Molmo2-4B vs WeVisOne-VL-4B: Puntos, máscaras y la pregunta que nadie se hace primero

Si pides a ambos modelos que encuentren al perro, obtienes una respuesta de cada uno. Molmo2-4B devuelve una coordenada. WeVisOne-VL-4B devuelve un cuadro delimitador y, si pides el matte, un canal alfa a resolución completa con el pelaje todavía incluido. Son tres productos diferentes que llevan la misma palabra —«grounding»—, y cuál necesitas decide esta comparación mucho antes de que lo haga cualquier benchmark. Molmo2-4B es un modelo generalista de visión-lenguaje de 4,85B del Allen Institute for AI, con salida de punto y una ruta de vídeo real. WeVisOne-VL-4B es un modelo de percepción de 4,83B del equipo WeChat Vision de Tencent que unifica detección, localización referida, conteo, apuntado, OCR, segmentación referida y matte alfa con prompts en un único checkpoint más un decodificador de píxeles de 9,6M de parámetros.Los pipelines de percepción rara vez se detienen en un solo modelo. Precios con 0% de recargo El precio de lista del proveedor se transfiere sin cambios, por lo que un descuento del proveedor se aplica el mismo día.

Ninguno es nuevo. Molmo2-4B se anunció el 11 de diciembre de 2025 y sus pesos se publicaron el 14 de diciembre. El repositorio de WeVisOne-VL-4B apareció el 22 de octubre de 2026 con un artículo de arXiv, 2610.31329, adjunto. El cambio reciente del lado de Molmo es de infraestructura, no de un modelo: el soporte nativo de Transformers se fusionó el 9 de octubre y se incluyó en la v5.20.0 el 15 de octubre, y Ai2 publicó un ajuste fino de robótica de Molmo2-4B el 5 de noviembre. Útil si estabas esperando ejecutarlo sin código remoto. No es un lanzamiento, ni una razón para llamarlo lanzamiento.

El contrato de salida es toda la decisión.

• Molmo2-4B — un punto, en 0–1000 del ancho y alto de la imagen, envuelto en una etiqueta con una regex publicada; en modo vídeo cada punto lleva una marca temporal, y el señalamiento multiimagen se aplana a triples de índice de fotograma, x, y.

• WeVisOne-VL-4B — una caja, un punto, una máscara o un mate alfa, seleccionados por el argumento de tarea; las tareas densas emiten un token de instancia después de cada caja y el decodificador de píxeles los convierte en máscaras y mates.

• Señalar es el único resultado que ambos producen, y es el único lugar donde existe una comparación justa.

• Molmo2-4B no tiene cabeza de segmentación y no puede producir un matte. WeVisOne-VL-4B no tiene ruta de video: su propia documentación dice que las cuadrículas de video son rechazadas por el decodificador de píxeles.

• Molmo2-4B es capaz de un solo turno pero nativo para múltiples imágenes; WeVisOne-VL-4B se orienta a la percepción de imágenes de un solo turno y omite explícitamente la cadena de pensamiento para reducir la latencia.

Esa cuarta fila zanja la mayor parte del debate. Si tu pipeline necesita un canal alfa —composición, recortes de productos, sustitución de fondos, cualquier cosa en la que importe el borde del pelo—, Molmo2-4B no es un candidato ni lo ha sido nunca. Si tu pipeline necesita seguir un objeto a lo largo de 384 fotogramas de vídeo, WeVisOne-VL-4B no puede entrar en la comparación. El resto de este artículo trata de la estrecha franja en la que ambos son plausibles.

Ambos son "4B" y ninguno es exactamente eso.

• Parámetros — Molmo2-4B es 4.850.869.200; WeVisOne-VL-4B es 4.830.581.248. Con una diferencia de 0,4 % entre sí, que es la casualidad que hace interesante el enfrentamiento.

• Arquitectura — SigLIP 2 so400m más Qwen3-4B-Instruct-2507 para Molmo2-4B; un backbone Qwen3-VL más un decodificador de máscaras independiente de 9,6 M de parámetros para WeVisOne-VL-4B.

• Descarga — 19,42 GB de safetensors float32 en cuatro fragmentos para Molmo2-4B; aproximadamente 9,7 GB de pesos bfloat16, incluido el mask_decoder.pt obligatorio para WeVisOne-VL-4B.

• Contexto — 36.864 posiciones para Molmo2-4B; un presupuesto de 262.144 tokens no es la restricción operativa para WeVisOne, que evalúa hasta 1.960 tokens visuales por imagen.

• Licencia — Apache 2.0 para ambos, y la ficha de Molmo2-4B añade que sus datos de entrenamiento están sujetos únicamente a uso para investigación académica y no comercial.

• Entorno de ejecución — Transformers con código remoto (o nativo desde la v5.20.0) más molmo_utils y decord2 para Molmo2-4B; el paquete de inferencia propio de Tencent con un backend de transformers o vLLM para WeVisOne-VL-4B.

La fila de descarga es la sorpresa práctica. Molmo2-4B ocupa el doble en disco pese a tener el mismo número de parámetros, porque AI2 lo publicó en float32 y Tencent en bfloat16. Una descarga de 19,42 GB que reduces de inmediato no es el mismo objeto que una descarga de 9,7 GB que sirves tal como se distribuye, y solo una de ellas cabe cómodamente junto a un lote de otros modelos en una sola máquina.

De dónde vienen los números y dónde se detienen

Ninguno de los dos modelos tiene una tabla de puntuaciones independiente, así que todo lo que sigue está reportado por el proveedor. Los dos proveedores eligieron conjuntos de benchmarks casi disjuntos, que es exactamente por lo que la comparación sigue haciéndose mal.

WeVisOne-VL-4B, del informe técnico: 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. En matting, el MAD con prompt de caja de P3M-500-NP es 7.3 y el MAD con prompt de texto de WeRefMat es 9.8 — cuanto más bajo, mejor, y ambos superan las líneas base SAM2-Matting con las que compara el artículo.

Molmo2-4B, según su ficha: un promedio de 62,8 en 15 benchmarks académicos, por detrás de su propio hermano 8B con 63,1 y por delante de Qwen3-VL-4B con 58,1, InternVL3.5-4B con 53,4 y GLM-4.1V-9B con 56,9, con Gemini 3 Pro en 70,0 y GPT-5 en 70,6 en la misma tabla.

Ninguna de esas filas se comparte. El único benchmark en el que ambos aparecen en la misma evaluación es el de conteo, e incluso ahí las cifras provienen de artículos diferentes con protocolos diferentes.

El incómodo hallazgo dentro del propio artículo de WeVisOne

Lo más accionable en las tablas de WeVisOne no es la puntuación del 4B. Es que el 4B a veces pierde frente a su propio hermano 2B.

• Mejor en 4B — Dense200 71,3 vs 61,4, LVIS 55,3 vs 53,3, prueba de RefCOCOg 81,8 vs 78,2, cIoU de validación de ReasonSeg 71,2 vs 60,9, PointBench 71,9 vs 62,9, MAD de WeRefMat 9,8 vs 15,8.

• Peor con 4B: matting de caja P3M-500-NP MAD 7,3 frente a 6,6; PPM-100 6,1 frente a 5,3; cIoU de test de Ref-ZOM 72,2 frente a 73,4.

Lee dos veces ese segundo punto. En el matting de escenas ordinarias con indicación de caja, los 2.8B adicionales de modelo de lenguaje no aportan nada y cuestan una décima de punto MAD, muy probablemente porque el decodificador obligatorio de 9.6M hace el trabajo denso y el modelo de lenguaje solo elige a qué apuntar. El 4B justifica su tamaño en tareas difíciles condicionadas por el lenguaje —segmentación por referencia, conteo denso, detección en aglomeraciones— y se relaja o retrocede ligeramente en las fáciles.

Así que «conseguir el WeVisOne más grande» no es una opción predeterminada segura. Nombra la tarea antes de nombrar el punto de control.

Falsos positivos, que nadie mide con benchmarks

A ambos modelos se les puede pedir algo que no está ahí. Su comportamiento publicado difiere marcadamente, y esta es la fila que debería preocupar a cualquiera que construya un bucle de verificación.

El informe de WeVisOne ofrece tres tasas de rechazo que habitualmente se fusionan en una sola cifra y que no deben fusionarse: RefCOCOg-Rej 67,4, WeRef-Bench Rej 96,4 y PR-Bench Rej 52,6. La diferencia entre 96,4 y 52,6 es la clave. En el benchmark interno, el modelo casi siempre rechaza correctamente cuando el objeto consultado está ausente; en el conjunto adversarial público, inventa una respuesta aproximadamente la mitad de las veces.

Molmo2-4B no publica ninguna tasa de rechazo. Su ficha informa promedios en 15 benchmarks y nada sobre la abstención. Si tu aplicación depende de que el modelo diga "no presente", esa es una propiedad no medida en uno de los lados de esta comparación, y merece un conjunto de pruebas propio en lugar de citar un benchmark.

Para qué sirve cada uno

Elige WeVisOne-VL-4B cuando el entregable sea una región o un píxel: detección de vocabulario abierto, segmentación por referencia, matting con prompts, localización OCR densa en una sola imagen. Elige en su lugar el hermano 2B cuando la tarea sea matting de cajas en escenas fáciles, porque el artículo dice que el 4B no mejora ahí. No elijas ninguno si el vídeo está en el alcance, porque el decodificador de píxeles rechaza las cuadrículas de vídeo.

Elige Molmo2-4B cuando el entregable sea una ubicación en un flujo: señala el objeto, rastréalo entre fotogramas, cuenta instancias a lo largo del tiempo y razona sobre un conjunto de imágenes. Elígelo cuando una coordenada más una marca temporal sea el artefacto útil y una máscara resultaría excesivo. Presupuesta la descarga en float32 y la conversión de tipo.

Hay un tercer patrón que aparece en producción con más frecuencia que cualquiera de las dos elecciones puras: ejecutar ambos, porque las tareas son complementarias en lugar de competir. Una pasada de detección sobre un fotograma fijo y una pasada de señalamiento sobre el vídeo que le sigue son dos llamadas con dos formas de salida diferentes, y la fontanería entre ellas es la parte costosa. Esa fontanería es para lo que sirve una capa de enrutamiento — el DSL de enrutamiento compone varios modelos en una sola llamada, de modo que el traspaso entre un modelo de matting y un modelo de señalamiento es una configuración en lugar de un servicio. Ni WeVisOne-VL-4B ni Molmo2-4B están en el catálogo de OrcaRouter; ambos son pesos que tú alojas, y el planteamiento honesto es que el enrutamiento se sitúa por encima de ellos.

La respuesta en una línea

Si necesitas píxeles, esto no es una comparación: WeVisOne-VL-4B es el único que los produce, y deberías comprobar si su hermano 2B lo supera en tu tarea específica de matting antes de pagar por el 4B. Si necesitas puntos a lo largo del tiempo, tampoco es una comparación: Molmo2-4B es el único con una ruta de video. La comparación solo se vuelve real cuando la tarea es "encontrar el objeto en esta imagen fija", y ahí el factor decisivo no es la precisión sino la abstención: WeVisOne ha publicado cifras de rechazo, Molmo2-4B no tiene ninguna.