Molmo2-4B vs. WeVisOne-VL-4B: Punkte, Masken und die Frage, die niemand zuerst stellt

Bittet man beide Modelle, den Hund zu finden, erhält man von jedem eine Antwort. Molmo2-4B gibt eine Koordinate zurück. WeVisOne-VL-4B gibt eine Bounding Box zurück und, wenn man die Matte anfordert, einen Alpha-Kanal in voller Auflösung, der das Fell noch enthält. Das sind drei verschiedene Produkte, die dasselbe Wort tragen – „Grounding“ –, und welches man braucht, entscheidet diesen Vergleich lange bevor es irgendein Benchmark tut. Molmo2-4B ist ein generalistisches Vision-Language-Modell mit 4,85B Parametern vom Allen Institute for AI mit einer Punktausgabe und einem echten Videopfad. WeVisOne-VL-4B ist ein Perzeptionsmodell mit 4,83B Parametern aus dem WeChat-Vision-Team von Tencent, das Detektion, Referring Localization, Zählen, Pointing, OCR, Referring Segmentation und promptfähiges Alpha-Matting hinter einem einzigen Checkpoint plus einem Pixel-Decoder mit 9,6M Parametern vereint.Perzeptions-Pipelines bleiben selten bei einem einzigen Modell stehen.Preisgestaltung mit 0 % AufschlagDer Listenpreis des Anbieters wird unverändert weitergegeben, sodass eine Preissenkung des Anbieters noch am selben Tag wirksam wird.

Keines von beiden ist neu. Molmo2-4B wurde am 11. Dezember 2025 angekündigt, und seine Gewichte wurden am 14. Dezember veröffentlicht. Das Repository von WeVisOne-VL-4B erschien am 22. Oktober 2026 mit einem angehängten arXiv-Paper, 2610.31329. Die jüngste Änderung auf der Molmo-Seite betrifft die Infrastruktur und nicht ein Modell: Die native Transformers-Unterstützung wurde am 9. Oktober zusammengeführt und am 15. Oktober in v5.20.0 ausgeliefert, und Ai2 veröffentlichte am 5. November einen Molmo2-4B-Robotics-Fine-Tune. Nützlich, wenn du darauf gewartet hast, es ohne Remote-Code auszuführen. Kein Release und kein Grund, das als Launch zu bezeichnen.

Der Ausgabe-Vertrag ist die ganze Entscheidung.

• Molmo2-4B — ein Punkt, in 0–1000 der Bildbreite und -höhe, eingebettet in ein Tag mit einer veröffentlichten Regex; im Videomodus trägt jeder Punkt einen Zeitstempel, und Mehrbild-Pointing wird zu Tripeln aus Frame-Index, x, y abgeflacht.

• WeVisOne-VL-4B — eine Box, ein Punkt, eine Maske oder eine Alpha-Matte, ausgewählt durch das Aufgabenargument; dichte Aufgaben geben nach jeder Box ein Instanz-Token aus, und der Pixel-Decoder wandelt diese in Masken und Matten um.

• Zeigen ist die einzige Ausgabe, die beide erzeugen, und es ist der einzige Punkt, an dem ein fairer Vergleich möglich ist.

• Molmo2-4B hat keinen Segmentierungskopf und kann keine Matte erzeugen. WeVisOne-VL-4B hat keinen Videopfad: Laut seiner eigenen Dokumentation werden Videoraster vom Pixeldecoder abgelehnt.

• Molmo2-4B ist Single-Turn-fähig, aber nativ multi-image; WeVisOne-VL-4B zielt auf Single-Turn-Bildwahrnehmung ab und überspringt explizit die Gedankenkette zugunsten der Latenz.

Diese vierte Zeile beendet den Großteil der Argumentation. Wenn Ihre Pipeline einen Alphakanal benötigt – Compositing, Produktfreisteller, Hintergrundaustausch, alles, bei dem eine Haarkante zählt –, ist Molmo2-4B kein Kandidat und war es nie. Wenn Ihre Pipeline ein Objekt durch 384 Videoframes verfolgen muss, kann WeVisOne-VL-4B nicht in den Vergleich eintreten. Der Rest dieses Artikels handelt von dem schmalen Bereich, in dem beide plausibel sind.

Beide sind „4B“, und keines ist ganz das.

• Parameter — Molmo2-4B hat 4.850.869.200; WeVisOne-VL-4B hat 4.830.581.248. Sie liegen nur 0,4 % auseinander, und genau dieser Zufall macht den Vergleich interessant.

• Architektur — SigLIP 2 so400m plus Qwen3-4B-Instruct-2507 für Molmo2-4B; ein Qwen3-VL-Backbone plus ein separater Maskendecoder mit 9,6 Mio. Parametern für WeVisOne-VL-4B.

• Download — 19,42 GB float32-Safetensors in vier Shards für Molmo2-4B; etwa 9,7 GB bfloat16-Gewichte, einschließlich der obligatorischen mask_decoder.pt für WeVisOne-VL-4B.

Kontext — 36.864 Positionen für Molmo2-4B; ein Budget von 262.144 Token ist nicht die operative Einschränkung für WeVisOne, das mit bis zu 1.960 visuellen Token pro Bild auswertet.

• Lizenz — Apache 2.0 für beide, wobei die Karte von Molmo2-4B hinzufügt, dass ihre Trainingsdaten nur für akademische und nicht-kommerzielle Forschungszwecke verwendet werden dürfen.

Laufzeitumgebung — Transformers mit Remote-Code (oder nativ seit v5.20.0) plus molmo_utils und decord2 für Molmo2-4B; Tencent eigenes Inferenzpaket mit einem Transformers- oder vLLM-Backend für WeVisOne-VL-4B.

Die Download-Zeile ist die praktische Überraschung. Molmo2-4B ist auf der Festplatte doppelt so groß, obwohl beide dieselbe Parameteranzahl haben, weil AI2 es in float32 und Tencent es in bfloat16 veröffentlicht haben. Ein 19,42 GB großer Download, den man sofort herunterkonvertiert, ist nicht dasselbe Objekt wie ein 9,7 GB großer Download, den man so ausliefert, wie er ist, und nur einer von beiden passt bequem neben eine Reihe anderer Modelle auf eine einzelne Maschine.

Woher die Zahlen kommen und wo sie aufhören

Keines der beiden Modelle verfügt über ein unabhängiges Scoreboard, daher sind alle folgenden Angaben herstellerberichtet. Die beiden Anbieter haben nahezu überschneidungsfreie Benchmark-Sets gewählt – genau deshalb wird der Vergleich immer wieder schlecht angestellt.

WeVisOne-VL-4B, aus dem technischen Bericht: 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. Beim Matting beträgt die box-prompted MAD auf P3M-500-NP 7,3 und die text-prompted MAD auf WeRefMat 9,8 – niedriger ist besser, und beide übertreffen die SAM2-Matting-Baselines, mit denen das Paper verglichen wird.

Molmo2-4B, laut seiner Modellkarte: ein Durchschnitt von 62,8 über 15 akademische Benchmarks, hinter seinem eigenen 8B-Geschwistermodell mit 63,1 und vor Qwen3-VL-4B mit 58,1, InternVL3.5-4B mit 53,4 und GLM-4.1V-9B mit 56,9, mit Gemini 3 Pro bei 70,0 und GPT-5 bei 70,6 in derselben Tabelle.

Keine einzige dieser Zeilen wird geteilt. Der einzige Benchmark, bei dem beide überhaupt in derselben Evaluierung auftauchen, ist Zählen, und selbst dort stammen die Zahlen aus unterschiedlichen Papers mit unterschiedlichen Protokollen.

Der unbequeme Befund in WeVisOnes eigener Veröffentlichung

Das am besten Umsetzbare in WeVisOnes Tabellen ist nicht der Score des 4B. Es ist, dass der 4B manchmal gegen sein eigenes 2B-Geschwister verliert.

• Besser bei 4B – Dense200 71,3 vs. 61,4, LVIS 55,3 vs. 53,3, RefCOCOg Test 81,8 vs. 78,2, ReasonSeg Val cIoU 71,2 vs. 60,9, PointBench 71,9 vs. 62,9, WeRefMat MAD 9,8 vs. 15,8.

• Bei 4B schlechter — P3M-500-NP Box-Matting MAD 7,3 vs. 6,6, PPM-100 6,1 vs. 5,3, Ref-ZOM-Test cIoU 72,2 vs. 73,4.

Lies den zweiten Punkt zweimal. Beim box-prompted Matting in gewöhnlichen Szenen bringt das zusätzliche Sprachmodell mit 2,8B nichts und kostet ein Zehntel eines MAD-Punkts, höchstwahrscheinlich weil der obligatorische 9,6M-Decoder die dichte Arbeit leistet und das Sprachmodell nur auswählt, worauf gezeigt wird. Das 4B-Modell rechtfertigt seine Größe bei schwierigen, sprachkonditionierten Aufgaben – Referring Segmentation, dichtes Zählen, Erkennung in dichten Menschenmengen – und hält bei den einfachen Aufgaben mühelos mit oder verschlechtert sich leicht.

Also ist {{1}}das größere WeVisOne zu nehmen{{/1}} keine sichere Standardeinstellung. Benenne die Aufgabe, bevor du den Checkpoint benennst.

Falsch-Positive, die niemand benchmarkt

Beide Modelle kann man nach etwas fragen, das nicht vorhanden ist. Ihr veröffentlichtes Verhalten unterscheidet sich deutlich, und das ist die Zeile, die jeden beunruhigen sollte, der eine Verifikationsschleife baut.

WeVisOnes Bericht nennt drei Ablehnungsraten, die routinemäßig zu einer einzigen Zahl zusammengefasst werden und nicht zusammengefasst werden dürfen: RefCOCOg-Rej 67,4, WeRef-Bench Rej 96,4 und PR-Bench Rej 52,6. Die Lücke zwischen 96,4 und 52,6 ist die eigentliche Geschichte. Im internen Benchmark lehnt das Modell fast immer korrekt ab, wenn das abgefragte Objekt fehlt; im öffentlichen adversarialen Set erfindet es in etwa der Hälfte der Fälle eine Antwort.

Molmo2-4B veröffentlicht überhaupt keine Ablehnungsrate. Seine Modellkarte berichtet Durchschnittswerte auf 15 Benchmarks und nichts zur Nichtantwort. Wenn Ihre Anwendung darauf angewiesen ist, dass das Modell „nicht vorhanden“ sagt, dann ist das eine ungemessene Eigenschaft auf einer Seite dieses Vergleichs, und sie verdient einen eigenen Testdatensatz statt einer Benchmark-Referenz.

Wofür jedes einzelne da ist

Verwende WeVisOne-VL-4B, wenn das Ergebnis eine Region oder ein Pixel ist: Open-Vocabulary-Detection, Referring Segmentation, promptbares Matting, dichte OCR-Lokalisierung auf einem einzelnen Bild. Verwende stattdessen das 2B-Geschwistermodell, wenn es sich um Box-Matting in einfachen Szenen handelt, da das Paper sagt, dass das 4B dort keine Verbesserung bringt. Verwende keines von beiden, wenn Video Teil der Aufgabe ist, da der Pixel-Decoder Video-Grids ablehnt.

Nehmen Sie Molmo2-4B, wenn das Ergebnis eine Position in einem Stream ist: auf das Objekt zeigen, es über Frames hinweg verfolgen, Instanzen über die Zeit zählen, über eine Reihe von Bildern schlussfolgern. Nehmen Sie es, wenn eine Koordinate plus ein Zeitstempel das nützliche Artefakt ist und eine Maske überdimensioniert wäre. Planen Sie den float32-Download und das Casten ein.

Es gibt ein drittes Muster, das in der Produktion häufiger auftritt als eine der beiden reinen Optionen: beides ausführen, weil die Aufgaben komplementär und nicht konkurrierend sind. Ein Erkennungslauf auf einem Standbild und ein Pointing-Lauf auf dem darauffolgenden Video sind zwei Aufrufe mit zwei unterschiedlichen Ausgabeformen, und die Verbindungslogik dazwischen ist der teure Teil. Genau dafür ist eine Routing-Schicht da — die Routing-DSL setzt mehrere Modelle zu einem Aufruf zusammen, sodass die Übergabe zwischen einem Matting-Modell und einem Pointing-Modell eine Konfiguration statt eines Dienstes ist. Weder WeVisOne-VL-4B noch Molmo2-4B ist im OrcaRouter-Katalog enthalten; beides sind Gewichte, die Sie selbst hosten, und die ehrliche Einordnung ist, dass das Routing darüber liegt.

Die einzeilige Antwort

Wenn du Pixel brauchst, ist das kein Vergleich – WeVisOne-VL-4B ist das einzige Modell, das sie erzeugt, und du solltest prüfen, ob sein 2B-Geschwister es bei deiner konkreten Matting-Aufgabe schlägt, bevor du für das 4B bezahlst. Wenn du Punkte über die Zeit brauchst, ist es ebenfalls kein Vergleich – Molmo2-4B ist das einzige mit einem Videopfad. Der direkte Vergleich wird erst dann wirklich relevant, wenn die Aufgabe lautet: „Finde das Objekt in diesem Standbild“, und dort ist nicht die Genauigkeit der entscheidende Faktor, sondern die Enthaltung: WeVisOne hat veröffentlichte Ablehnungswerte, Molmo2-4B keine.