SingVL_S1_4B vs WeVisOne VL 4B: el lanzamiento silencioso frente al ya terminado

El equipo de WeChat Vision de Tencent publicó el artículo, los pesos, el paquete de inferencia y la demostración en octubre de 2026 bajo Apache 2.0. Así se ve un lanzamiento terminado. inclusionAI subió dos fragmentos safetensors el 11 de noviembre de 2026, sin anuncio, sin artículo, sin licencia y sin endpoint alojado, y ahí lo dejó. WeVisOne VL 4B y SingVL_S1_4B tienen ambos aproximadamente entre cuatro mil quinientos y cinco mil millones de parámetros, ambos están construidos sobre backbones de visión de Qwen, ambos se ocupan de obtener de una imagen algo más preciso que un párrafo —y están haciendo mitades opuestas de ese trabajo. Uno dibuja máscaras sobre los píxeles. El otro devuelve una probabilidad sobre las respuestas que se te ocurrió ofrecerle. Compararlos tiene menos que ver con cuál es mejor que con cuánto vale un lanzamiento antes de estar terminado.

Las dos capacidades, expresadas sin adornos.

WeVisOne-VL-4B —cuyo nombre es una contracción de WeChat Vision All-in-One— unifica la percepción a nivel de objeto y la percepción a nivel de píxel en un único modelo. En concreto, realiza detección de objetos de vocabulario abierto, localización de expresiones referenciales, conteo de objetos, señalamiento, localización OCR, segmentación de expresiones referenciales y alpha matting con indicaciones, que es la tarea de generar una máscara continua y suave alrededor de algo como el pelo o una rama fina, donde un límite duro se vería mal. El mecanismo es una predicción estructurada del siguiente token sobre tokens de coordenadas dedicados, junto con un decodificador de píxeles de 9,6 millones de parámetros que se distribuye junto con el checkpoint como mask_decoder.pt. Devuelve None cuando un objetivo consultado está ausente, lo que suena trivial y es el comportamiento más útil en el grounding de producción.

SingVL_S1_4B es un modelo de decisión. Recibe un estado —texto, JSON, hasta cuatro imágenes— y un diccionario de preguntas con nombre, cada una con un tipo declarado y respuestas candidatas. Choice devuelve una probabilidad por opción, noul devuelve la probabilidad de que se cumpla una afirmación de sí/no, score devuelve una probabilidad por nivel entre dos y diez niveles ordenados y el nivel esperado. Una sola pasada hacia delante, sin generación, sin coordenadas. El repositorio incluye un servidor FastAPI en el puerto 8173 que responde en /v1/systemone, y la ficha del modelo está escrita íntegramente con el vocabulario de ese protocolo.

Así que la división es clara. WeVisOne te dice dónde está la cosa y qué forma tiene. SingVL_S1_4B te dice qué tan probable es que la cosa sea lo que sospechas. Un pipeline que necesita recortar a una persona de una fotografía no le sirve una probabilidad entre tres opciones, y un pipeline que necesita saber si una imagen supera un umbral de política no le sirve una máscara.

Lo que la versión pulida puso en su propia tarjeta

La tabla principal de WeVisOne-VL-4B lo compara con el baseline abierto más potente de cada benchmark, extraído de Qwen3-VL y Qwen3.5 hasta 9B, Rex-Omni, LocateAnything y modelos de segmentación y matting específicos de tarea. Las filas que sustentan el argumento:

• Detección con LVIS: media de F1 de 55,3 frente a una línea base de 50,7.

• Detección densa Dense200 — 71,3 frente a 58,7.

• Referencia de prueba RefCOCOg — media de F1 81,8 frente a 77,6.

• Tasa de rechazo de WeRef-Bench: 96,4 frente a 73,0, que es la fila que más importa para la fundamentación en producción.

• Precisión de conteo de PixMo-Count — 89,6 frente a 82,8.

• TotalText OCR — media F1 de 52,0 frente a 43,3.

• Segmentación referencial ReasonSeg — gIoU 71.2 frente a 65.0.

• P3M-500-NP box matting — MAD de 7,3 frente a 15,4, cuanto más bajo, mejor.

• Matting de texto WeRefMat — MAD 9.8 frente a 22.4.

Esas son cifras del proveedor sobre el pipeline de evaluación del proveedor, ejecutado con decodificación greedy y como máximo 1.960 tokens visuales por imagen, frente a las líneas base que seleccionó el proveedor. La lectura honesta es que demuestran que el modelo funciona y, a grandes rasgos, en qué posición queda frente a la alternativa abierta más fuerte en cada tarea, no que las diferencias sean exactas. La fila de la tasa de rechazo es la más fiable en esencia, porque 96,4 frente a 73,0 es una diferencia lo bastante grande como para que los detalles del arnés difícilmente la expliquen, y rechazar objetivos ausentes es el modo de fallo que arruina los sistemas de grounding en producción.

También existe una variante 2B con su propia columna, lo cual es útil: 78,2 en la prueba RefCOCOg, 50,2 en rechazo y 62,9 en la fila de detección densa. El proveedor publicó las cifras más débiles del modelo pequeño junto a las más fuertes del modelo grande, que es el tipo de divulgación que sugiere que la tabla no se armó para una publicación de lanzamiento.

Lo que el lanzamiento silencioso puso en su propia tarjeta

SingVL_S1_4B publica una tabla del «Public Decision Index 0.3»: 69,76 en Texto, 73,94 en Visión, frente a TypeSafe Jev 1.14 con 60,70 en texto, StartLux-Decision v1.1 4B con 67,8 y 67,90, y Perplexity Decider Flash v1.2 con 60,1 y 72,5. El desglose detrás del agregado de visión va desde InfographicVQA con 96,31 y Winoground con 93,12 hasta MMMU-Pro vision con 50,17 y R-Bench-M con 49,77.

Esas cifras tienen tres problemas que las de WeVisOne no tienen. Tienen dos días de antigüedad. Están en una tabla de clasificación cuyo kit de puntuación es público pero cuya mitad privada no lo es, producida por un laboratorio que no ha presentado ninguna ejecución al kit público de reproducción —aunque la ficha sí incluye instrucciones para presentar una—. Y el repositorio no tiene licencia, lo que significa que las cifras no son la restricción vinculante para la adopción; el papeleo lo es.

Lo que la ficha sí establece más allá de toda duda es la interfaz: una probabilidad por pregunta y por opción a partir de una sola pasada hacia adelante, con los detalles internos del protocolo entregados como hashes SHA-256 en config.json, de modo que una ejecución pueda verificarse contra el código que la produjo. Esa es una decisión de ingeniería real y es lo más creíble del lanzamiento.

El marcador honesto tiene una sola fila compartida y está vacía.

Estos dos modelos no tienen ningún benchmark en común. WeVisOne mide F1 en umbrales de IoU, gIoU y la diferencia absoluta media en mattes. SingVL_S1_4B mide la precisión corregida por azar sobre conjuntos de opciones. No hay ninguna fila en la que se haya tomado la misma medición de ambos, y construir una requeriría ejecutar ambos sobre los mismos datos, algo que nadie ha hecho, porque uno de los checkpoints tiene dos días de antigüedad.

Lo que se puede comparar es la forma de la evidencia. El lanzamiento de WeVisOne incluye un informe técnico en arXiv, una página del proyecto, un repositorio de GitHub con un pipeline de evaluación, un cookbook, dos espacios de demostración e instrucciones de reproducción que un tercero puede seguir. El lanzamiento de SingVL_S1_4B incluye una tarjeta de modelo y una carpeta de inferencia. Uno de esos lanzamientos permite que una persona ajena compruebe las afirmaciones; el otro le pide a esa persona que confíe en ellas.

El licenciamiento, que decide más que cualquiera de los dos benchmarks

WeVisOne-VL-4B es Apache 2.0. Eso cubre el código y los pesos creados por T​encent, mientras que los componentes de terceros conservan sus propios términos, y es la razón por la que ya circulan cuantizaciones GGUF, un nodo de ComfyUI, una compilación GGUF para una NPU de Rockchip y un paquete de integración en chino en las dos semanas posteriores al lanzamiento. Se permite la redistribución, así que la redistribución ocurrió.

SingVL_S1_4B no declara ninguna licencia en sus metadatos y no incluye ningún archivo LICENSE. inclusionAI ha utilizado licencias explícitas en sus otras publicaciones —Apache 2.0 en LemonDecider, la licencia comunitaria de Q​wen en los modelos SingProbe—, por lo que la ausencia parece una carga incompleta. Pero «parece un descuido» no es una licencia, y una revisión de cumplimiento no puede aprobar un modelo basándose en que su editor probablemente pretendía que fuera permisivo.

Para cualquiera a quien le importe la respuesta a «¿podemos lanzar esto?», la comparación termina aquí. WeVisOne se puede lanzar; SingVL_S1_4B aún no. Todo lo demás es una discusión sobre capacidades entre dos modelos en la que solo uno está disponible actualmente para que la discusión importe.

¿Cuál encaja con qué pipeline?

• Recortar algo de una imagen — WeVisOne-VL-4B, y no hay ni comparación, porque SingVL_S1_4B no tiene ninguna salida de segmentación.

• Contar objetos en un fotograma abarrotado — WeVisOne-VL-4B. Reporta 57.1 en la fila de detección densa, donde la mejor línea base es 47.9, y el conteo es una tarea de primer nivel en lugar de un comportamiento inducido por prompt.

• Saber que un objetivo está ausente — {{1}}WeVisOne-VL-4B{{/1}}, basándose en la fila de rechazo y el retorno explícito de None. Esta es la capacidad que separa una demo de un sistema.

• Condicionar una llamada costosa a una confianza — la forma de SingVL_S1_4B, si puedes alojarlo y llega la licencia. Una probabilidad por opción es lo que un umbral quiere.

• Clasificar con respecto a una taxonomía fija — SingVL_S1_4B en principio; sus tipos de elección y puntuación se corresponden directamente con las taxonomías, mientras que a un modelo generativo hay que restringirlo para que encaje en una.

• Leer una página y obtener tanto los campos como sus posiciones — WeVisOne-VL-4B, que hace OCR con localización en la misma pasada que la detección.

• Cualquier cosa desplegada comercialmente este mes — WeVisOne-VL-4B, únicamente por licenciamiento.

Y una fila que no pertenece a ninguno de los dos: si lo que necesitas es una explicación escrita de lo que hay en la imagen, ambos modelos son la herramienta equivocada. WeVisOne devuelve percepción estructurada y SingVL_S1_4B devuelve probabilidades; ninguno escribe un párrafo.

Lo que la comparación enseña sobre el mercado, no sobre los modelos

Lo interesante aquí no es que un modelo sea mejor. Es que dos laboratorios de tamaño comparable publicaron un modelo de visión de entre 4 y 5 mil millones de parámetros en el mismo trimestre y trataron el lanzamiento de forma completamente distinta. Tencent publicó un artículo, un checkpoint del decodificador con un recuento de parámetros declarado, un pipeline de evaluación, una licencia y una página de proyecto, y el ecosistema construyó cuantizaciones e integraciones en dos semanas. inclusionAI publicó los pesos, un script de inferencia y una tabla de benchmarks, y el ecosistema no puede tocar nada de ello hasta que aparezca la licencia.

Ambas estrategias son legítimas. Un lanzamiento discreto permite a un laboratorio publicar un checkpoint sin una narrativa de lanzamiento, y la tarjeta de modelo que hay aquí está genuinamente bien escrita: los ejemplos de API funcionan, los tipos de pregunta están documentados con aritmética desarrollada, y la configuración incluye hashes que hacen posible la verificación. Pero un checkpoint sin licencia es una demostración, no un producto, y la diferencia se nota exactamente en el punto al que esta comparación vuelve una y otra vez: si alguien que no sea el autor puede construir sobre él.

Si quieres probar el patrón de decisión antes de que llegue la documentación, el patrón en sí se puede invocar. OrcaRouter ofrece TypeSafe Jev 1.14 a $0.042 por millón de tokens de entrada junto con más de 200 modelos con una sola clave, trasladando los precios de lista de los proveedores con un 0 % de margen, con conmutación automática por error entre proveedores. Sing VL S1 no está en OrcaRouter y no tiene ninguna versión alojada en ningún sitio, así que esto no constituye una afirmación sobre su disponibilidad: es la forma más barata de averiguar si las salidas de probabilidad superan a las máscaras con tus propias etiquetas, antes de gastar una GPU en un checkpoint cuyos términos están en blanco.

WeVisOne-VL-4B simplemente lo puedes descargar. Eso, al final, es la comparación: uno de estos es un modelo que puedes usar, y el otro es un modelo sobre el que puedes leer.