LFM3-VL-2B vs. WeVisOne-VL-4B: Was 2,5-mal so viele Parameter tatsächlich bringen

Die eigene Benchmark-Tabelle von Tencent spricht gegen den naheliegenden Kauf. WeVisOne-VL-4B, das größere der beiden Wahrnehmungsmodelle, die das WeChat-Vision-Team am 22. Oktober 2026 veröffentlicht hat, ist bei box-prompted Alpha-Matting schlechter als sein eigenes 2B-Geschwistermodell: 7,3 mittlere absolute Abweichung auf P3M-500-NP gegenüber 6,6 beim 2B-Modell, wobei niedriger besser ist. Das Modell, an dem die meisten Käufer es tatsächlich messen werden, ist jedoch nicht sein Geschwistermodell, sondern LFM3-VL-2B – Liquid AIs 1,92B-On-Device-Vision-Modell, dessen Gewichte am 19. Oktober erschienen sind und das zusammen mit dem Rest der LFM3-Familie am 27. Oktober angekündigt wurde.

Stellt man die beiden nebeneinander, ist die interessante Frage nicht, welches intelligenter ist. Sondern was das Zweieinhalbfache an Parametern bringt und was es kostet. Die kurze Antwort, aus den Tabellen der Anbieter selbst: Es bringt dichte Objekterkennung, Referring-Genauigkeit und eine deutlich bessere Quote, die Antwort zu verweigern, wenn das Objekt nicht vorhanden ist. Es bringt keinen Generalisten, es bringt kein Video und es bringt kein Modell, das man auf ein Handy packen kann. Alles Folgende stammt aus den beiden veröffentlichten Tabellen, wobei die Nahtstellen sichtbar bleiben – kein unabhängiger Testaufbau hat die Zahlen eines der beiden Modelle reproduziert.

Was jedes einzelne tatsächlich ist

LFM3-VL-2B verfügt über 1,92 Mrd. dichte Parameter: ein Sprach-Backbone mit 1,73 Mrd. Parametern, einen hauseigenen Vision-Encoder mit 164 Mio. Parametern und einen Projektor mit 25 Mio. Parametern. Das Backbone ist der tri-hybride Stack von Liquid – 24 Schichten, unterteilt in 13 gated Short Convolutions, 5 Sliding-Window-Attention-Schichten mit einem 256-Token-Fenster und 6 globale Attention-Schichten. Es nimmt Text, Bilder und Video in nativer Auflösung entgegen, sampelt Video mit 2 Bildern pro Sekunde, unterstützt einen 128K-Token-Kontext, deckt 16 Sprachen ab und bietet einen optionalen Denkmodus, der vor der Antwort einen Reasoning-Durchlauf erzeugt. Seine Ausgabe ist Fließtext.

WeVisOne-VL-4B basiert auf einem Qwen3-VL-Backbone und trägt den Namen 4B, obwohl die Hugging-Face-Metadaten es auf 5B aufrunden und Drittanbieter-Berichte die tatsächliche Anzahl bei etwa 4,83B ansetzen. Es antwortet weniger in Prosa als vielmehr mit Geometrie: Boxen und Punkte als normalisierte Koordinaten-Token von 0 bis 1000, ein OBJ-Marker (Token-ID 152678) nach jeder vorhergesagten Box und die wörtliche Zeichenkette None, wenn das Ziel nicht vorhanden ist. Masken und Alpha-Mattes erfordern ein zweites Artefakt, mask_decoder.pt, einen Pixel-Decoder mit 9,6 M Parametern, der den verborgenen Zustand jedes OBJ-Tokens und die vorhergesagte Box entgegennimmt und Alpha in voller Auflösung mit Schrittweite 1 zurückgibt. Es ist Single-Turn und ausschließlich für Bilder ausgelegt und erzeugt strukturierte Ausgabe direkt, ohne Chain-of-Thought.

Der Kontrast in einem Durchgang:

• Größe — LFM3-VL-2B mit 1,92B dense gegenüber WeVisOne-VL-4B mit etwa 4,83B, plus ein 9,6M-Decoder, der für Masken zwingend erforderlich ist

• Eingabe – Text, Bild und Video mit 2 fps vs. Text und ein einzelnes Bild

• Ausgabe — Prosa und ein Denk-Durchgang vs. Koordinaten-Tokens, Boxen, Masken, Mattes oder ein explizites None

• Kontext — 128K Token gegenüber keinem auf der Karte veröffentlichten Inferenzlimit; das Paper beschreibt das Training mit 4.096 und 8.192 Token

• Sprachabdeckung — 16 Sprachen angegeben vs. keine angegeben

• Lizenz — LFM Open License v1.0, kostenlos für die kommerzielle Nutzung bei einem Jahresumsatz unter 10 Mio. USD, im Vergleich zu Apache 2.0 für von Tencent verfassten Code

• Laufzeit — GGUF/llama.cpp, MLX 4-Bit, ONNX und BF16 vs. BF16 über Transformers, vLLM oder SGLang

Das Upgrade ist ungleichmäßig, und die Studie zeigt, wo.

WeVisOne-VL-2B und WeVisOne-VL-4B sind dieselbe Architektur in zwei Größen, trainiert auf denselben rund 100 Mio. Bildern mit demselben dreistufigen Curriculum und bewertet anhand derselben Tabelle. Damit ist der Geschwistervergleich der sauberste verfügbare Beleg dafür, was die zusätzlichen Parameter bewirken — und er verläuft nicht in eine einzige Richtung.

Wo das 4B laut Tencent-Zahlen eindeutig gewinnt:

• Dense200-Erkennung – 71,3 mittlerer F1-Wert gegenüber 61,4, der größte Einzelgewinn

• LVIS — 55,3 vs. 53,3, eine bescheidene Verbesserung um 2 Punkte

• RefCOCOg Referring Detection — 81,8 Test vs. 78,2

• RefCOCO-Referring-Segmentierung — 84,5 cIoU auf testA gegenüber 82,9

• ReasonSeg — 71,2 cIoU auf val gegenüber 60,9, ein Sprung von 10 Punkten bei der Reasoning-Segmentierung

• PointBench-Pointing — 71,9 vs. 62,9

• WeRefMat Referring-Matting — 9,8 mittlere absolute Differenz auf dem Referring-Split gegenüber 15,8, eine Fehlerreduktion um 38 %

Wo nicht:

P3M-500-NP Box-Matting — 7,3 gegenüber 6,6 beim 2B, schlechter

• PPM-100 Box-Mattierung — 6,1 vs. 5,3, schlechter

• Ref-ZOM cIoU — 72,2 im Test vs. 73,4, das 2B-Modell wieder vorn

Das Muster ist erkennbar, auch wenn die Ursache nicht veröffentlicht wird: Das 4B-Modell zieht bei schwierigen, sprachkonditionierten Aufgaben vorbei – Referring Segmentation, Reasoning-Segmentierung, Referring Matting in realen Szenen – und liefert bei den einfacheren box-prompted Matting-Sets nichts zurück, bei denen beide Modelle bereits nahe am Optimum sind und möglicherweise der 9,6M-Decoder den Großteil der Arbeit leistet. Zwei von drei Box-Prompted-Matting-Benchmarks bewegen sich in die falsche Richtung. Wenn Alpha-Matting auf einer vorgegebenen Box Ihre einzige Aufgabe ist, ist das 4B kein Upgrade; es ist ein teurerer Weg zur gleichen Antwort, nur etwas schlechter.

Fehlende Objekte: besser, aber noch nicht gelöst

Die nützlichste Spalte in dem Paper ist diejenige, die fast keine Vision-Model-Karte veröffentlicht. RefCOCOg-Rej ist eine Variante, bei der jeder Ausdruck so verändert wird, dass kein passendes Objekt existiert im Bild. Ein Modell, das nicht „nein“ sagen kann, erfindet eine Box, und jeder nachgelagerte Crop, jede nachgelagerte Zählung und jede nachgelagerte Maske erbt diese Erfindung.

WeVisOne-VL-4B lehnt in 67,4 % der Fälle korrekt ab, im Vergleich zu 50,2 % beim 2B. Das ist eine echte und große Verbesserung – ein Zugewinn von 17 Punkten, der den Fehlermodus einer Pipeline von einem Münzwurf zu zwei von drei verändert. Außerdem bedeutet es, dass das 4B bei ungefähr jeder dritten Abfrage nach einem nicht vorhandenen Objekt immer noch eine selbstsichere Box zurückgibt. Bei Tencents eigenem internen WeRef-Bench liegt die Ablehnungsrate bei 96,4 %, aber dieser Benchmark besteht aus 2.880 englischen und chinesischen Abfragen, die das Labor selbst erstellt hat, sodass er eine freundlichere Verteilung als der öffentliche misst. Die ehrliche Zusammenfassung ist, dass das Modell ein brauchbares Abstinenzverhalten hat und das Problem nicht gelöst hat; wenn Ihre Anwendung eine halluzinierte Region nicht tolerieren kann, braucht dies einen Schwellenwert oder eine zusätzliche zweite Prüfung obendrauf, unabhängig davon, welches Modell Sie wählen.

Die Zahl, die vergleichbar aussieht und es nicht ist

Es ist verlockend, die 90,5 RefCOCO-avg von LFM3-VL-2B neben die 81,8 RefCOCOg von WeVisOne-VL-4B zu stellen und einen Sieg des kleineren Modells um 8,7 Punkte zu verkünden. Tun Sie es nicht. Das sind unterschiedliche Splits und unterschiedliche Metriken: Liquid meldet einen Durchschnitt über die RefCOCO-Familie, Tencent meldet RefCOCOg-Test-F1 für Referring Detection. Subtrahiert man sie voneinander, ergibt sich eine Zahl ohne Bezug.

Dieselbe Falle steckt in der OCR. LFM3-VL-2B erzielt 86,3 auf OCRBench v1, einem zusammengesetzten Benchmark aus Texterkennung, -spotting und -reasoning; WeVisOne-VL-4B erzielt einen mittleren F1-Wert von 52,0 auf TotalText, einem Benchmark zur Lokalisierung von Szenentext. Das eine ist eine breit angelegte Prüfung, das andere eine Dense-Prediction-Aufgabe. Es ist nicht dieselbe Fähigkeit, zweimal gemessen.

Die beiden Anbietertabellen überschneiden sich also nicht bei einer einzigen vergleichbaren Zahl. Ehrlich vergleichen lassen sich Fähigkeiten und Kosten, weshalb es im weiteren Verlauf dieses Vergleichs um Eignung statt um Rangfolge geht. Wer aus diesen beiden Tabellen einen Sieger kürt, erfindet einen.

Speicher ist der wahre Preis

Keines der beiden Modelle hat zum 28. Oktober 2026 einen veröffentlichten Preis pro Token. Liquids Karte verlinkt API- und Playground-Zugang über seine Konsole, aber für LFM3-VL-2B wurde keine Preisliste veröffentlicht; die Drittanbieter-Tracker, die Liquids Preise für Textmodelle aufführen, decken das Vision-Modell nicht ab. Tencent hat überhaupt keinen gehosteten Endpoint. Die Gegenüberstellung ist also ein Vergleich des Selbsthostings, und die Rechnung wird in Speicher bemessen.

• LFM3-VL-2B — rechnerisch aus der Parameteranzahl etwa 3,84 GB bei BF16, mit daneben veröffentlichten 4-Bit-Builds für MLX, GGUF und ONNX

• WeVisOne-VL-4B — nach Schätzungen Dritter etwa 9,7 GB in BF16, etwa 19 GB in F32, zuzüglich der erforderlichen mask_decoder.pt

Diese 2,5-fache Lücke bedeutet nicht einfach nur eine größere GPU. Es ist eine andere Geräteklasse. Die Karte LFM3-VL-2B macht ausdrücklich klar, dass das Modell für den Betrieb direkt auf dem Gerät gebaut ist – Fragen zu Videos, Dokumenten, Diagrammen und App-Bildschirmen, das Finden von Objekten, räumliches Denken für Roboter – und die MLX-4-Bit- und GGUF-Builds sind der Weg, dieses Versprechen einzuhalten: ein Laptop, ein Telefon, ein Robotergestell. Die dokumentierten Wege von WeVisOne-VL-4B sind Transformers, vLLM und SGLang auf BF16, ohne offiziellen quantisierten Build und ohne On-Device-Runtime. Es will eine Server-GPU.

Die Framework-Unterstützung sollte man eher am eigenen Pfad als anhand der Tabelle prüfen. Video mit 2 fps ist eine Fähigkeit des Modells LFM3-VL-2B, aber ob eine bestimmte Runtime ein Video-Grid akzeptiert, ist eine separate Frage, und die Modellkarte, die Ports und die Upstream-PRs waren sich darüber nicht immer einig. Testen Sie genau die Kombination, die Sie ausliefern möchten.

OrcaRouter hostet keines der beiden Modelle. Das wurde am 28. Oktober 2026 anhand des Katalogs verifiziert und nicht angenommen – weder Liquids LFM3-Reihe noch Tencent WeVisOne taucht in der Modellliste auf –, daher sollte nichts hier als Route zu einem der beiden gelesen werden. Was der OrcaRouter-Modellkatalog führt, ist Qwen3-VL-8B, in den Varianten Instruct und Thinking, was die pragmatische Option ist, wenn Ihre tatsächliche Anforderung ein gehostetes Vision-Modell mit einem heute veröffentlichten Preis statt eines selbst gehosteten Checkpoints ist. Mit einem einzigen Schlüssel erreichen Sie alles zum Listenpreis des Anbieters ohne Aufschlag, und wenn Sie mit einem unerprobten Open-Weight-Modell prototypen, ist es besser, es über einen Router mit Failover laufen zu lassen, als einen Produktionspfad an einen Checkpoint zu verdrahten, der noch keine unabhängige Evaluierung erfahren hat.

Welches soll man wählen?

• Wähle WeVisOne-VL-4B, wenn das Ergebnis Geometrie ist – Masken, Alpha-Mattes, dichte Boxen, Zählungen, Pointing – auf Standbildern, wenn die Abfragen sprachkonditioniert statt box-prompted sind und wenn du eine GPU übrig hast

• Wählen Sie WeVisOne-VL-2B statt der 4B-Variante, wenn Ihre Aufgabe box-prompted Matting auf gewöhnlichen Szenen ist; laut den veröffentlichten Zahlen ist das kleinere Modell darin besser und benötigt weniger als die Hälfte des Speichers

• LFM3-VL-2B wählen, wenn die Eingabe Video enthält, wenn das Dokument lang ist, wenn die Antwort ein Satz statt eines Polygons sein muss oder wenn das Gerät kein Server ist

• Wählen Sie keinen der beiden, wenn Sie diese Woche einen gehosteten Endpunkt mit einem veröffentlichten Preis pro Token benötigen – keiner der Anbieter bietet einen solchen an, und kein noch so umfangreiches Benchmarking schließt diese Lücke

• Wählen Sie nur dann beide, wenn Sie zwei Ausgabeschemata und zwei Integrationspfade akzeptieren; das gemeinsame Parameterband „etwa 2B bis 5B“ verschleiert zwei unterschiedliche Produkte

Was würde das ändern?

Drei Dinge. Eine unabhängige Testumgebung, die beide Modelle mit denselben Bildern und denselben Prompts laufen lässt – bis dahin ist alles oben eine sorgfältig gelesene Anbietertabelle, was besser ist als eine nachlässig gelesene Anbietertabelle, aber kein Qualitätsnachweis. Ein quantisierter WeVisOne-Build oder eine On-Device-Runtime, was das Speicherargument von entscheidend zu verhandelbar verschieben würde. Und ein veröffentlichter Preis pro Token von einer der beiden Seiten, der die Arithmetik über Gigabytes durch eine Zahl ersetzen würde, gegen die man budgetieren kann.

Der am wenigsten wahrscheinliche der drei ist derjenige, der für diese spezifische Paarung am wichtigsten wäre: Video-Unterstützung im Pixeldecoder von WeVisOne. Derzeit verarbeitet der 2B-Generalist ein Video, während das 4B-Instrument das nicht kann, und keine Parameteranzahl behebt eine Modalität, die nie trainiert wurde.