WeVisOne-VL-4B vs LFM2.5-VL-3B: un especialista en matting frente a un velocista de borde

Liquid AI publica una cifra de velocidad para LFM2.5-VL-3B y Tencent no publica ninguna para WeVisOne-VL-4B. Esa asimetría, más que cualquier fila de benchmark, es el enfrentamiento. LFM2.5-VL-3B es un modelo de borde de 3,1B de parámetros ajustado para responder en una sola pasada: 228 tokens por segundo en un Apple M5 Max, 20 tokens por segundo en un Galaxy S26 Ultra, menos de 3,3 GB de memoria, dieciséis idiomas. WeVisOne-VL-4B es un modelo de percepción de 4,83B de parámetros que gastará hasta 1.960 tokens visuales y un decodificador de 9,6M de parámetros para entregarte una máscara alfa de resolución completa. Uno está construido para ser lo bastante rápido como para caber dentro de la interfaz de un teléfono; el otro está construido para generar píxeles. Coinciden en la palabra "vision" y casi en ningún otro sitio.

Eso hace que esta sea una comparación que merece la pena hacer con cuidado, porque la versión obvia de la misma —poner las tablas de referencia una al lado de la otra y declarar un ganador— sería errónea de una manera específica e instructiva.

Las tablas de evaluación comparativa no se comunican entre sí.

Ambos modelos publican cifras de expresiones de referencia y ambas cifras parecen comparables. No lo son. LFM2.5-VL-3B informa un P@1 de RefCOCO-avg de 87,9. WeVisOne-VL-4B informa una media de F1 en test de RefCOCOg de 81,8. Distinta partición del conjunto de datos, distinta métrica, distinto modelo de fallo: P@1 pregunta si la caja mejor clasificada es correcta; la media de F1 promedia precisión y recall en umbrales de IoU de 0,5 a 0,95. Un modelo puede ganar en una y perder en la otra por un amplio margen sin que ninguno de los dos resultados resulte sorprendente.

La misma trampa está presente en todas las demás filas. El 80,7 de Liquid en ScreenSpot-v2 mide la localización de elementos de UI; Tencent no tiene una cifra de ScreenSpot. La tasa de rechazo del 96,4 % de Tencent en WeRef-Bench mide si el modelo se niega a responder cuando el objeto no está presente; Liquid no publica ninguna métrica de rechazo. Ninguno de los proveedores evaluó el modelo del otro, así que ninguna fila de ninguna de las dos tablas es una comparación directa.

Lo que se puede decir honestamente es direccional. LFM2.5-VL-3B es un generalista sólido para su tamaño —69,4 de promedio en 28 benchmarks de visión según el propio recuento de Liquid, a 0,7 puntos de Qwen3.5-4B— y su salto en ScreenSpot-v2 desde casi cero en la generación anterior hasta 80,7 es la mayor mejora individual de su tabla. WeVisOne-VL-4B no compite en ese eje. Sus afirmaciones más sólidas se refieren a la detección densa de objetos pequeños, el rechazo y la salida a nivel de píxel, ninguno de los cuales intenta LFM2.5-VL-3B.

Qué es físicamente cada modelo

• Parámetros — WeVisOne-VL-4B 4,83B denso (checkpoint F32) frente a LFM2.5-VL-3B 3,12B denso (BF16)

• Ruta de visión: un backbone Qwen3-VL más un decodificador de píxeles de 9,6 M frente a una base de texto híbrida de convolución-atención LFM2.5-2.6B más un codificador SigLIP2 NaFlex 400M

• Memoria — aproximadamente 19 GB en disco para el checkpoint F32 4B frente a menos de 3,3 GB de huella total para el 3B

• Contexto — no existe una cifra publicada para WeVisOne-VL-4B frente a 32.768 tokens de LFM2.5-VL-3B

• Idiomas — no especificado para WeVisOne-VL-4B frente a 16 para LFM2.5-VL-3B, con un vocabulario de 128K diseñado para escrituras no latinas

• Tipos de salida — cajas, puntos, máscaras y mattes alfa frente a cajas y solo texto

• Licencia — Apache 2.0 para el código creado por Tencent frente a la LFM Open License v1.0

• Velocidad — sin publicar frente a 228 tok/s en un M5 Max, 116 tok/s en un Ryzen AI Max+ 395, 20 tok/s en un Galaxy S26 Ultra

La brecha de capacidades que realmente lo decide

LFM2.5-VL-3B puede decirte dónde está una persona en una imagen. WeVisOne-VL-4B puede decirte dónde está una persona, devolver una máscara binaria para esa instancia y devolver un canal alfa continuo con bordes suaves —pelo, pelaje, tejidos transparentes, desenfoque de movimiento— a resolución completa. Esa es una diferencia categórica, no una diferencia de calidad. Si tu producto necesita componer un sujeto sobre un fondo nuevo, recortar la foto de un producto o gestionar la sustitución de fondo de una videollamada, LFM2.5-VL-3B no tiene nada que ofrecerte y ninguna cantidad de ingeniería de prompts cambia eso.

Haz la comparación al revés y ocurre lo mismo. Si tu producto necesita encontrar un botón en la pantalla de un teléfono en 40 milisegundos, WeVisOne-VL-4B es completamente inadecuado: es un modelo de 4,83B sin cifra de latencia publicada, sin versiones cuantizadas para edge y con un decodificador que asume una imagen por turno. Liquid ofrece versiones GGUF, MLX, ONNX y nativas, además de contexto de 32K y benchmarks de invocación de herramientas. Tencent ofrece un paquete de inferencia para investigación y servicio con vLLM/SGLang.

El rechazo es la columna subestimada

Una capacidad de la tabla de Tencent merece atención aunque nunca llegues a tocar el matting. En WeRef-Bench, WeVisOne-VL-4B rechaza correctamente el 96,4 % de las consultas sobre objetos que no aparecen en la imagen, frente al 73,0 % de la mejor línea base que incluyen los autores; en PR-Bench, la tasa de rechazo es del 52,6 % frente al 10,8 % de Qwen3-VL-4B. El modelo devuelve None en lugar de inventar una caja. Un detector que alucina es peor que no tener detector, porque el fallo es silencioso y el código posterior confía en él.

La documentación de LFM2.5-VL-3B no reporta ninguna cifra de rechazo, así que no hay nada con lo que comparar, y ese es precisamente el punto. La ausencia de evidencia no es un fallo, pero si estás construyendo un agente que decide si hacer clic en algo, la presencia de una tasa de rechazo medida es un motivo genuino para fijarse primero en el modelo de Tencent.

El licensing es el diferenciador silencioso

Aquí es donde ambos divergen de una forma que importa a cualquiera que distribuya comercialmente. Los pesos de WeVisOne-VL-4B son Apache 2.0 para el código escrito por Tencent, mientras que los componentes de terceros conservan sus propios términos. LFM2.5-VL-3B se distribuye bajo la LFM Open License v1.0, que es gratuita para uso comercial por debajo de un umbral de ingresos y requiere un acuerdo comercial por encima de este. Si eres un equipo pequeño, la diferencia es teórica. Si no lo eres, una de estas es una revisión legal y la otra es una línea en un archivo de dependencias.

Ninguna de las dos licencias te concede un servicio alojado. WeVisOne-VL-4B no tiene ninguna API; LFM2.5-VL-3B es una publicación de pesos, y cualquier alojamiento por parte de terceros es un acuerdo aparte. Decir eso con claridad importa más que antes, porque un modelo sin punto de acceso es un compromiso de ser dueño de la pila de inferencia.

Dónde encaja OrcaRouter y dónde no

Ninguno de estos dos modelos está hoy en el catálogo de OrcaRouter, así que aquí no hay ninguna vía para llamarlos. Lo que sí ofrece la plataforma es el contexto de la decisión. La mayoría de los equipos que evalúan un VLM de 3B para el edge no sustituyen un modelo por otro, sino que añaden un segundo modelo junto al de propósito general que ya tienen en producción, y el coste operativo de un segundo contrato con un proveedor, una segunda clave y un segundo modo de fallo suele acabar con el experimento antes que el propio modelo.

Enrutar ambas intenciones a través de un único endpoint, con más de 200 modelos detrás de una sola clave con un 0 % de margen sobre el precio de lista del proveedor, significa que el modelo de percepción puede ser una decisión de enrutamiento en lugar de un proyecto de integración. Si el modelo de borde no está disponible, la conmutación por error automática envía la solicitud a otro destino en lugar de devolver un 503. Esa es la parte que OrcaRouter realmente resuelve aquí; los pesos y la GPU siguen siendo tuyos.

¿Cuál elegir?

Elige LFM2.5-VL-3B si el trabajo está limitado por la latencia y tiene forma de texto: comprensión de pantallas, agentes de UI, OCR de documentos con maquetación, traducción en el dispositivo y llamada a herramientas. Es más rápido que casi cualquier cosa de su tamaño, cabe en el presupuesto de memoria de un teléfono y Liquid ha publicado suficientes cifras para que puedas comprobar las afirmaciones con tu propia carga de trabajo.

Elige WeVisOne-VL-4B si el trabajo termina en píxeles. Segmentación, matting, detección densa de objetos pequeños o cualquier pipeline en el que «el modelo dijo que no» deba ser una respuesta fiable. Acepta que eres un adoptante temprano: no existe ninguna ejecución de benchmark independiente, no existe ningún endpoint alojado, el código de ajuste fino sigue en la lista de tareas pendientes y el artículo tiene dos días.

Lo único que no hay que hacer es elegir entre ellos basándose en la puntuación de un solo benchmark. Nadie los midió unos contra otros con los mismos datos.