقوم بـ OCR مع تحديد المواقع في التمريرة نفسها التي يجري فيها الكشف.

• أي شيء تم نشره تجاريًا هذا الشهر — WeVisOne-VL-4B، من حيث الترخيص وحده.

وهناك صفّ لا ينتمي إلى أيٍّ منهما: إذا كان ما تحتاجه هو شرح مكتوب لما في الصورة، فإن كلا النموذجين أداة خاطئة. يعيد WeVisOne إدراكًا مُهيكلًا، ويعيد SingVL_S1_4B احتمالات؛ ولا يكتب أيٌّ منهما فقرة.

ما تكشفه المقارنة عن السوق، لا عن النماذج

الشيء المثير للاهتمام هنا ليس أن أحد النموذجين أفضل. بل أن مختبرين متقاربين في الحجم أطلقا نموذج رؤية بعدد معاملات يتراوح بين 4 و5 مليارات في الربع نفسه، وتعاطيا مع الإطلاق بشكل مختلف تمامًا. أطلقت T​encent ورقة بحثية ونقطة تحقق لمُفكِّك ترميز مع عدد معاملات معلن وخط أنابيب تقييم ورخصة وصفحة مشروع، وبنى النظام البيئي نسخًا مُكمَّمة وتكاملات خلال أسبوعين. أما inclusionAI فأطلقت الأوزان وسكربت استدلال وجدول قياسات، ولا يستطيع النظام البيئي أن يمسّ أيًا منها حتى تظهر الرخصة.

الاستراتيجيتان مشروعتان. فالإصدار الهادئ يتيح لمختبر طرح نقطة تحقق دون سرد إطلاق، وبطاقة النموذج هنا مكتوبة جيدًا حقًا — فأمثلة API تعمل، وأنواع الأسئلة موثقة بحسابات محلولة، وتتضمن الإعدادات تجزئات تجعل التحقق ممكنًا. لكن نقطة تحقق بلا ترخيص هي عرض توضيحي لا منتج، ويظهر الفرق تحديدًا في النقطة التي تعود إليها هذه المقارنة باستمرار: فيما إذا كان بإمكان أي شخص غير المؤلف أن يبني عليها.

إذا كنت تريد اختبار نمط القرار قبل وصول الأوراق الرسمية، فنمط القرار نفسه قابل للاستدعاء. يقدّم OrcaRouter نموذج TypeSafe Jev 1.14 بسعر 0.042 دولار لكل مليون رمز إدخال إلى جانب أكثر من 200 نموذج ضمن مفتاح واحد، مع تمرير أسعار قوائم المزوّدين كما هي دون أي هامش ربح (0%)، ومع تجاوز فشل تلقائي عبر المزوّدين. لا يتوفر Sing VL S1 على OrcaRouter وليس له موطن استضافة في أي مكان، لذا فإن هذا ليس ادعاءً بشأن توفره — بل هو أرخص طريقة لمعرفة ما إذا كانت مخرجات الاحتمالات تتفوق على الأقنعة على ملصقاتك الخاصة، قبل أن تنفق GPU على نقطة تحقق شروطها فارغة.

WeVisOne-VL-4B يمكنك تنزيله ببساطة. وهذا، في النهاية، هو جوهر المقارنة: أحد هذين نموذج يمكنك استخدامه، والآخر نموذج يمكنك القراءة عنه فقط.