LFM3-VL-2B vs. WeVisOne-VL-2B: Drei Tage Abstand, gegensätzliche Wetten

LFM3-VL-2B erschien am 19. Oktober 2026 auf Hugging Face. WeVisOne-VL-2B erschien am 22. Oktober. Zwei Modelle, beide mit rund zwei Milliarden Parametern, beide mit offenen Gewichten, beide aus bekannten Laboren, innerhalb von 72 Stunden zueinander veröffentlicht. Man würde erwarten, dass sie nahezu austauschbar sind. Sie sind eher gegensätzliche Wetten darauf, was „Vision“ bedeutet: Das eine beantwortet Fragen zu dem, was es sieht, das andere liefert die präzise Form dessen zurück, was es sieht.

Dieser Unterschied ist auf einem Datenblatt leicht zu übersehen, denn beide Karten listen Boxen und beide Karten listen OCR. Der Unterschied liegt im Ausgabeformat und im Trainingsziel, und er entscheidet darüber, ob man eines der beiden Modelle ohne eine Parsing-Schicht in eine Pipeline einbinden kann. Er entscheidet auch darüber, welches der beiden nach der Verbesserung der Allzweckmodelle noch eine Daseinsberechtigung hat.

Zwei Definitionen des Sehens

LFM3-VL-2B ist Liquid AIs Generalist. Es nimmt Text, Bilder und Video mit 2 fps auf, gibt Text aus, unterstützt schrittweises Denken, verfügt über einen 128K-Kontext und deckt 16 Sprachen ab. Die Architektur ist ein dichtes 1,92B-Modell – ein 1,73B-Sprachbackbone, ein hauseigener 164M-Vision-Encoder und ein 25M-Projektor – mit veröffentlichten BF16-, GGUF-, MLX-4-Bit- und ONNX-Builds. Der Familienbeitrag von Liquid stellt es als ein Modell dar, das „die physische Welt beobachten, begründen und verstehen“ kann, und der Videopfad ist für die Familie wirklich neu.

WeVisOne-VL-2B ist Tencent's WeChat Vision-Modell. Es basiert auf einem Qwen3-VL-Backbone mit etwa 2,4B Parametern unter Apache 2.0, und sein Zweck ist einheitliche Wahrnehmung: open-vocabulary Detektion, Referring-Lokalisierung, Zählen, Pointing, OCR-Lokalisierung, Referring-Segmentierung und promptable Alpha-Matting. Es liefert normalisierte Koordinaten über dedizierte Tokens sowie Masken über einen separaten Pixel-Decoder mit 9,6M Parametern, der zusammen mit dem Sprachmodell geladen werden muss.

Ein Modell ist ein Leser. Das andere ist ein Messinstrument. Die Überschneidung in ihren Benchmark-Tabellen ist real, aber es ist die Überschneidung zweier unterschiedlicher Produkte, die dieselbe Szene messen.

Das Ausgabeformat ist das Produkt.

WeVisOne-VL-2B kodiert Koordinaten als Tokens von <0> bis <1000>, markiert jede Instanz mit einem <OBJ>-Token und gibt None zurück, wenn das angeforderte Ziel fehlt. Das letzte Detail ist das, was Praktiker bemerken: Die Karte meldet eine Ablehnungsrate von 50,2 auf RefCOCOg, gegenüber etwa 0,5 bei Rex-Omni und LocateAnything. Es ist darauf trainiert, „nicht hier“ zu sagen, statt eine Box zu halluzinieren.

Der Pixel-Decoder ist nicht optional. Segmentierung und Alpha-Matting erfordern mask_decoder.pt, ein Modul mit 9,6 M Parametern, das durch das Objekt-Token ausgelöst wird. Wenn Sie nur das Sprachmodell laden, erhalten Sie Koordinaten, aber keine Masken. Das GitHub-Repository enthält das Inferenzpaket, das die beiden Komponenten miteinander verbindet, und das Modell ist konstruktionsbedingt Single-Turn und ausschließlich für Bilder ausgelegt – der Pixel-Decoder lehnt Videoraster ab.

LFM3-VL-2B hat keinen äquivalenten Vertrag. Es beschreibt eine Region, zählt Objekte oder räsoniert in Prosa über eine Szene, und seine Grounding-Zeile (RefCOCO-avg 90.5) legt nahe, dass es bei der Lokalisierung kompetent ist. Aber die Ausgabe ist Text. Für eine Pipeline, die eine Maske benötigt, ist der Unterschied zwischen 90.5 und einem parsebaren Polygon der Unterschied zwischen einer Demo und einem Produkt.

Grundzahlen, die man nicht subtrahieren kann

Die beiden Karten geben beide Ergebnisse der RefCOCO-Familie an, und es handelt sich nicht um dieselbe Messung. LFM3-VL-2B gibt RefCOCO-avg 90,5 an, was den Durchschnitt über die Referring-Expression-Splits bildet. WeVisOne-VL-2B gibt RefCOCOg 77,1 mittleres F1 für Referring Detection und RefCOCO testA 82,9 cIoU für Referring Segmentation an. RefCOCOg ist ein anderer Split mit längeren, dialogartigeren Ausdrücken; cIoU ist eine andere Metrik als F1.

Die Subtraktion von 77,1 von 90,5 ergibt eine Zahl, die nichts aussagt. Die ehrliche Lesart ist, dass beide Modelle bei der Referring-Localization auf ihren eigenen Harnesses stark sind, dass keiner der Harnesses unabhängig reproduziert wurde und dass die Metrikdefinitionen sich so stark unterscheiden, dass die Rangfolge ungeklärt bleibt. Dieselbe Vorsicht gilt für OCR: LFM3-VL-2B meldet OCRBench v1 86,3, während WeVisOne-VL-2B OCR HierText 30,5 meldet, was ein anderer Benchmark auf einem schwierigeren Datensatz ist.

Wo der Vergleich sauber ist, begünstigt er den Spezialisten auf dessen eigenem Terrain: WeVisOne-VL-2B meldet COCO-Detection-F1 55,2, LVIS 53,3 und Dense200 61,4 – gegenüber einem Modell, das überhaupt keinen Detection-F1 veröffentlicht. Das ist kein automatischer Sieg. Es erinnert daran, dass der Generalist nicht darauf trainiert wurde, auf diese Weise bewertet zu werden.

Die Matte ist der Burggraben.

Promptfähiges Alpha-Matting ist die Funktion, die weder LFM3-VL-2B noch die meisten Modelle seiner Größenklasse bieten. WeVisOne-VL-2B meldet eine mittlere absolute Abweichung von 6,6 auf P3M-500-NP für weichkantige Matten – die halbtransparente Grenze um Haare, Glas und Fell, die eine binäre Segmentierungsmaske zu einem harten Schnitt macht. Die Modellkarte äußert sich offen zu den Grenzen: feine Alpha-Grenzen verschlechtern sich bei Verdeckung, niedriger Auflösung und Transparenz. Doch für Produkt-Freisteller, Compositing und Hintergrundaustausch ist eine Matte die Ausgabe, die die Pipeline tatsächlich braucht.

Das ist das stärkste Argument für die Existenz des Modells. Ein 2B-Generalist kann ein Bild beschreiben; er kann Ihnen keinen weichen Alphakanal liefern. Tencent hat ein kleines Modell um einen Pixel-Decoder herum gebaut, weil diese Ausgabe von einem großen Allzweckmodell nur teuer zu bekommen ist, und das 4B-Geschwistermodell existiert für Teams, die bei derselben Aufgabe mehr Genauigkeit brauchen.

Video und Denken sind der andere Burggraben.

Der Differenzierungsansatz von LFM3-VL-2B verläuft in die entgegengesetzte Richtung. Es akzeptiert Video mit 2 fps und meldet Video-MME 62,8 ohne Untertitel, MVBench 69,4 und MMMB 85,2. WeVisOne-VL-2B ist Single-Turn und ausschließlich bildbasiert; sein Pixel-Decoder lehnt Videoraster ab. Wenn Ihre Eingabe ein Clip ist, ist der Vergleich vorbei, bevor die Benchmark-Tabelle überhaupt beginnt.

Der Denkmodus fügt eine zweite Lücke hinzu. LFM3-VL-2B meldet MathVista 84,2 mit Denkmodus gegenüber 68,5 ohne, und MMMU 55,7 gegenüber 48,6. WeVisOne-VL-2B hat konstruktionsbedingt keine Gedankenkette, aus Effizienzgründen. Das ist eine legitime Ingenieursentscheidung für eine Wahrnehmungskomponente und eine harte Grenze für ein Modell, das über ein Diagramm schlussfolgern soll.

Erinnerung, Lizenz und der Preis des Eintritts

• Parameter — LFM3-VL-2B mit 1,92B dense vs. WeVisOne-VL-2B mit etwa 2,4B, plus einen 9,6-Mio.-Pixel-Decoder.

• Speicher — rechnerisch etwa 3,84 GB in BF16 für LFM3-VL-2B, mit einem 4-Bit-MLX-Build; rund 9,1 GB Gewichte in F32 und geschätzt 4,9 GB in BF16 für WeVisOne-VL-2B, laut Bereitstellungshinweisen Dritter und nicht laut der Karte.

• Eingabe — Text, Bild und Video mit 2 fps gegenüber nur Bild und Text, einzelne Runde.

• Ausgabe — Prosa, optional mit Begründung vs. Text, normalisierten Koordinaten, Masken und Alpha-Mattes.

• Kontext — 128K gegenüber nicht als dokumentweites Fenster angegeben; der Pixel-Decoder ist der begrenzende Faktor.

• Lizenz — LFM Open License v1.0, kommerzielle Nutzung unter 10 Mio. USD Jahresumsatz gegenüber Apache 2.0 bei jeder Unternehmensgröße.

• Veröffentlicht – Repository 19. Oktober 2026, Familienanzeige 27. Oktober vs. Repository 22. Oktober 2026.

Der Lizenzstreit ist die Umkehrung der üblichen Geschichte. Tencent's Modell ist das mit der permissiven Lizenz; Liquid's ist das mit der Umsatzobergrenze. Für ein Unternehmen, das ein kommerzielles Wahrnehmungsprodukt entwickelt, entfällt mit Apache 2.0 ein Due-Diligence-Punkt, den die LFM-Lizenz erst schafft. Das macht die Modelle nicht austauschbar, bedeutet aber, dass das kleinere, allgemeinere Modell die größere rechtliche Einschränkung trägt.

Keines der beiden Modelle hat einen gehosteten Preis.

Beide Modellkarten veröffentlichen die Gewichte, und keine von beiden veröffentlicht einen API-Preis pro Token. Hugging Face listet keinen Inferenzanbieter für LFM3-VL-2B; die Karte von WeVisOne-VL-2B hat ebenfalls keinen gehosteten Endpunkt, obwohl Community-Ports für LiteRT, Core AI, GGUF und Android existieren. Das ist die aktuelle Gestalt der 2B-Vision-Stufe: Die Gewichte sind kostenlos, das Serving ist Ihre Sache, und die eigentlichen Kosten liegen in der GPU und der Integrationsarbeit.

Wenn Sie diese Stufe lieber mieten als besitzen möchten, leitet OrcaRouter gehostete Vision-Modelle – darunter Qwen3-VL-8B – über eine einzige API weiter, wobei der Listenpreis des Anbieters mit 0 % Aufschlag durchgereicht wird, und bietet Modellfusion, wenn Sie möchten, dass ein Wahrnehmungsmodell und ein Reasoning-Modell als Panel antworten. Wir stellen in diesem Vergleich keinen der beiden Checkpoints bereit, und nichts hier impliziert, dass wir dies tun. Der relevante Punkt ist, dass das Mieten eines etwas größeren gehosteten Modells eine legitime dritte Option ist, wenn keines der Open-Weight-Modelle mit einem Endpoint ausgeliefert wird.

Wie man wählt

• Wähle WeVisOne-VL-2B, wenn die Ausgabe Geometrie ist: Boxen, Masken, Alpha-Mattes, Zählungen oder ein „nicht vorhanden“-Signal. Wähle es, wenn Apache 2.0 nicht verhandelbar ist oder wenn du eine Pipeline für Freistellen, Compositing oder Robotik-Wahrnehmung baust.

• Wählen Sie LFM3-VL-2B, wenn die Eingabe Video enthält, wenn Sie Schlussfolgerungen über ein Diagramm oder ein Formular hinweg benötigen oder wenn Sie möchten, dass ein kleines Modell allgemeine Fragen beantwortet, statt Formen zu vermessen.

• Nimm beides nur, wenn du bereit bist, zwei Pipelines zu betreiben. Sie teilen eine Parameterklasse und sonst fast nichts, und die Integrationskosten dafür, so zu tun, als wäre es anders, sind höher als die Kosten des zweiten Modells.

Der Abstand von drei Tagen zwischen ihren Repositories ist Zufall. Die Abweichung darin, was sie zurückgeben, ist es nicht. Zwei Labore hatten dasselbe 2B-Budget vor Augen und gaben es für unterschiedliche Ergebnisse aus, und die richtige Frage ist nicht, welches besser ist – sondern welches Ergebnis Ihr nächster Pipeline-Schritt tatsächlich verarbeiten kann.