WeVisOne-VL-2B مقابل LFM2.5-VL-3B: صانع أقنعة ضد قارئ شاشة

أعطِ كلا النموذجين الصورة نفسها والجملة نفسها — «الكلب الذي على اليسار» — وستعود عليك نتيجتان مختلفتان. يجيب LFM2.5-VL-3B بموقع، وبوصف إن سألت: مربع، أو نقطة، أو جملة قصيرة عمّا وجده. ويجيب WeVisOne-VL-2B بمربع أيضًا، ثم يحوّل مُفكِّك ترميز صغير ذلك المربع إلى قناع ألفا بحواف ناعمة يمكنك تركيبه على خلفية جديدة من دون هالة حول الفراء. صُمّم أحد النموذجين لقراءة واجهة والردّ عليها. وصُمّم الآخر ليمنحك البكسلات.

هذا الفرق هو المقارنة بأكملها، ويظل قائمًا في كل جدول معايير نشرته أي من الشركتين. ويفسّر أيضًا سبب ندرة تقييم النموذجين مقابل بعضهما البعض: فبطاقة Liquid AI لا تذكر WeVisOne، وورقة Tencent لا تذكر Liquid، ولم يقم أي طرف ثالث بتشغيلهما جنبًا إلى جنب. وفيما يلي ما أوردته كل إصدارة فعليًا في السجل، وأي أرقامها يمكن وضعها إلى جانب بعضها البعض، وأيها لا يمكن.

إصداران، وكمّان مختلفان جدًا من الأدلة

نشرت Liquid AI نموذج LFM2.5-VL-3B في 11 أغسطس 2026 — الأوزان أولاً، والإعلان في اليوم التالي — وجاء مصحوبًا بجدول قياسات أداء رقمي، وخط أساس مسمّى لكل صف، وقسم سرعة قيس على عتاد مسمّى. وهو نموذج كثيف يضم 3.12 مليار معامل: عمود فقري لغوي LFM2.5-2.6B مقترن بمشفّر رؤية SigLIP2 NaFlex 400M، وسياق من 32,768 رمزًا، ومفردات من 128,000 رمز، وست عشرة لغة مسمّاة. ورخصته هي LFM Open License v1.0 الخاصة بـLiquid، وهي مجانية للاستخدام التجاري إذا كانت الإيرادات أقل من عتبة معينة، بدلاً من أن تكون مجانية دون قيد أو شرط.

نشر فريق WeChat Vision في Tencent نموذج WeVisOne-VL-2B في 22 أكتوبر 2026، ولا تحتوي بطاقة النموذج الخاصة به على أي جدول معايير على الإطلاق — لا درجات، ولا طول سياق، ولا أرقام إنتاجية، ولا متطلبات عتادية. الأرقام موجودة، لكنها في الورقة البحثية المصاحبة، التي تعرض سبعة جداول مهام عبر ما يصفه المؤلفون بأنه أكثر من ثلاثين معيارًا. لذا فالإصداران ليسا مجرد نموذجين مختلفين؛ بل هما نوعان مختلفان من الوثائق. نشرت Liquid مواصفات منتج. أما Tencent فنشرت نتيجة بحثية وتركت ورقة المواصفات فارغة في الغالب.

عدم التماثل هذا مهم عندما تقرأ مقارنة مثل هذه. جُمِّعت أرقام Liquid لتُقرأ مقابل خطوط أساسها الخاصة. وجُمِّعت أرقام Tencent لتفوز في جدول أكاديمي. لم يختر أيٌّ من البائعين أرقامه واضعًا النموذج الآخر في اعتباره، وهذا تحديدًا هو سبب عدم تطابق الأرقام.

الرقم الذي يبدو قابلاً للمقارنة لكنه ليس كذلك

ينشر كلا النموذجين درجة RefCOCO، ووضعهما جنبًا إلى جنب يُنتج عنوانًا يبدو أنيقًا: LFM2.5-VL-3B عند 87.9 مقابل WeVisOne-VL-2B عند 79.7. تلك المقارنة بلا معنى، ويستحق الأمر أن نوضّح السبب، لأن الخطأ نفسه يُرتكب في جداول البيانات الآن.

• تُبلِغ Liquid عن RefCOCO precision@1 بمتوسط عبر التقسيمات. هذه إحصائية كشف: هل تداخل المربع المتوقَّع الأعلى ترتيبًا مع المربع الحقيقي بما يكفي ليُحتسب صحيحًا.

• إن قيمة 79.7 الخاصة بـ Tencent ترد في جدول التجزئة، وتذكر الورقة بوضوح أن أرقام عائلة RefCOCO هناك هي IoU تراكمي — إجمالي التقاطع على إجمالي الاتحاد عبر مجموعة التقييم بأكملها.

• لا يورد جدول تينسنت للكشف الإشاري RefCOCO إطلاقًا. بل يورد RefCOCOg، حيث يسجل 2B متوسط F1 قدره 77.1.

إذن، يقيس الرقمان 87.9 و79.7 ثلاثة أمور مختلفة عبر مهمتين مختلفتين. يمكن لصندوق يتداخل بالكاد مع هدف أن يحصل على نتيجة جيدة في precision@1 وضعيفة في cIoU؛ ويمكن لقناع يغطي جسمًا كبيرًا جيدًا أن يحصل على نتيجة عالية في cIoU بينما يكون صندوقه المحيط غير دقيق. لا توجد عملية حسابية توفّق بينهما.

الفخ نفسه يكمن في OCR. تنشر Liquid معيار OCRBench v1 بنتيجة 84.2 ومعيار OCRBench v2 الإنجليزية بنتيجة 47.5 — وهما معياران للنسخ. أما Tencent فتنشر OCR كـ F1 للتوطين عند عتبة IoU قدرها 0.5: 62.1 على SROIE، و42.6 على ICDAR2015، و42.5 على TotalText، و30.5 على HierText. تقيس هذه ما إذا كان النموذج قد وجد النص وأحاط به بإطار، لا ما إذا كان قد قرأه بشكل صحيح. إن الاقتباس «84.2 مقابل 62.1» سيكون مقارنة بين اختبار قراءة واختبار تأشير.

ما هي المقارنة العادلة فعليًا؟

إذا استبعدنا الدرجات، يتماشى النموذجان على أبعاد لا تحتاج إلى منصة اختبار:

• الحجم — نحو 3.12 مليار معامل كثيف لـ LFM2.5-VL-3B مقابل نحو 2 مليار لـ WeVisOne-VL-2B، إضافةً إلى مفكك ترميز بـ9.5 مليون معامل يجب تنزيله بشكل منفصل وهو مطلوب للمخرجات الكثيفة.

• الأساس — العمود الفقري الهجين LFM2.5-2.6B الخاص بـ Liquid مقابل Qwen3-VL.

• السياق — 32,768 رمزًا منشورة على بطاقة النموذج مقابل عدم نشر طول سياق على الإطلاق. جرت مراحل تدريب ورقة WeVisOne عند 4,096 و8,192 رمزًا، ويحدّ الاستدلال كل صورة عند 1,960 رمزًا بصريًا، لكن لا شيء من ذلك يمثّل نافذة نشر.

• أنواع المخرجات — صناديق ونقاط ونصوص مقابل صناديق ونقاط وأقنعة ثنائية وأقنعة ألفا متصلة.

• الاستدلال — نموذج LFM2.5-VL-3B غير استدلالي عمدًا، ويجيب مباشرةً للحفاظ على زمن استجابة منخفض؛ أما WeVisOne فهو أيضًا غير استدلالي، لكن لسبب مختلف، إذ يولّد مخرجات منظّمة دون سلسلة تفكير من أجل كفاءة الاستدلال. لا «يفكّر» أي من النموذجين قبل أن يجيب، ولا يدّعي أي من المورّدين خلاف ذلك.

• استدعاء الأدوات — مدعوم ومُقاس على LFM (ToolSandbox 59.5، BFCL v4 32.5) مقابل عدم كونه قدرة معلنة على WeVisOne.

• اللغات — ست عشرة لغة مذكورة على بطاقة LFM مقابل عدم ذكرها على بطاقة WeVisOne.

• الترخيص — LFM Open License v1.0، مع حدّ إيرادات، مقابل Apache 2.0 للكود من تأليف Tencent.

• إصدارات مُكمَّمة — تصديرات GGUF وONNX وMLX التي تقدمها Liquid مقابل عدم الإعلان عن أي منها من Tencent.

• تقييم مستقل — لا يوجد لأي من النموذجين إدخال على Artificial Analysis حتى كتابة هذه السطور. كل رقم في هذه المقالة، من كلا المورّدين، مُبلَّغ عنه من قبل المورّد.

فجوة النشر أوسع من فجوة المعاملات

صُمم LFM2.5-VL-3B ليعمل على هاتف، وتُثبت البطاقة ذلك بالأرقام: أقل من 3.3GB من الذاكرة، و20 توكنًا في الثانية على Galaxy S26 Ultra، و228 توكنًا في الثانية على Apple M5 Max، و116 على AMD Ryzen AI Max+ 395، ونحو 11,000 توكن إخراج في الثانية عند التزامن العالي على H100 واحدة. ويُتاح بصيغ يمكن لبيئات تشغيل المستهلكين تحميلها فعليًا.

WeVisOne-VL-2B لا تنشر أيًا من ذلك. وما تنشره فعلاً يوحي بفاتورة مختلفة. تُنتج المرحلة النهائية للمُفكِّك قناع ألفا كامل الدقة بخطوة 1 (stride-1)، مما يعني أن الخرج الكثيف بحجم صورة الإدخال بدلاً من متجه ثابت الحجم — تكلفة تتزايد مع الدقة، لا مع عدد المعلمات. بالنسبة لطراز 2B على وحدة GPU حديثة، فإن ذلك قابل للإدارة. أما على هاتف، فليس قابلًا للإدارة بشكل واضح على الإطلاق، ولم تدّعِ Tencent ذلك.

النتيجة العملية هي أن هذين النموذجين لا يتنافسان على فتحة النشر نفسها. فأحدهما مكوّن يمكن تضمينه داخل تطبيق. والآخر مكوّن يمكن تشغيله على خادم، أو على محطة عمل، إلى جانب أي شيء آخر يحتاج إلى إخفاء الهوية.

اختر حسب نوع المخرجات، لا حسب الدرجة.

إذا كانت المهمة هي قراءة شاشة — تحليل مسار الدفع، أو العثور على الزر المسمّى "Continue"، أو استخراج جدول من مستند مصوّر — فإن LFM2.5-VL-3B هو المرشح البديهي. فهو يحقق ScreenSpot-v2 بنتيجة 80.7، وDocVQA بنتيجة 91.1، وChartQA بنتيجة 81.3، ونتيجة ToolSandbox تشير إلى أنه يستطيع التصرف بناءً على ما يراه بدلًا من مجرد وصفه. كما يحقق متوسطًا قدره 69.4 على 28 اختبارًا معياريًا تنشره Liquid مقابل نماذج شقيقة مسمّاة، وهو ما يخبرك على الأقل بما تعتبره الشركة المورّدة محيطها الخاص.

إذا كانت المهمة تتمثل في عزل كائن — قصاصة منتج، أو شخص أمام خلفية مزدحمة، أو مقدمة ذات شعر متطاير أو حافة شفافة — فإن LFM2.5-VL-3B لا يُنتج هذا الناتج، ولن يجعلَه يفعل ذلك أي قدر من التوجيهات. أما WeVisOne-VL-2B فيفعل ذلك، والهامش في جداول الماتينغ كبير: 6.6 متوسط الفرق المطلق مقابل 15.4 لـ SAM2-Matting على P3M-500-NP، و15.8 مقابل 23.0 لخط أنابيب Qwen3-VL-8B بالإضافة إلى SAM2 على تقسيم WeRefMat الموجَّه لغويًا.

هناك حالة أخرى لدى WeVisOne يكون فيها الادعاء جديرًا بالملاحظة: الغياب. تُبلغ Tencent عن معدل رفض قدره 50.2 على RefCOCOg للاستعلامات التي لا يكون هدفها موجودًا في الصورة، مقابل 0.5 و0.6 لنموذجين متخصصين في التوطين على الجدول نفسه. إذا كان خط المعالجة لديك يشغّل آلاف القصاصات، ومعظمها لا يحتوي على شيء يهمك، فإن نموذجًا يقول "غير موجود" بموثوقية يوفّر عليك مصنّفًا في المراحل اللاحقة. لا تُبلغ بطاقة LFM2.5-VL-3B عن رقم رفض قابل للمقارنة، لذا لا يوجد ما يمكن وضعه إلى جانبه — ثغرة في الأدلة، وليست خسارة.

لا شيء من هذا سبب لاختيار أحدهما والتخلي عن الآخر، ومن الجدير أن نكون صريحين بشأن أين يتناسب الموجّه. لا يقدّم OrcaRouter أيًا من النموذجين؛ فلا هذا ولا ذاك في كتالوجنا، ولا يُستضاف أي منهما في أي مكان يمكننا التحقق منه لـ WeVisOne على وجه الخصوص. ما نقدّمه هو الحزمة المحيطة: إذا كانت خط أنابيبك تستخدم نموذج رؤية مستضافًا لنصف القراءة ونموذجًا مستضافًا ذاتيًا لنصف التقنيع، فإن الاستدعاءات المستضافة تمر عبر مفتاح API واحد بسعر قائمة المزوّد دون أي هامش، وينقلها التحويل عند الفشل إلى مزوّد آخر عندما يتدهور أحدهم، وتتيح لك لغة DSL للتوجيه وضع النصفين خلف نقطة نهاية واحدة بحيث لا يعرف تطبيقك أبدًا أيّهما أجاب.

ما الذي سيحسم الأمر فعليًا؟

أداة اختبار مستقلة واحدة، يشغّلها شخص ليس من أيٍّ من البائعين، على الصور نفسها، وتُبلِّغ عن إحصائية كشف وإحصائية تجزئة لكلا النموذجين. هذا غير موجود. وإلى أن يوجد، فإن الموقف القابل للدفاع هو الموقف الممل: هذه النماذج تجيب عن أسئلة مختلفة، وأرقامها المنشورة مقيسة بأدوات مختلفة، والاختيار بينها يحسمه ما يتوقع كودك اللاحق استلامه — جملة، أو قناع.

إذا كنت ستأخذ شيئًا واحدًا فقط من هذه المقارنة، فخُذ شكل الأدلة. منحتك Liquid AI جدولًا يمكنك دحضه. ومنحتك Tencent ورقة يمكنك قراءتها وبطاقة تخبرك بصراحة بما لن يفعله النموذج. لم يمنحك أيٌّ منهما رقمًا يمكن مقارنته بالآخر، وأي مقال يطبع 87.9 بجوار 79.7 دون هذا التحفظ يبيعك تصنيفًا غير موجود.