LFM3-VL-2B vs WeVisOne-VL-2B : trois jours d'écart, des paris opposés

LFM3-VL-2B est apparu sur Hugging Face le 19 octobre 2026. WeVisOne-VL-2B est apparu le 22 octobre. Deux modèles, tous deux d'environ deux milliards de paramètres, tous deux à poids ouverts, tous deux issus de laboratoires bien connus, publiés à 72 heures d'intervalle. On s'attendrait à ce qu'ils soient presque interchangeables. Ils ressemblent plutôt à des paris opposés sur ce que signifie « vision » : l'un répond à des questions sur ce qu'il voit, l'autre renvoie la forme précise de ce qu'il voit.

Cette distinction est facile à manquer sur une fiche technique, car les deux cartes mentionnent des boîtes et les deux cartes mentionnent l’OCR. La différence réside dans le format de sortie et l’objectif d’entraînement, et elle détermine si vous pouvez intégrer l’un ou l’autre modèle dans un pipeline sans couche d’analyse syntaxique. Elle détermine aussi lequel des deux a une raison d’exister une fois que les modèles généralistes s’améliorent.

Deux définitions de la vision

LFM3-VL-2B est le modèle généraliste de Liquid AI. Il accepte du texte, des images et de la vidéo à 2 i/s, produit du texte, prend en charge la réflexion étape par étape, dispose d'un contexte de 128K et couvre 16 langues. L'architecture est un modèle dense de 1,92 Md — un socle linguistique de 1,73 Md, un encodeur visuel interne de 164 M et un projecteur de 25 M — avec des versions BF16, GGUF, MLX 4 bits et ONNX publiées. La publication de la famille par Liquid le présente comme un modèle capable de « regarder, raisonner et comprendre le monde physique », et le parcours vidéo est véritablement nouveau pour la famille.

WeVisOne-VL-2B est le modèle de vision WeChat de Tencent. Il repose sur une base Qwen3-VL d'environ 2,4 milliards de paramètres sous Apache 2.0, et son objectif est une perception unifiée : détection à vocabulaire ouvert, localisation référentielle, comptage, pointage, localisation OCR, segmentation référentielle et matting alpha pilotable par invites. Il renvoie des coordonnées normalisées via des tokens dédiés, ainsi que des masques via un décodeur de pixels distinct de 9,6 M de paramètres qui doit être chargé en même temps que le modèle de langage.

Un modèle est un lecteur. L’autre est un instrument de mesure. Le chevauchement dans leurs tableaux de benchmarks est réel, mais c’est le chevauchement de deux produits différents mesurant la même scène.

Le format de sortie est le produit.

WeVisOne-VL-2B encode les coordonnées sous forme de tokens allant de <0> à <1000>, marque chaque instance avec un token <OBJ> et renvoie None lorsque la cible demandée est absente. Ce dernier détail est celui que les praticiens remarquent : la fiche rapporte un taux de rejet de 50,2 sur RefCOCOg, contre environ 0,5 pour Rex-Omni et LocateAnything. Il est entraîné à dire « pas ici » plutôt qu’à halluciner une boîte.

Le décodeur de pixels n’est pas facultatif. La segmentation et l’alpha matting nécessitent mask_decoder.pt, un module de 9,6 M de paramètres déclenché par le token objet. Si vous ne chargez que le modèle de langage, vous obtenez des coordonnées mais pas de masques. Le dépôt GitHub fournit le package d’inférence qui relie les deux, et le modèle est à tour unique et conçu uniquement pour les images — le décodeur de pixels rejette les grilles vidéo.

LFM3-VL-2B n’a pas de contrat équivalent. Il décrira une région, comptera des objets ou raisonnera sur une scène en prose, et sa ligne de grounding (RefCOCO-avg 90.5) suggère qu’il est compétent en localisation. Mais la sortie est du texte. Pour un pipeline qui a besoin d’un masque, la différence entre 90.5 et un polygone analysable est la différence entre une démo et un produit.

Des nombres d’ancrage que vous ne pouvez pas soustraire

Les deux fiches rapportent toutes deux des résultats de la famille RefCOCO, et il ne s’agit pas de la même mesure. LFM3-VL-2B rapporte un RefCOCO-avg de 90,5, qui correspond à la moyenne des splits d’expressions référentielles. WeVisOne-VL-2B rapporte un RefCOCOg de 77,1 en F1 moyen pour la détection référentielle et un RefCOCO testA de 82,9 en cIoU pour la segmentation référentielle. RefCOCOg est un split différent, avec des expressions plus longues et plus conversationnelles ; le cIoU est une métrique différente du F1.

Soustraire 77,1 à 90,5 produit un nombre qui ne veut rien dire. L’interprétation honnête est que les deux modèles sont performants en localisation référentielle sur leurs propres harnais, qu’aucun des deux harnais n’a été reproduit indépendamment et que les définitions des métriques diffèrent suffisamment pour que le classement reste non résolu. La même prudence s’applique à l’OCR : LFM3-VL-2B rapporte 86,3 sur OCRBench v1, tandis que WeVisOne-VL-2B rapporte 30,5 sur OCR HierText, qui est un benchmark différent sur un jeu de données plus difficile.

Là où la comparaison est nette, elle favorise le spécialiste sur son propre terrain : WeVisOne-VL-2B rapporte un F1 de détection de 55,2 sur COCO, 53,3 sur LVIS et 61,4 sur Dense200, face à un modèle qui ne publie pas du tout de F1 de détection. Ce n'est pas une victoire par défaut. C'est un rappel que le généraliste n'a pas été entraîné à être évalué de cette manière.

Le mat, c’est la douve.

Le matting alpha pilotable par prompt est une fonctionnalité que ni LFM3-VL-2B ni la plupart des modèles de sa classe de taille n'offrent. WeVisOne-VL-2B rapporte une différence absolue moyenne de 6,6 sur P3M-500-NP pour les mattes à bords doux — la frontière semi-transparente autour des cheveux, du verre et de la fourrure qu'un masque de segmentation binaire transforme en découpe nette. La fiche est franche sur les limites : les frontières alpha fines se dégradent en cas d'occlusion, de faible résolution et de transparence. Mais pour les découpes produits, la composition et le remplacement d'arrière-plan, un matte est bien la sortie dont le pipeline a réellement besoin.

C’est l’argument le plus fort en faveur de l’existence du modèle. Un généraliste de 2B peut décrire une image ; il ne peut pas vous fournir un canal alpha doux. Tencent a construit un petit modèle autour d’un décodeur de pixels parce que cette sortie est coûteuse à obtenir d’un grand modèle généraliste, et le frère de 4B existe pour les équipes qui ont besoin de plus de précision sur la même tâche.

La vidéo et le raisonnement constituent l’autre rempart.

Le facteur différenciant de LFM3-VL-2B va dans l'autre sens. Il accepte la vidéo à 2 ips et affiche Video-MME 62,8 sans sous-titres, MVBench 69,4 et MMMB 85,2. WeVisOne-VL-2B est en tour unique et uniquement pour l'image ; son décodeur de pixels rejette les grilles vidéo. Si votre entrée est un clip, la comparaison est terminée avant même le début du tableau de référence.

Le mode de réflexion ajoute un second écart. LFM3-VL-2B rapporte MathVista 84,2 avec réflexion contre 68,5 sans, et MMMU 55,7 contre 48,6. WeVisOne-VL-2B n’a pas de chaîne de raisonnement par conception, par souci d’efficacité. C’est un choix d’ingénierie légitime pour un composant de perception et une limite stricte pour un modèle avec lequel on veut raisonner sur un graphique.

Mémoire, licence et le prix d'entrée

• Paramètres — LFM3-VL-2B 1,92 Md dense vs WeVisOne-VL-2B environ 2,4 Md, plus un décodeur de pixels de 9,6 M.

• Mémoire — environ 3,84 Go en BF16 par calcul pour LFM3-VL-2B, avec une version MLX en 4 bits ; environ 9,1 Go de poids en F32 et une estimation de 4,9 Go en BF16 pour WeVisOne-VL-2B, selon des notes de déploiement tierces plutôt que la fiche technique.

• Entrée — texte, image et vidéo à 2 i/s contre image et texte uniquement, un seul tour.

• Sortie — prose, éventuellement avec raisonnement vs texte, coordonnées normalisées, masques et mattes alpha.

• Contexte — 128K, contre une fenêtre à l’échelle d’un document non précisée ; le décodeur de pixels est la contrainte.

• Licence — LFM Open License v1.0, utilisation commerciale pour un chiffre d'affaires annuel inférieur à 10 M$, contre Apache 2.0 quelle que soit la taille.

• Publié — dépôt 19 octobre 2026, annonce à la famille 27 octobre vs dépôt 22 octobre 2026.

La ligne des licences inverse le récit habituel. Le modèle de Tencent est celui sous licence permissive ; celui de Liquid est celui assorti d'un plafond de revenus. Pour une entreprise qui développe un produit de perception commercial, Apache 2.0 supprime un point de diligence que la licence LFM fait naître. Cela ne rend pas les modèles interchangeables, mais cela signifie bien que le modèle plus petit et plus général porte la contrainte juridique la plus lourde.

Aucun des deux modèles ne dispose d'un prix hébergé

Les deux cartes publient des poids et aucune ne publie de tarif d’API par token. Hugging Face ne répertorie aucun fournisseur d’inférence pour LFM3-VL-2B ; la carte de WeVisOne-VL-2B n’a pas non plus de point de terminaison hébergé, bien que des ports communautaires existent pour LiteRT, Core AI, GGUF et Android. Voici l’état actuel du segment vision 2B : les poids sont gratuits, le service d’inférence est à votre charge, et le coût réel réside dans le GPU et le travail d’intégration.

Si vous préférez louer ce niveau plutôt que le posséder, OrcaRouter achemine des modèles de vision hébergés — dont Qwen3-VL-8B — via une seule API, avec le prix catalogue du fournisseur répercuté à 0 % de marge, et la fusion de modèles si vous souhaitez qu’un modèle de perception et un modèle de raisonnement répondent comme un panel. Nous ne servons aucun des deux checkpoints dans cette comparaison, et rien ici ne suggère le contraire. Le point important est que louer un modèle hébergé légèrement plus grand constitue une troisième option légitime lorsque aucun des deux modèles à poids ouverts n’est livré avec un point de terminaison.

Comment choisir

• Choisissez WeVisOne-VL-2B si la sortie est de nature géométrique : boîtes, masques, mattes alpha, comptages ou un signal « absent ». Choisissez-le si Apache 2.0 est non négociable, ou si vous construisez un pipeline de détourage, de compositing ou de perception robotique.

• Choisissez LFM3-VL-2B si l’entrée contient une vidéo, si vous devez raisonner sur un graphique ou un formulaire, ou si vous voulez qu’un seul petit modèle réponde à des questions générales plutôt que de mesurer des formes.

• Prenez les deux uniquement si vous êtes prêt à gérer deux pipelines. Ils partagent une classe de paramètres et presque rien d'autre, et le coût d'intégration à prétendre le contraire est plus élevé que le coût du second modèle.

L'écart de trois jours entre leurs dépôts est une coïncidence. La divergence dans ce qu'ils renvoient ne l'est pas. Deux laboratoires ont examiné le même budget de 2B et l'ont consacré à des sorties différentes, et la bonne question n'est pas de savoir laquelle est meilleure — c'est de savoir quelle sortie votre prochaine étape de pipeline peut réellement consommer.