SingVL_S1_4B vs. WeVisOne VL 4B: Der stille Release gegen das fertige Modell

Tencents WeChat-Vision-Team veröffentlichte im Oktober 2026 das Paper, die Gewichte, das Inferenzpaket und die Demo unter Apache 2.0. So sieht ein fertiges Release aus. inclusionAI lud am 11. November 2026 zwei Safetensors-Shards hoch – ohne Ankündigung, ohne Paper, ohne Lizenz und ohne gehosteten Endpunkt – und damit war die Sache für sie erledigt. WeVisOne VL 4B und SingVL_S1_4B haben beide ungefähr viereinhalb bis fünf Milliarden Parameter, basieren beide auf Qwen-Vision-Backbones, befassen sich beide damit, etwas Präziseres als einen Absatz aus einem Bild herauszuholen – und sie erledigen dabei entgegengesetzte Hälften dieser Aufgabe. Das eine legt Masken über Pixel. Das andere liefert eine Wahrscheinlichkeit über die Antworten, die man ihm anzubieten gedachte. Beim Vergleich der beiden geht es weniger darum, welches besser ist, als darum, was ein Release wert ist, bevor es fertig ist.

Die beiden Fähigkeiten, schmucklos formuliert

WeVisOne-VL-4B — der Name ist eine Zusammenziehung von WeChat Vision All-in-One — vereint objektbasierte Wahrnehmung und pixelbasierte Wahrnehmung in einem Modell. Konkret führt es Open-Vocabulary-Objekterkennung, Lokalisierung referierender Ausdrücke, Objektzählung, Pointing, OCR-Lokalisierung, referierende Segmentierung und promptbares Alpha-Matting durch, also die Aufgabe, eine weiche, kontinuierliche Maske um etwas wie Haare oder einen dünnen Zweig zu erzeugen, wo eine harte Grenze falsch aussehen würde. Der Mechanismus ist strukturierte Next-Token-Vorhersage über dedizierte Koordinaten-Token plus einen Pixel-Decoder mit 9,6 Millionen Parametern, der zusammen mit dem Checkpoint als mask_decoder.pt ausgeliefert wird. Es gibt None zurück, wenn ein abgefragtes Ziel fehlt, was trivial klingt und doch das mit Abstand nützlichste Verhalten im produktiven Grounding ist.

SingVL_S1_4B ist ein Entscheidungsmodell. Es nimmt einen Zustand entgegen – Text, JSON, bis zu vier Bilder – sowie ein Wörterbuch benannter Fragen, jeweils mit einem deklarierten Typ und Kandidatenantworten. Choice liefert eine Wahrscheinlichkeit pro Option, noul liefert die Wahrscheinlichkeit, dass eine Ja/Nein-Aussage zutrifft, score liefert eine Wahrscheinlichkeit pro Stufe über zwei bis zehn geordnete Stufen sowie die erwartete Stufe. Ein einziger Forward-Pass, keine Generierung, keine Koordinaten. Das Repository enthält einen FastAPI-Server auf Port 8173, der unter /v1/systemone antwortet, und die Modellkarte ist vollständig in der Terminologie dieses Protokolls verfasst.

Die Aufteilung ist also sauber. WeVisOne sagt Ihnen, wo sich das Objekt befindet und welche Form es hat. SingVL_S1_4B sagt Ihnen, wie wahrscheinlich es ist, dass es sich bei dem Objekt um das handelt, was Sie vermuten. Eine Pipeline, die eine Person aus einem Foto freistellen muss, kann mit einer Wahrscheinlichkeitsverteilung über drei Optionen nichts anfangen, und eine Pipeline, die wissen muss, ob ein Bild einen Richtlinien-Schwellenwert erfüllt, kann mit einer Maske nichts anfangen.

Was das polierte Release auf seine eigene Karte gesetzt hat

Die zentrale Tabelle von WeVisOne-VL-4B vergleicht es mit der stärksten offenen Baseline in jedem Benchmark, ausgewählt aus Qwen3-VL und Q​wen3.5 bis 9B, Rex-Omni, LocateAnything sowie aufgabenspezifischen Segmentierungs- und Matting-Modellen. Die Zeilen, die das Argument tragen:

• LVIS-Detektion — F1-Mittelwert 55,3 gegenüber einer Baseline von 50,7.

• Dense200-Dichterkennung — 71,3 gegenüber 58,7.

• RefCOCOg-Test-Referring — F1-Mittelwert 81,8 gegenüber 77,6.

• WeRef-Bench-Ablehnungsrate — 96,4 gegenüber 73,0, die Zeile, die für Production-Grounding am wichtigsten ist.

• PixMo-Count-Zählgenauigkeit – 89,6 gegenüber 82,8.

• TotalText OCR — F1-Mittelwert 52,0 gegenüber 43,3.

• ReasonSeg Referring-Segmentation – gIoU 71,2 gegenüber 65,0.

• P3M-500-NP Box-Matten — MAD 7,3 gegenüber 15,4, wobei ein niedrigerer Wert besser ist.

• WeRefMat Text-Matting — MAD 9,8 gegenüber 22,4.

Das sind Herstellerangaben zur Evaluierungs-Pipeline des Herstellers, ausgeführt mit Greedy-Decoding und höchstens 1.960 visuellen Tokens pro Bild, gegenüber Baselines, die der Hersteller ausgewählt hat. Die ehrliche Lesart ist: Sie belegen, dass das Modell funktioniert und ungefähr, wo es im Vergleich zur stärksten offenen Alternative bei jeder Aufgabe steht – nicht, dass die Abstände exakt sind. Die Zeile zur Ablehnungsrate ist vom Grundsatz her am vertrauenswürdigsten, weil 96,4 gegenüber 73,0 ein ausreichend großer Unterschied ist, als dass Details des Testaufbaus ihn erklären könnten, und das Ablehnen nicht vorhandener Ziele der Fehlermodus ist, der Grounding-Systeme im Produktivbetrieb ruiniert.

Es gibt außerdem eine 2B-Variante mit eigener Spalte, die nützlich ist: 78,2 bei RefCOCOg-Test, 50,2 bei Ablehnung, 62,9 in der Dense-Detection-Zeile. Der Anbieter veröffentlichte die schwächeren Zahlen des kleineren Modells neben den stärkeren des größeren Modells – eine Art der Offenlegung, die darauf hindeutet, dass die Tabelle nicht für einen Launch-Beitrag zusammengestellt wurde.

Was die stille Veröffentlichung auf ihre eigene Karte setzte

SingVL_S1_4B veröffentlicht eine Tabelle „Public Decision Index 0.3“: 69,76 bei Text, 73,94 bei Vision, gegenüber TypeSafe Jev 1.14 mit 60,70 bei Text, StartLux-Decision v1.1 4B mit 67,8 und 67,90 sowie Perplexity Decider Flash v1.2 mit 60,1 und 72,5. Die Aufschlüsselung hinter dem Vision-Aggregat reicht von InfographicVQA mit 96,31 und Winoground mit 93,12 bis hinunter zu MMMU-Pro vision mit 50,17 und R-Bench-M mit 49,77.

{{1}}Diese Zahlen{{/1}} haben drei Probleme, die {{2}}denen von WeVisOne{{/2}} fehlen. Sie sind zwei Tage alt. Sie stehen auf einer Bestenliste, deren Scoring-Kit öffentlich ist, deren private Hälfte aber nicht, produziert von einem Labor, das noch keinen Lauf zum öffentlichen Reproduktions-Kit eingereicht hat — obwohl die Karte Anweisungen zum Einreichen eines solchen enthält. Und das Repository hat keine Lizenz, was bedeutet, dass nicht die Zahlen die bindende Einschränkung für die Adoption sind; der Papierkram ist es.

Was die Karte unstrittig festhält, ist die Schnittstelle: eine Wahrscheinlichkeit pro Frage und pro Option aus einem einzigen Forward-Pass, wobei die Interna des Protokolls als SHA-256-Hashes in config.json mitgeliefert werden, sodass ein Lauf gegen den Code verifiziert werden kann, der ihn erzeugt hat. Das ist eine echte Engineering-Entscheidung und das Glaubwürdigste an diesem Release.

Die ehrliche Anzeigetafel hat eine gemeinsame Zeile, und diese ist leer.

Diese beiden Modelle haben keinen gemeinsamen Benchmark. WeVisOne misst F1 bei IoU-Schwellenwerten, gIoU und die mittlere absolute Differenz auf Mattes. SingVL_S1_4B misst die zufallskorrigierte Genauigkeit über Optionsmengen. Es gibt keine Zeile, in der dieselbe Messung an beiden vorgenommen wurde, und eine solche zu konstruieren würde erfordern, beide auf denselben Daten laufen zu lassen — was niemand getan hat, weil einer der Checkpoints zwei Tage alt ist.

Was sich vergleichen lässt, ist die Form der Belege. WeVisOnes Veröffentlichung umfasst einen technischen Bericht auf arXiv, eine Projektseite, ein GitHub-Repository mit einer Evaluationspipeline, ein Cookbook, zwei Demo-Spaces und Reproduktionsanweisungen, denen ein Dritter folgen kann. Die Veröffentlichung von SingVL_S1_4B umfasst eine Modellkarte und einen Inferenzordner. Eines davon ermöglicht es einem Außenstehenden, die Behauptungen zu überprüfen; das andere verlangt von einem Außenstehenden, ihnen zu vertrauen.

Die Lizenzierung, die mehr entscheidet als jeder der beiden Benchmarks

WeVisOne-VL-4B steht unter Apache 2.0. Das deckt den von Tencent verfassten Code und die Gewichte ab, wobei Drittanbieterkomponenten ihre eigenen Bedingungen behalten, und das ist der Grund, warum bereits innerhalb von zwei Wochen nach der Veröffentlichung GGUF-Quantisierungen, ein ComfyUI-Node, ein GGUF-Build für eine Rockchip-NPU und ein chinesischsprachiges Integrationspaket im Umlauf sind. Weiterverbreitung ist erlaubt, also wurde auch weiterverbreitet.

SingVL_S1_4B gibt in seinen Metadaten keine Lizenz an und liefert keine LICENSE-Datei mit. inclusionAI hat bei seinen anderen Veröffentlichungen explizite Lizenzen verwendet – Apache 2.0 für LemonDecider, Q​wens Community-Lizenz für die SingProbe-Modelle –, daher wirkt die Lücke wie ein unvollständiger Upload. Doch „sieht wie ein Versehen aus“ ist keine Lizenz, und eine Compliance-Prüfung kann ein Modell nicht mit der Begründung freigeben, sein Herausgeber habe wahrscheinlich eine permissive Lizenz beabsichtigt.

Für alle, für die die Antwort auf „Können wir das ausliefern?“ zählt, endet der Vergleich hier. WeVisOne kann ausgeliefert werden; SingVL_S1_4B noch nicht. Alles andere ist eine Diskussion über die Fähigkeiten zweier Modelle, bei der derzeit nur eines verfügbar ist, damit die Diskussion überhaupt von Bedeutung ist.

Welches passt zu welcher Pipeline?

• Etwas aus einem Bild ausschneiden — WeVisOne-VL-4B, und das ist nicht einmal knapp, weil SingVL_S1_4B überhaupt keine Segmentierungsausgabe hat.

• Objekte in einem überfüllten Bild zählen — WeVisOne-VL-4B. Es meldet 57,1 in der Zeile für dichte Erkennung, in der die beste Baseline 47,9 beträgt, und Zählen ist eine erstklassige Aufgabe statt eines durch Prompt ausgelösten Verhaltens.

• Zu wissen, dass ein Ziel nicht vorhanden ist — WeVisOne-VL-4B, aufgrund der Ablehnungszeile und der expliziten None-Rückgabe. Das ist die Fähigkeit, die eine Demo von einem System unterscheidet.

• Einen teuren Aufruf anhand einer Konfidenz freigeben — die Form von SingVL_S1_4B, wenn Sie es hosten können und die Lizenz eintrifft. Eine Wahrscheinlichkeit pro Option ist das, was ein Schwellenwert will.

• Klassifizierung gegen eine feste Taxonomie — SingVL_S1_4B grundsätzlich; seine Auswahl- und Score-Typen lassen sich direkt auf Taxonomien abbilden, während ein generatives Modell erst wieder in eine solche zurückgezwungen werden muss.

• Eine Seite lesen und sowohl die Felder als auch ihre Positionen erhalten — WeVisOne-VL-4B, das OCR mit Lokalisierung im selben Durchlauf wie die Detektion durchführt.

• Alles, was diesen Monat kommerziell eingesetzt wurde – WeVisOne-VL-4B, allein schon wegen der Lizenzierung.

Und eine Zeile, die zu keinem von beiden gehört: Wenn Sie eine schriftliche Erklärung dessen benötigen, was auf dem Bild zu sehen ist, sind beide Modelle das falsche Werkzeug. WeVisOne liefert strukturierte Wahrnehmung und SingVL_S1_4B gibt Wahrscheinlichkeiten zurück; keines von beiden schreibt einen Absatz.

Was der Vergleich über den Markt lehrt, nicht über die Modelle

Das Interessante daran ist nicht, dass ein Modell besser ist. Es ist, dass zwei Labore vergleichbarer Größe im selben Quartal ein Vision-Modell mit 4 bis 5 Milliarden Parametern veröffentlichten und die Veröffentlichung völlig unterschiedlich handhabten. Tencent lieferte ein Paper, einen Decoder-Checkpoint mit angegebener Parameterzahl, eine Evaluierungs-Pipeline, eine Lizenz und eine Projektseite, und das Ökosystem baute innerhalb von zwei Wochen Quantisierungen und Integrationen. inclusionAI lieferte Gewichte, ein Inferenzskript und eine Benchmark-Tabelle, und das Ökosystem kann nichts davon nutzen, bis die Lizenz erscheint.

Beide Strategien sind legitim. Eine stille Veröffentlichung ermöglicht es einem Labor, einen Checkpoint ohne Launch-Erzählung herauszubringen, und die Modellkarte hier ist wirklich gut geschrieben – die API-Beispiele laufen, die Fragetypen sind mit durchgerechneten Rechenbeispielen dokumentiert, und die Konfiguration enthält Hashes, die eine Überprüfung möglich machen. Aber ein Checkpoint ohne Lizenz ist eine Demonstration, kein Produkt, und der Unterschied zeigt sich genau an der Stelle, zu der dieser Vergleich immer wieder zurückkehrt: ob jemand anderes als der Autor darauf aufbauen kann.

Wenn Sie das Entscheidungsmuster testen möchten, bevor die Unterlagen eintreffen, ist das Muster selbst aufrufbar. OrcaRouter bietet TypeSafe Jev 1.14 für $0.042 pro Million Eingabe-Token an zusammen mit über 200 Modellen unter einem einzigen Schlüssel, reicht die Listenpreise der Anbieter mit 0 % Aufschlag durch und bietet automatischen Failover zwischen Anbietern. Sing VL S1 ist nicht auf OrcaRouter und nirgendwo gehostet, daher ist dies keine Verfügbarkeitsaussage darüber — es ist der günstigste Weg herauszufinden, ob Wahrscheinlichkeitsausgaben Masken auf Ihren eigenen Labels schlagen, bevor Sie eine GPU für einen Checkpoint ausgeben, dessen Bedingungen leer sind.

WeVisOne-VL-4B kann man einfach herunterladen. Das ist letztlich der Vergleich: Das eine ist ein Modell, das man nutzen kann, und das andere ist ein Modell, über das man nur lesen kann.