Molmo2-4B vs WeVisOne-VL-4B : points, masques et la question que personne ne pose en premier

Demandez aux deux modèles de trouver le chien et vous obtenez une réponse de chacun. Molmo2-4B renvoie une coordonnée. WeVisOne-VL-4B renvoie une boîte englobante et, si vous demandez le détourage, un canal alpha en pleine résolution où la fourrure est toujours présente. Ce sont trois produits différents qui portent le même mot — « grounding » — et celui dont vous avez besoin détermine cette comparaison bien avant n’importe quel benchmark. Molmo2-4B est un modèle vision-langage généraliste de 4,85 milliards de paramètres de l’Allen Institute for AI, avec une sortie de point et une véritable prise en charge vidéo. WeVisOne-VL-4B est un modèle de perception de 4,83 milliards de paramètres de l’équipe WeChat Vision de Tencent, qui unifie détection, localisation référencée, comptage, pointage, OCR, segmentation référencée et matting alpha promptable derrière un seul checkpoint, plus un décodeur de pixels de 9,6 millions de paramètres. Les pipelines de perception s’arrêtent rarement à un seul modèle. Tarification à 0 % de majoration Le prix catalogue du fournisseur est répercuté sans modification, ainsi une baisse du fournisseur est effective le jour même.

Ni l’un ni l’autre n’est nouveau. Molmo2-4B a été annoncé le 11 décembre 2025 et ses poids ont été mis en ligne le 14 décembre. Le dépôt de WeVisOne-VL-4B est apparu le 22 octobre 2026, accompagné d’un article arXiv, 2610.31329. Le changement récent du côté de Molmo relève de l’infrastructure plutôt que d’un modèle : la prise en charge native de Transformers a été fusionnée le 9 octobre et livrée dans la v5.20.0 le 15 octobre, et Ai2 a publié un fine-tuning robotique de Molmo2-4B le 5 novembre. Utile si vous attendiez de pouvoir l’exécuter sans code distant. Ce n’est pas une version, et ce n’est pas une raison d’appeler cela un lancement.

Le contrat de sortie est toute la décision.

• Molmo2-4B — un point, en 0–1000 de la largeur et de la hauteur de l’image, enveloppé dans une balise accompagnée d’une regex publiée ; en mode vidéo, chaque point porte un horodatage, et le pointage multi-images s’aplatit en triplets indice de trame, x, y.

• WeVisOne-VL-4B — une boîte, un point, un masque ou un matte alpha, sélectionné par l’argument de tâche ; les tâches denses émettent un jeton d’instance après chaque boîte, et le décodeur de pixels les transforme en masques et en mattes alpha.

• Le pointage est le seul résultat que les deux produisent, et c’est le seul endroit où une comparaison équitable existe.

• Molmo2-4B n'a pas de tête de segmentation et ne peut pas produire de masque de détourage. WeVisOne-VL-4B n'a pas de prise en charge vidéo : sa propre documentation indique que les grilles vidéo sont rejetées par le décodeur de pixels.

• Molmo2-4B est capable en tour unique mais nativement multi-images ; WeVisOne-VL-4B vise la perception d’images en tour unique et omet explicitement la chaîne de raisonnement pour la latence.

Cette quatrième ligne clôt l’essentiel du débat. Si votre pipeline nécessite un canal alpha — compositing, détourages de produits, remplacement d’arrière-plan, tout cas où le bord d’une chevelure compte —, Molmo2-4B n’est pas un candidat et ne l’a jamais été. Si votre pipeline doit suivre un objet sur 384 images d’une vidéo, WeVisOne-VL-4B ne peut pas entrer dans la comparaison. Le reste de cet article porte sur l’étroite zone où les deux sont plausibles.

Les deux sont « 4B » et aucun des deux ne l’est tout à fait.

• Paramètres — Molmo2-4B est 4 850 869 200 ; WeVisOne-VL-4B est 4 830 581 248. À 0,4 % près l’un de l’autre, ce qui est le hasard qui rend la confrontation intéressante.

• Architecture — SigLIP 2 so400m ainsi que Qwen3-4B-Instruct-2507 pour Molmo2-4B ; un backbone Qwen3-VL ainsi qu’un décodeur de masques distinct de 9,6 M de paramètres pour WeVisOne-VL-4B.

Téléchargement — 19,42 Go de safetensors float32 en quatre fragments pour Molmo2-4B ; environ 9,7 Go de poids bfloat16, dont le fichier mask_decoder.pt obligatoire pour WeVisOne-VL-4B.

• Contexte — 36 864 positions pour Molmo2-4B ; un budget de 262 144 tokens ne constitue pas la contrainte opérationnelle pour WeVisOne, qui évalue jusqu’à 1 960 tokens visuels par image.

• Licence — Apache 2.0 pour les deux, la fiche de Molmo2-4B précisant que ses données d’entraînement ne sont destinées qu’à un usage de recherche académique et non commercial.

• Runtime — Transformers avec code distant (ou natif depuis la v5.20.0) ainsi que molmo_utils et decord2 pour Molmo2-4B ; le package d'inférence propre à Tencent avec un backend transformers ou vLLM pour WeVisOne-VL-4B.

La ligne du téléchargement est la surprise concrète. Molmo2-4B est deux fois plus volumineux sur le disque alors qu'il compte le même nombre de paramètres, parce qu'AI2 l'a publié en float32 et Tencent en bfloat16. Un téléchargement de 19,42 Go que l'on convertit immédiatement en précision inférieure n'est pas le même objet qu'un téléchargement de 9,7 Go que l'on sert tel que livré, et un seul des deux tient confortablement à côté d'une série d'autres modèles sur une seule machine.

D'où viennent les chiffres, et où ils s'arrêtent

Aucun des deux modèles ne dispose d'un classement indépendant, donc tout ce qui suit est rapporté par les fournisseurs. Les deux fournisseurs ont choisi des ensembles de benchmarks presque disjoints, et c'est précisément pour cela que la comparaison ne cesse d'être mal faite.

WeVisOne-VL-4B, d’après le rapport technique : 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, le MAD avec invite de type boîte de P3M-500-NP est de 7,3 et le MAD avec invite textuelle de WeRefMat est de 9,8 — plus la valeur est faible, mieux c’est, et les deux surpassent les bases de référence SAM2-Matting auxquelles l’article se compare.

Molmo2-4B, d'après sa fiche : une moyenne de 62,8 sur 15 benchmarks académiques, derrière son propre frère 8B à 63,1 et devant Qwen3-VL-4B à 58,1, InternVL3.5-4B à 53,4 et GLM-4.1V-9B à 56,9, avec Gemini 3 Pro à 70,0 et GPT-5 à 70,6 dans le même tableau.

Aucune de ces lignes n’est partagée. Le seul benchmark où les deux figurent dans une même évaluation, tout court, est celui du comptage, et même là, les chiffres proviennent d’articles différents avec des protocoles différents.

Le constat dérangeant dans le propre article de WeVisOne

L’élément le plus exploitable dans les tableaux de WeVisOne n’est pas le score du 4B. C’est que le 4B perd parfois face à son propre frère 2B.

• Meilleur à 4B — Dense200 71.3 vs 61.4, LVIS 55.3 vs 53.3, RefCOCOg test 81.8 vs 78.2, cIoU de validation ReasonSeg 71.2 vs 60.9, PointBench 71.9 vs 62.9, WeRefMat MAD 9.8 vs 15.8.

• Moins bon à 4B — P3M-500-NP matting de boîte MAD 7,3 vs 6,6, PPM-100 6,1 vs 5,3, cIoU du test Ref-ZOM 72,2 vs 73,4.

Relisez deux fois cette deuxième puce. Sur le matting de scènes ordinaires guidé par boîte, les 2,8 B supplémentaires de modèle de langage n’apportent rien et coûtent un dixième de point de MAD, très probablement parce que le décodeur obligatoire de 9,6 M effectue le travail dense et que le modèle de langage ne fait que choisir sur quoi pointer. Le 4B justifie sa taille sur les tâches difficiles conditionnées par le langage — segmentation référentielle, comptage dense, détection en foule — et se contente de suivre, voire régresse légèrement, sur les plus faciles.

« Prendre le plus gros WeVisOne » n’est donc pas un choix par défaut sûr. Nommez la tâche avant de nommer le checkpoint.

Faux positifs, que personne n'évalue

On peut demander aux deux modèles quelque chose qui n’est pas là. Leur comportement publié diffère nettement, et c’est la ligne qui devrait inquiéter quiconque construit une boucle de vérification.

Le rapport de WeVisOne présente trois taux de rejet qui sont couramment fusionnés en un seul chiffre et ne doivent pas l'être : RefCOCOg-Rej 67,4, WeRef-Bench Rej 96,4 et PR-Bench Rej 52,6. Tout l'enjeu tient dans l'écart entre 96,4 et 52,6. Sur le benchmark interne, le modèle refuse presque toujours correctement lorsque l'objet interrogé est absent ; sur l'ensemble adversarial public, il invente une réponse environ une fois sur deux.

Molmo2-4B ne publie aucun taux de rejet. Sa fiche ne rapporte que des moyennes sur 15 benchmarks et rien sur l'abstention. Si votre application repose sur le fait que le modèle dise « absent », il s'agit d'une propriété non mesurée d'un côté de cette comparaison, et elle mérite un jeu de test qui vous soit propre plutôt que la citation d'un benchmark.

À quoi sert chacun

Choisissez WeVisOne-VL-4B lorsque le livrable est une région ou un pixel : détection à vocabulaire ouvert, segmentation référente, matting promptable, localisation OCR dense sur une seule image. Choisissez plutôt le frère 2B lorsque la tâche est du matting de boîte en scène facile, car l'article indique que le 4B n'apporte pas d'amélioration dans ce cas. Ne choisissez ni l'un ni l'autre si la vidéo est dans le périmètre, car le décodeur de pixels rejette les grilles vidéo.

Prenez {{1}}Molmo2-4B{{/1}} lorsque le livrable est un emplacement dans un flux : {{2}}pointez vers l’objet{{/2}}, {{3}}suivez-le d’une image à l’autre{{/3}}, {{4}}comptez les instances au fil du temps{{/4}}, {{5}}raisonnez sur un ensemble d’images{{/5}}. Prenez-le lorsque {{6}}une coordonnée plus un horodatage{{/6}} constitue l’artefact utile et qu’un masque serait excessif. Prévoyez le téléchargement en float32 et le transtypage.

Il existe un troisième schéma qui apparaît en production plus souvent que l’un ou l’autre des deux choix purs : exécuter les deux, car les tâches sont complémentaires plutôt que concurrentes. Une passe de détection sur une image fixe et une passe de pointage sur la vidéo qui la suit constituent deux appels avec deux formes de sortie différentes, et la plomberie entre eux est la partie coûteuse. C’est à cette plomberie que sert une couche de routage — le DSL de routage compose plusieurs modèles en un seul appel afin que le passage entre un modèle de matting et un modèle de pointage soit une configuration plutôt qu’un service. Ni WeVisOne-VL-4B ni Molmo2-4B ne figure dans le catalogue OrcaRouter ; les deux sont des poids que vous hébergez, et la formulation honnête est que le routage se situe au-dessus d’eux.

La réponse en une ligne

Si vous avez besoin de pixels, ce n’est pas une comparaison — WeVisOne-VL-4B est le seul à en produire, et vous devriez vérifier si son homologue 2B le surpasse sur votre tâche de détourage spécifique avant de payer pour le 4B. Si vous avez besoin de points au fil du temps, ce n’est pas non plus une comparaison — Molmo2-4B est le seul à disposer d’une voie vidéo. La confrontation ne devient réelle que lorsque la tâche consiste à « trouver l’objet dans cette image fixe », et là, le facteur décisif n’est pas l’exactitude mais l’abstention : WeVisOne a publié des chiffres de rejet, Molmo2-4B n’en a aucun.