LFM3-VL-2B vs WeVisOne-VL-2B: Tres días de diferencia, apuestas opuestas

LFM3-VL-2B apareció en Hugging Face el 19 de octubre de 2026. WeVisOne-VL-2B apareció el 22 de octubre. Dos modelos, ambos de alrededor de dos mil millones de parámetros, ambos de pesos abiertos, ambos de laboratorios conocidos, publicados con 72 horas de diferencia. Se esperaría que fueran casi sustitutos. Están más cerca de ser apuestas opuestas sobre lo que significa "visión": uno responde preguntas sobre lo que ve, el otro devuelve la forma precisa de lo que ve.

Esa distinción es fácil de pasar por alto en una ficha de especificaciones, porque ambas tarjetas listan cajas y ambas listan OCR. La diferencia está en el formato de salida y en el objetivo de entrenamiento, y determina si puedes insertar cualquiera de los dos modelos en un pipeline sin una capa de parseo. También determina cuál de ellos tiene motivo para existir cuando los modelos de propósito general mejoren.

Dos definiciones de ver

LFM3-VL-2B es el modelo generalista de Liquid AI. Acepta texto, imágenes y vídeo a 2 fps, genera texto, admite razonamiento paso a paso, tiene un contexto de 128K y cubre 16 idiomas. La arquitectura es un modelo denso de 1,92B —una base lingüística de 1,73B, un codificador de visión propio de 164M y un proyector de 25M—, con compilaciones publicadas en BF16, GGUF, MLX 4-bit y ONNX. La publicación de la familia de Liquid lo presenta como un modelo que puede «observar, razonar y comprender el mundo físico», y la vía de vídeo es genuinamente nueva para la familia.

WeVisOne-VL-2B es el modelo de visión de WeChat de Tencent. Se basa en una arquitectura troncal Qwen3-VL de aproximadamente 2400 millones de parámetros bajo Apache 2.0, y su propósito es la percepción unificada: detección de vocabulario abierto, localización por referencia, conteo, señalización, localización de OCR, segmentación por referencia y matting alfa con indicaciones. Devuelve coordenadas normalizadas mediante tokens dedicados, además de máscaras mediante un decodificador de píxeles independiente de 9,6 M de parámetros que debe cargarse junto con el modelo de lenguaje.

Un modelo es un lector. El otro es un instrumento de medición. El solapamiento en sus tablas de benchmarks es real, pero es el solapamiento de dos productos diferentes que miden la misma escena.

El formato de salida es el producto

WeVisOne-VL-2B codifica las coordenadas como tokens desde <0> hasta <1000>, marca cada instancia con un token <OBJ> y devuelve None cuando el objetivo solicitado está ausente. Ese último detalle es el que los profesionales notan: la ficha informa una tasa de rechazo de 50,2 en RefCOCOg, frente a aproximadamente 0,5 de Rex-Omni y LocateAnything. Está entrenado para decir "aquí no está" en lugar de alucinar una caja.

El decodificador de píxeles no es opcional. La segmentación y el alpha matting requieren mask_decoder.pt, un módulo de 9,6 M de parámetros activado por el token de objeto. Si cargas solo el modelo de lenguaje, obtienes coordenadas pero no máscaras. El repositorio de GitHub incluye el paquete de inferencia que conecta ambos, y el modelo es de un solo turno y solo para imágenes por diseño: el decodificador de píxeles rechaza las cuadrículas de vídeo.

LFM3-VL-2B no tiene un contrato equivalente. Describe una región, cuenta objetos o razona sobre una escena en prosa, y su fila de grounding (RefCOCO-avg 90,5) sugiere que es competente en localización. Pero la salida es texto. Para un pipeline que necesita una máscara, la diferencia entre 90,5 y un polígono analizable es la diferencia entre una demo y un producto.

Números de referencia que no puedes restar

Las dos tarjetas informan resultados de la familia RefCOCO, y no son la misma medición. LFM3-VL-2B informa RefCOCO-avg 90.5, que promedia las divisiones de expresiones referenciales. WeVisOne-VL-2B informa RefCOCOg 77.1 de F1 medio para detección referencial y RefCOCO testA 82.9 de cIoU para segmentación referencial. RefCOCOg es una división diferente, con expresiones más largas y más conversacionales; cIoU es una métrica distinta de F1.

Restar 77,1 a 90,5 produce un número que no significa nada. La lectura honesta es que ambos modelos son sólidos en localización referencial con sus propios arneses, que ninguno de los arneses ha sido reproducido de forma independiente y que las definiciones de las métricas difieren lo suficiente como para que la clasificación quede sin resolver. La misma cautela se aplica a OCR: LFM3-VL-2B reporta OCRBench v1 86,3, mientras que WeVisOne-VL-2B reporta OCR HierText 30,5, que es un benchmark diferente sobre un conjunto de datos más difícil.

Donde la comparación es limpia, favorece al especialista en su propio terreno: WeVisOne-VL-2B reporta un F1 de detección de 55,2 en COCO, 53,3 en LVIS y 61,4 en Dense200, frente a un modelo que no publica ningún F1 de detección. Eso no es una victoria por defecto. Es un recordatorio de que el generalista no fue entrenado para ser evaluado de esa manera.

El acabado mate es el foso

El matting alfa con prompts es la función que ni LFM3-VL-2B ni la mayoría de su clase de tamaño ofrece. WeVisOne-VL-2B reporta una diferencia absoluta media de 6,6 en P3M-500-NP para mattes de bordes suaves — la frontera semitransparente alrededor del pelo, el vidrio y el pelaje que una máscara de segmentación binaria convierte en un corte duro. La ficha es sincera sobre los límites: las fronteras finas del alfa se degradan con la oclusión, la baja resolución y la transparencia. Pero para recortes de producto, composición y reemplazo de fondo, un matte es la salida que el pipeline realmente necesita.

Este es el argumento más sólido a favor de la existencia del modelo. Un generalista de 2B puede describir una imagen; no puede entregarte un canal alfa suave. Tencent creó un modelo pequeño en torno a un decodificador de píxeles porque obtener esa salida de un modelo grande de propósito general resulta costoso, y el hermano de 4B existe para equipos que necesitan más precisión en la misma tarea.

El video y el pensamiento son el otro foso defensivo.

El diferenciador de LFM3-VL-2B va en la dirección opuesta. Acepta vídeo a 2 fps y reporta 62,8 en Video-MME sin subtítulos, 69,4 en MVBench y 85,2 en MMMB. WeVisOne-VL-2B es de un solo turno y solo para imágenes; su decodificador de píxeles rechaza las cuadrículas de vídeo. Si tu entrada es un clip, la comparación termina antes de que empiece la tabla de benchmarks.

El modo de pensamiento añade una segunda brecha. LFM3-VL-2B reporta 84,2 en MathVista con pensamiento frente a 68,5 sin él, y 55,7 en MMMU frente a 48,6. WeVisOne-VL-2B no tiene cadena de pensamiento por diseño, por eficiencia. Es una elección de ingeniería legítima para un componente de percepción y un límite duro para un modelo con el que quieres razonar sobre un gráfico.

Memoria, licencia y el precio de entrada

• Parámetros — LFM3-VL-2B denso de 1,92 B frente a WeVisOne-VL-2B de aproximadamente 2,4 B, además de un decodificador de píxeles de 9,6 M.

• Memoria — unos 3,84 GB en BF16 según cálculos para LFM3-VL-2B, con una versión MLX de 4 bits; aproximadamente 9,1 GB de pesos en F32 y unos 4,9 GB estimados en BF16 para WeVisOne-VL-2B, según notas de despliegue de terceros y no la tarjeta.

• Entrada — texto, imagen y vídeo a 2 fps frente a solo imagen y texto, turno único.

• Salida — prosa, opcionalmente con razonamiento frente a texto, coordenadas normalizadas, máscaras y mattes alfa.

• Contexto — 128K frente a no declarado como ventana a escala de documento; el decodificador de píxeles es la limitación.

• Licencia — LFM Open License v1.0, uso comercial por debajo de $10M de ingresos anuales frente a Apache 2.0 para cualquier tamaño.

• Publicado — repositorio 19 de octubre de 2026, anuncio familiar 27 de octubre vs repositorio 22 de octubre de 2026.

La fila de licencias es la inversa de lo habitual. El modelo de Tencent es el de licencia permisiva; el de Liquid es el que tiene un límite de ingresos. Para una empresa que desarrolla un producto comercial de percepción, Apache 2.0 elimina un punto de diligencia que la licencia LFM crea. Eso no hace que los modelos sean intercambiables, pero sí significa que el modelo más pequeño y más general conlleva la restricción legal más grande.

Ninguno de los dos modelos tiene un precio de alojamiento.

Ambas tarjetas publican los pesos y ninguna publica una tarifa de API por token. Hugging Face no lista ningún proveedor de inferencia para LFM3-VL-2B; la tarjeta de WeVisOne-VL-2B tampoco tiene un endpoint alojado, aunque existen ports de la comunidad para LiteRT, Core AI, GGUF y Android. Esta es la forma actual del nivel de visión de 2B: los pesos son gratuitos, el servicio corre por tu cuenta y el costo real es la GPU y el trabajo de integración.

Si prefiere alquilar ese nivel en lugar de poseerlo, OrcaRouter enruta modelos de visión alojados —Qwen3-VL-8B entre ellos— a través de una única API, con el precio de lista del proveedor trasladado sin margen (0 % de recargo), y fusión de modelos si desea que un modelo de percepción y un modelo de razonamiento respondan como un panel. No servimos ninguno de los dos checkpoints en esta comparación, y nada de lo aquí dicho implica que lo hagamos. El punto relevante es que alquilar un modelo alojado un poco más grande es una tercera opción legítima cuando ninguno de los modelos de pesos abiertos se distribuye con un endpoint.

Cómo elegir

• Elige WeVisOne-VL-2B si la salida es geometría: cajas, máscaras, mattes alfa, recuentos o una señal de «no presente». Elígelo si Apache 2.0 es innegociable, o si estás creando un pipeline de recorte, composición o percepción robótica.

• Elige LFM3-VL-2B si la entrada incluye vídeo, si necesitas razonamiento sobre un gráfico o un formulario, o si quieres que un único modelo pequeño responda a preguntas generales en lugar de medir formas.

• Usa ambos solo si estás preparado para ejecutar dos pipelines. Comparten una clase de parámetros y casi nada más, y el coste de integración de fingir lo contrario es mayor que el coste del segundo modelo.

El intervalo de tres días entre sus repositorios es una coincidencia. La divergencia en lo que devuelven no lo es. Dos laboratorios examinaron el mismo presupuesto de 2B y lo destinaron a resultados distintos, y la pregunta correcta no es cuál es mejor — sino qué resultado puede consumir realmente el siguiente paso de tu pipeline.