WeVisOne-VL-4B vs. LFM2.5-VL-3B: Ein Matting-Spezialist gegen einen Edge-Speedster

Liquid AI veröffentlicht einen Geschwindigkeitswert für LFM2.5-VL-3B, Tencent veröffentlicht keinen für WeVisOne-VL-4B. Diese Asymmetrie, mehr als jede Benchmark-Zeile, ist das eigentliche Duell. LFM2.5-VL-3B ist ein Edge-Modell mit 3,1 Mrd. Parametern, das darauf abgestimmt ist, in einem Durchlauf zu antworten: 228 Token pro Sekunde auf einem Apple M5 Max, 20 Token pro Sekunde auf einem Galaxy S26 Ultra, unter 3,3 GB Speicher, sechzehn Sprachen. WeVisOne-VL-4B ist ein Wahrnehmungsmodell mit 4,83 Mrd. Parametern, das bis zu 1.960 visuelle Token und einen Decoder mit 9,6 Mio. Parametern aufwendet, um Ihnen eine Alpha-Maske in voller Auflösung zu liefern. Das eine ist darauf ausgelegt, schnell genug zu sein, um in einer Smartphone-UI zu sitzen; das andere ist darauf ausgelegt, Pixel auszugeben. Sie überschneiden sich beim Wort „Vision“ und fast nirgendwo sonst.

Das macht diesen Vergleich zu einem, den man sorgfältig durchführen sollte, denn die naheliegende Variante – die Benchmark-Tabellen nebeneinanderzustellen und einen Sieger zu küren – wäre auf eine bestimmte und lehrreiche Weise falsch.

Die Benchmark-Tabellen kommunizieren nicht miteinander

Beide Modelle veröffentlichen Zahlen für Referring Expressions, und beide Zahlen wirken vergleichbar. Sie sind es nicht. LFM2.5-VL-3B meldet RefCOCO-avg P@1 von 87,9. WeVisOne-VL-4B meldet RefCOCOg-Test-F1-Mittel von 81,8. Anderer Datensatz-Split, andere Metrik, anderes Fehlermodell: P@1 fragt, ob die am höchsten gerankte Box richtig ist, F1 mean mittelt Precision und Recall über IoU-Schwellenwerte von 0,5 bis 0,95. Ein Modell kann bei der einen gewinnen und bei der anderen deutlich verlieren, ohne dass eines der Ergebnisse überraschend wäre.

Dieselbe Falle steckt in jeder anderen Zeile. Liquids 80,7 auf ScreenSpot-v2 misst das Grounding von UI-Elementen; Tencent hat keinen ScreenSpot-Wert. Tencents Ablehnungsrate von 96,4 % auf WeRef-Bench misst, ob das Modell die Antwort verweigert, wenn das Objekt nicht vorhanden ist; Liquid veröffentlicht überhaupt keine Ablehnungskennzahl. Keiner der Anbieter hat das Modell des anderen evaluiert, daher ist keine Zeile in einer der beiden Tabellen ein direkter Vergleich.

Was sich ehrlich sagen lässt, ist richtungsweisend. LFM2.5-VL-3B ist ein starker Generalist in seiner Größe – 69,4 im Durchschnitt über 28 Vision-Benchmarks nach Liquids eigener Zählung, innerhalb von 0,7 Punkten von Qwen3.5-4B – und sein Sprung bei ScreenSpot-v2 von nahe null in der vorherigen Generation auf 80,7 ist die größte einzelne Verbesserung in seiner Tabelle. WeVisOne-VL-4B konkurriert nicht auf dieser Achse. Seine stärksten Behauptungen betreffen die dichte Erkennung kleiner Objekte, die Zurückweisung und pixelgenaue Ausgaben – nichts davon versucht LFM2.5-VL-3B.

Was jedes Modell physisch ist

• Parameter — WeVisOne-VL-4B 4,83 Mrd. dense (F32-Checkpoint) vs. LFM2.5-VL-3B 3,12 Mrd. dense (BF16)

• Vision-Pfad — ein Qwen3-VL-Backbone plus ein Decoder mit 9,6 Mio. Pixeln im Vergleich zu einer hybriden Convolution-Attention-Textbasis LFM2.5-2.6B plus einem SigLIP2-NaFlex-400M-Encoder

• Speicher — etwa 19 GB auf der Festplatte für den F32-4B-Checkpoint gegenüber unter 3,3 GB Gesamtbedarf für das 3B-Modell

• Kontext – kein veröffentlichter Wert für WeVisOne-VL-4B gegenüber 32.768 Tokens für LFM2.5-VL-3B

• Sprachen — für WeVisOne-VL-4B nicht angegeben, gegenüber 16 bei LFM2.5-VL-3B, mit einem 128K-Vokabular, das für nichtlateinische Schriftsysteme ausgelegt ist

• Ausgabetypen — Boxen, Punkte, Masken und Alpha-Mattes vs. Boxen und nur Text

• Lizenz — Apache 2.0 für von Tencent verfassten Code vs. die LFM Open License v1.0

• Geschwindigkeit — unveröffentlicht vs. 228 Tok/s auf einem M5 Max, 116 Tok/s auf einem Ryzen AI Max+ 395, 20 Tok/s auf einem Galaxy S26 Ultra

Die Fähigkeitslücke, die tatsächlich den Ausschlag gibt

{{1}}LFM2.5-VL-3B kann Ihnen sagen, wo sich eine Person in einem Bild befindet.{{/1}} {{2}}WeVisOne-VL-4B kann Ihnen sagen, wo sich eine Person befindet, eine binäre Maske für diese Instanz zurückgeben und eine kontinuierliche Alpha-Matte mit weichen Kanten – Haare, Fell, durchscheinender Stoff, Bewegungsunschärfe – in voller Auflösung zurückgeben.{{/2}} Das ist ein kategorialer Unterschied, kein Qualitätsunterschied. Wenn Ihr Produkt ein Motiv auf einen neuen Hintergrund compositen, ein Produktfoto freistellen oder den Hintergrundaustausch eines Videoanrufs steuern muss, hat LFM2.5-VL-3B Ihnen nichts zu bieten, und kein noch so geschicktes Prompt-Engineering ändert daran etwas.

Dreht man den Vergleich um, passiert dasselbe. Wenn Ihr Produkt einen Button auf einem Telefonbildschirm in 40 Millisekunden finden muss, ist WeVisOne-VL-4B völlig die falsche Form: Es ist ein 4,83B-Modell ohne veröffentlichte Latenzangabe, ohne quantisierte Edge-Builds und mit einem Decoder, der ein Bild pro Turn annimmt. Liquid liefert GGUF-, MLX-, ONNX- und native Builds, dazu einen 32K-Kontext und Tool-Calling-Benchmarks. Tencent liefert ein Research-Inference-Paket und vLLM/SGLang-Serving.

Ablehnung ist die unterschätzte Kolumne.

Eine Fähigkeit in der Tabelle von Tencent verdient Aufmerksamkeit, selbst wenn man Matting nie anfasst. Bei WeRef-Bench lehnt WeVisOne-VL-4B 96,4 % der Anfragen nach Objekten, die nicht im Bild sind, korrekt ab, gegenüber 73,0 % bei der besten von den Autoren aufgeführten Baseline; bei PR-Bench liegt die Ablehnungsrate bei 52,6 % gegenüber 10,8 % bei Qwen3-VL-4B. Das Modell gibt None zurück, anstatt eine Box zu erfinden. Ein Detektor, der halluziniert, ist schlimmer als kein Detektor, weil der Fehler still ist und nachgelagerter Code ihm vertraut.

Die Dokumentation von LFM2.5-VL-3B nennt keine Ablehnungsquote, es gibt also nichts, womit man sie vergleichen könnte – und genau darum geht es. Fehlende Belege sind kein Scheitern, aber wenn man einen Agenten baut, der entscheiden soll, ob auf etwas geklickt wird, dann ist das Vorhandensein einer gemessenen Ablehnungsrate ein echter Grund, sich zuerst das Tencent-Modell anzusehen.

Lizenzierung ist der leise Differenzierungsfaktor

Hier gehen die beiden auf eine Weise auseinander, die für jeden relevant ist, der kommerziell vertreibt. Die Gewichte von WeVisOne-VL-4B stehen für von Tencent verfassten Code unter Apache 2.0, während Drittanbieterkomponenten ihre eigenen Bedingungen behalten. LFM2.5-VL-3B wird unter der LFM Open License v1.0 vertrieben, die für kommerzielle Nutzung unterhalb einer Umsatzschwelle kostenlos ist und oberhalb davon eine kommerzielle Vereinbarung erfordert. Wenn Sie ein kleines Team sind, ist der Unterschied akademisch. Wenn nicht, ist eines davon eine juristische Prüfung und das andere eine Zeile in einer Abhängigkeitsdatei.

Keine der beiden Lizenzen gewährt Ihnen einen Hosting-Dienst. WeVisOne-VL-4B hat überhaupt keine API; LFM2.5-VL-3B ist eine Veröffentlichung der Gewichte, und jedes Hosting durch Dritte ist eine separate Vereinbarung. Das so klar zu sagen, ist wichtiger als früher, denn ein Modell ohne Endpunkt ist eine Verpflichtung, den Inferenz-Stack selbst zu betreiben.

Wo OrcaRouter passt – und wo nicht

Keines dieser Modelle ist derzeit im Katalog von OrcaRouter, sodass es hier keinen Weg gibt, sie aufzurufen. Was die Plattform bietet, ist die Entscheidung drumherum. Die meisten Teams, die ein 3B-Edge-VLM evaluieren, ersetzen nicht ein Modell durch ein anderes – sie fügen ein zweites neben dem bereits in Produktion befindlichen Allzweckmodell hinzu, und die operativen Kosten eines zweiten Anbietervertrags, eines zweiten Schlüssels und eines zweiten Fehlermodus beenden das Experiment meist, bevor das Modell es tut.

Beide Intents über einen einzigen Endpoint zu routen, mit mehr als 200 Modellen hinter einem Schlüssel bei 0 % Aufschlag auf den Listenpreis des Anbieters, bedeutet, dass das Wahrnehmungsmodell eine Routing-Entscheidung sein kann statt eines Integrationsprojekts. Wenn das Edge-Modell nicht verfügbar ist, leitet ein automatisches Failover die Anfrage woandershin weiter, statt einen 503 zurückzugeben. Das ist der Teil, den OrcaRouter hier tatsächlich löst; die Gewichte und die GPU gehören weiterhin Ihnen.

Welches soll man wählen?

Wählen Sie LFM2.5-VL-3B, wenn die Aufgabe latenzgebunden und textförmig ist: Bildschirmverständnis, UI-Agenten, Dokument-OCR mit Layout, Übersetzung auf dem Gerät, Tool-Calling. Es ist schneller als fast alles in seiner Größe, läuft innerhalb des Speicherbudgets eines Telefons, und Liquid hat genügend Zahlen veröffentlicht, damit Sie die Angaben an Ihrem eigenen Workload überprüfen können.

Wähle WeVisOne-VL-4B, wenn die Aufgabe in Pixeln endet. Segmentierung, Matting, dichte Detektion kleiner Objekte oder jede Pipeline, in der „das Modell sagte nein“ eine verlässliche Antwort sein muss. Akzeptiere, dass du ein Early Adopter bist: Es gibt keinen unabhängigen Benchmark-Lauf, keinen gehosteten Endpunkt, der Fine-Tuning-Code steht noch auf der TODO-Liste, und das Paper ist zwei Tage alt.

Das Einzige, was man nicht tun sollte, ist, zwischen ihnen anhand eines einzigen Benchmark-Ergebnisses zu wählen. Sie wurden von niemandem gegeneinander auf denselben Daten gemessen.