SingVL_S1_4B vs WeVisOne VL 4B : La sortie discrète face à la version aboutie

L'équipe WeChat Vision de Tencent a publié l'article, les poids, le paquet d'inférence et la démo en octobre 2026 sous Apache 2.0. Voilà à quoi ressemble une version finalisée. inclusionAI a mis en ligne deux fragments safetensors le 11 novembre 2026, sans annonce, sans article, sans licence ni point de terminaison hébergé, puis en est resté là. WeVisOne VL 4B et SingVL_S1_4Btournent tous deux autour de 4,5 à 5 milliards de paramètres, sont tous deux bâtis sur des backbones de vision Qwen, tous deux cherchent à tirer d'une image quelque chose de plus précis qu'un paragraphe — et ils accomplissent les deux moitiés opposées de cette tâche. L'un dessine des masques sur les pixels. L'autre renvoie une probabilité sur les réponses que vous avez jugé bon de lui proposer. Les comparer revient moins à se demander lequel est meilleur qu'à se demander ce que vaut une version avant d'être finalisée.

Les deux capacités, énoncées sans fioriture

WeVisOne-VL-4B — dont le nom est la contraction de WeChat Vision All-in-One — unifie la perception au niveau objet et la perception au niveau pixel dans un seul modèle. Concrètement, il réalise la détection d’objets à vocabulaire ouvert, la localisation d’expressions référentielles, le comptage d’objets, le pointage, la localisation OCR, la segmentation d’expressions référentielles et le détourage alpha promptable, cette tâche consistant à produire un masque doux et continu autour d’éléments comme des cheveux ou une fine branche, là où une frontière nette paraîtrait incorrecte. Le mécanisme repose sur une prédiction structurée du token suivant sur des tokens de coordonnées dédiés, plus un décodeur de pixels à 9,6 millions de paramètres fourni avec le checkpoint sous le nom mask_decoder.pt. Il renvoie None lorsqu’une cible interrogée est absente, ce qui semble anodin et constitue le comportement le plus utile en grounding de production.

SingVL_S1_4B est un modèle de décision. Il prend un état — texte, JSON, jusqu’à quatre images — et un dictionnaire de questions nommées, chacune avec un type déclaré et des réponses candidates. Choice renvoie une probabilité par option, noul renvoie la probabilité qu’une affirmation oui/non soit vraie, score renvoie une probabilité par niveau sur deux à dix niveaux ordonnés ainsi que le niveau attendu. Une seule passe avant, aucune génération, aucune coordonnée. Le dépôt inclut un serveur FastAPI sur le port 8173 répondant à /v1/systemone, et la fiche modèle est entièrement rédigée dans le vocabulaire de ce protocole.

Donc la séparation est nette. WeVisOne vous indique où se trouve l’objet et quelle forme il a. SingVL_S1_4B vous indique à quel point il est probable que l’objet soit bien ce que vous soupçonnez. Un pipeline qui doit détourer une personne dans une photographie n’a que faire d’une probabilité sur trois options, et un pipeline qui doit savoir si une image franchit un seuil de politique n’a que faire d’un masque.

Ce que la version peaufinée a mis sur sa propre carte

Le tableau principal de WeVisOne-VL-4B le compare à la baseline ouverte la plus performante de chaque benchmark, issue de {{1}}Qwen3-VL{{/1}} et Q​wen3.5 jusqu’à 9B, Rex-Omni, LocateAnything, ainsi que de modèles de segmentation et de matting spécifiques à la tâche. Les lignes qui étayent l’argument :

• Détection LVIS — moyenne F1 de 55,3 contre une base de référence de 50,7.

• Dense200 détection dense — 71,3 contre 58,7.

• Référence de test RefCOCOg — moyenne F1 de 81,8 contre 77,6.

• Taux de rejet WeRef-Bench — 96,4 contre 73,0, la ligne qui compte le plus pour l'ancrage en production.

• Précision du comptage PixMo-Count — 89,6 contre 82,8.

• TotalText OCR — F1 moyen 52,0 contre 43,3.

• ReasonSeg segmentation référente — gIoU 71,2 contre 65,0.

• Tapis de box P3M-500-NP — MAD 7,3 contre 15,4, la valeur la plus basse étant la meilleure.

• Détourage de texte WeRefMat — MAD 9,8 contre 22,4.

Ce sont des chiffres du fournisseur, issus du pipeline d’évaluation du fournisseur, exécuté en décodage glouton avec au plus 1 960 tokens visuels par image, face aux références choisies par le fournisseur. Une lecture honnête est qu’ils établissent que le modèle fonctionne et donnent à peu près sa position face à la meilleure alternative ouverte sur chaque tâche — pas que les écarts soient exacts. La ligne du taux de rejet est la plus fiable sur le fond, car 96,4 contre 73,0 est un écart suffisamment important pour que les détails du banc d’essai aient peu de chances de l’expliquer, et rejeter des cibles absentes est le mode de défaillance qui ruine les systèmes d’ancrage en production.

Il existe également une variante 2B avec sa propre colonne, ce qui est utile : 78,2 sur le test RefCOCOg, 50,2 sur le rejet, 62,9 sur la ligne de détection dense. Le fournisseur a publié les chiffres plus faibles du petit modèle à côté des plus forts du grand modèle, ce genre de divulgation suggérant que le tableau n'a pas été assemblé pour un article de lancement.

Ce que la sortie discrète a mis sur sa propre carte

SingVL_S1_4B publie un tableau « Public Decision Index 0.3 » : 69,76 sur le texte, 73,94 sur la vision, face à TypeSafe Jev 1.14 à 60,70 en texte, StartLux-Decision v1.1 4B à 67,8 et 67,90, et Perplexity Decider Flash v1.2 à 60,1 et 72,5. La ventilation derrière l’agrégat vision va de InfographicVQA à 96,31 et Winoground à 93,12 jusqu’à MMMU-Pro vision à 50,17 et R-Bench-M à 49,77.

Ces chiffres présentent trois problèmes que ceux de WeVisOne ne présentent pas. Ils datent de deux jours. Ils figurent sur un classement dont le kit de notation est public mais dont la moitié privée ne l'est pas, produit par un laboratoire qui n'a soumis aucune exécution au kit public de reproduction — bien que la fiche contienne bien des instructions pour en déposer une. Et le dépôt ne comporte aucune licence, ce qui signifie que les chiffres ne sont pas la contrainte déterminante pour l'adoption ; ce sont les formalités administratives.

Ce que la fiche établit de manière incontestable, c’est l’interface : une probabilité par question et par option à partir d’une seule passe avant, les internes du protocole étant fournis sous forme de hachages SHA-256 dans config.json afin qu’une exécution puisse être vérifiée par rapport au code qui l’a produite. C’est une véritable décision d’ingénierie et c’est l’élément le plus crédible de la publication.

Le tableau des scores honnête comporte une seule ligne partagée, et elle est vide.

Ces deux modèles n’ont aucun benchmark en commun. WeVisOne mesure le F1 à des seuils d’IoU, le gIoU et la différence absolue moyenne sur les mattes. SingVL_S1_4B mesure la précision corrigée du hasard sur des ensembles d’options. Il n’existe aucune ligne où la même mesure a été effectuée pour les deux, et en construire une nécessiterait d’exécuter les deux sur les mêmes données — ce que personne n’a fait, car l’un des checkpoints a deux jours.

Ce qui peut être comparé, c’est la forme des preuves. La publication de WeVisOne comprend un rapport technique sur arXiv, une page de projet, un dépôt GitHub avec un pipeline d’évaluation, un cookbook, deux espaces de démonstration et des instructions de reproduction qu’un tiers peut suivre. La publication de SingVL_S1_4B comprend une fiche de modèle et un dossier d’inférence. L’une permet à un inconnu de vérifier les affirmations ; l’autre demande à l’inconnu de leur faire confiance.

Les licences, qui pèsent plus que l'un ou l'autre des benchmarks

WeVisOne-VL-4B est sous Apache 2.0. Cela couvre le code et les poids écrits par Tencent, les composants tiers conservant leurs propres conditions, et c’est pourquoi il existe déjà des quants GGUF, un nœud ComfyUI, une compilation GGUF pour un NPU Rockchip et un paquet d’intégration en langue chinoise qui circulent dans les deux semaines suivant la publication. La redistribution est autorisée, alors la redistribution a eu lieu.

SingVL_S1_4B ne déclare aucune licence dans ses métadonnées et ne fournit aucun fichier LICENSE. inclusionAI a utilisé des licences explicites pour ses autres publications — Apache 2.0 sur LemonDecider, la licence communautaire de Qwen sur les modèles SingProbe — si bien que cet écart ressemble à un téléversement inachevé. Mais « cela ressemble à un oubli » n’est pas une licence, et une revue de conformité ne peut pas approuver un modèle au motif que son éditeur avait probablement l’intention d’adopter une licence permissive.

Pour quiconque compte la réponse à « peut-on livrer ceci », la comparaison s’arrête ici. WeVisOne peut être livré ; SingVL_S1_4B ne peut pas l’être, pas encore. Tout le reste est une discussion sur les capacités entre deux modèles dont un seul est actuellement disponible pour que la discussion ait de l’importance.

Lequel correspond à quel pipeline ?

• Découper quelque chose dans une image — WeVisOne-VL-4B, et ce n’est même pas proche, car SingVL_S1_4B n’a aucune sortie de segmentation.

• Comptage d’objets dans une image encombrée — WeVisOne-VL-4B. Il obtient 57,1 sur la ligne de détection dense, où la meilleure référence est à 47,9, et le comptage est une tâche à part entière plutôt qu’un comportement induit par une invite.

• Savoir qu’une cible est absente — WeVisOne-VL-4B, en s’appuyant sur la ligne de rejet et le retour explicite None. C’est la capacité qui distingue une démo d’un système.

• Conditionner un appel coûteux à un score de confiance — la configuration de SingVL_S1_4B, si vous pouvez l’héberger et que la licence arrive. Une probabilité par option, voilà ce que réclame un seuil.

• Classer selon une taxonomie fixe — SingVL_S1_4B en principe ; ses types de choix et de score correspondent directement aux taxonomies, là où un modèle génératif doit être contraint d’y revenir.

• Lire une page et obtenir à la fois les champs et leurs positions — WeVisOne-VL-4B, qui effectue l’OCR avec localisation dans la même passe que la détection.

• Tout ce qui est déployé commercialement ce mois-ci — WeVisOne-VL-4B, uniquement sur le plan des licences.

Et une ligne qui n’appartient à aucune des deux : si ce qu’il vous faut est une explication écrite de ce que contient l’image, les deux modèles sont le mauvais outil. WeVisOne renvoie une perception structurée et SingVL_S1_4B renvoie des probabilités ; ni l’un ni l’autre ne rédige un paragraphe.

Ce que la comparaison enseigne sur le marché, pas sur les modèles

L’intéressant ici n’est pas qu’un modèle soit meilleur. C’est que deux laboratoires de taille comparable ont publié un modèle de vision de 4 à 5 milliards de paramètres au cours du même trimestre et ont traité cette publication de manière totalement différente. T​encent a livré un article, un checkpoint de décodeur avec un nombre de paramètres annoncé, un pipeline d’évaluation, une licence et une page de projet, et l’écosystème a créé des quants et des intégrations en l’espace de quinze jours. inclusionAI a livré les poids, un script d’inférence et un tableau de benchmarks, et l’écosystème ne peut toucher à rien de tout cela tant que la licence n’apparaît pas.

Les deux stratégies sont légitimes. Une mise à disposition discrète permet à un laboratoire de publier un checkpoint sans récit de lancement, et la fiche modèle fournie ici est vraiment bien rédigée — les exemples d’API fonctionnent, les types de questions sont documentés avec des calculs détaillés, et la configuration inclut des hachages qui rendent la vérification possible. Mais un checkpoint sans licence est une démonstration, pas un produit, et la différence apparaît exactement là où cette comparaison ne cesse de revenir : si quelqu’un d’autre que l’auteur peut construire dessus.

Si vous voulez tester le schéma de décision avant l’arrivée des documents, le schéma lui-même est invoquable. OrcaRouter propose TypeSafe Jev 1.14 à 0,042 $ par million de jetons d’entrée aux côtés de plus de 200 modèles sous une seule clé, en répercutant les prix catalogue des fournisseurs à 0 % de marge, avec basculement automatique entre fournisseurs. Sing VL S1 n’est pas sur OrcaRouter et n’est hébergé nulle part, donc ce n’est pas une affirmation de disponibilité à son sujet — c’est le moyen le moins cher de savoir si les sorties probabilistes surpassent les masques sur vos propres étiquettes, avant de consacrer un GPU à un checkpoint dont les conditions sont vides.

WeVisOne-VL-4B, vous pouvez simplement le télécharger. Voilà, au final, la comparaison : l’un est un modèle que vous pouvez utiliser, et l’autre est un modèle dont vous pouvez lire la présentation.