LFM3-VL-2B לעומת WeVisOne-VL-2B: שלושה ימים זה מזה, הימורים מנוגדים

LFM3-VL-2B הופיע ב-Hugging Face ב-19 באוקטובר 2026. WeVisOne-VL-2B הופיע ב-22 באוקטובר. שני מודלים, שניהם בסביבות שני מיליארד פרמטרים, שניהם במשקלים פתוחים, שניהם ממעבדות ידועות, שפורסמו בתוך 72 שעות זה מזה. הייתם מצפים שהם יהיו תחליפים כמעט מושלמים זה לזה. הם קרובים יותר להימורים מנוגדים על מה שפירושו של "ראייה": האחד עונה על שאלות לגבי מה שהוא רואה, והשני מחזיר את הצורה המדויקת של מה שהוא רואה.

קל לפספס את ההבחנה הזו בגיליון מפרט, מפני ששני הכרטיסים מפרטים תיבות ושני הכרטיסים מפרטים OCR. ההבדל טמון בפורמט הפלט ובמטרת האימון, והוא קובע אם אפשר להכניס כל אחד מהמודלים ל-pipeline בלי שכבת פרסור. הוא גם קובע לאיזה מהם יש סיבה להתקיים אחרי שהמודלים הכלליים ישתפרו.

שתי הגדרות של ראייה

LFM3-VL-2B הוא המודל הרב-תכליתי של Liquid AI. הוא מקבל טקסט, תמונות ווידאו בקצב של 2 fps, מפיק טקסט, תומך בחשיבה שלב-אחר-שלב, נושא הקשר של 128K ומכסה 16 שפות. הארכיטקטורה היא מודל צפוף בנפח 1.92B — עמוד שדרה לשוני של 1.73B, מקודד ראייה פנימי של 164M ומקרן של 25M — כאשר פורסמו בניות BF16, GGUF, MLX 4-bit ו-ONNX. הפוסט של משפחת Liquid מציג אותו כמודל שיכול "לצפות, לחשוב בהיגיון ולהבין את העולם הפיזי", ומסלול הווידאו הוא באמת חדש עבור המשפחה.

WeVisOne-VL-2B הוא מודל הראייה WeChat של Tencent. הוא בנוי על שלד Qwen3-VL עם כ-2.4B פרמטרים תחת Apache 2.0, ומטרתו היא תפיסה מאוחדת: זיהוי באוצר מילים פתוח, לוקליזציה לפי הפניה, ספירה, הצבעה, לוקליזציה של OCR, סגמנטציה לפי הפניה ו-alpha matting עם פרומפט. הוא מחזיר קואורדינטות מנורמלות באמצעות טוקנים ייעודיים, וכן מסכות באמצעות מפענח פיקסלים נפרד בעל 9.6M פרמטרים שיש לטעון לצד מודל השפה.

מודל אחד הוא קורא. האחר הוא מכשיר מדידה. החפיפה בטבלאות הבנצ׳מרק שלהם אמיתית, אך היא החפיפה של שני מוצרים שונים המודדים את אותה סצנה.

פורמט הפלט הוא המוצר

WeVisOne-VL-2B מקודד קואורדינטות כאסימונים מ-<0> עד <1000>, מסמן כל מופע באסימון <OBJ> ומחזיר None כאשר היעד המבוקש חסר. הפרט האחרון הזה הוא מה שעוסקים בתחום שמים לב אליו: הכרטיס מדווח על שיעור דחייה של 50.2 ב-RefCOCOg, לעומת כ-0.5 עבור Rex-Omni ו-LocateAnything. הוא מאומן לומר "לא כאן" במקום להזות תיבה.

מפענח הפיקסלים אינו אופציונלי. סגמנטציה ו-alpha matting דורשים את mask_decoder.pt, מודול בעל 9.6 מיליון פרמטרים שמופעל על ידי טוקן האובייקט. אם תטענו רק את מודל השפה, תקבלו קואורדינטות אך לא מסכות. מאגר ה-GitHub מספק את חבילת ההסקה שמחברת בין השניים, והמודל הוא חד-סבבי ותמונה-בלבד מלכתחילה — מפענח הפיקסלים דוחה גרידים של וידאו.

ל-LFM3-VL-2B אין חוזה מקביל. הוא יתאר אזור, ימנה עצמים או יחשוב על סצנה בפרוזה, ושורת ה-grounding שלו (RefCOCO-avg 90.5) מרמזת שהוא מיומן בלוקליזציה. אבל הפלט הוא טקסט. עבור צינור עיבוד שזקוק למסכה, ההבדל בין 90.5 לבין פוליגון שניתן לפרסר הוא ההבדל בין דמו למוצר.

מספרי עיגון שאינך יכול לחסר

שני הכרטיסים מדווחים שניהם תוצאות ממשפחת RefCOCO, והן אינן אותה מדידה. LFM3-VL-2B מדווח RefCOCO-avg 90.5, שממצע את פיצולי ביטויי ההתייחסות. WeVisOne-VL-2B מדווח RefCOCOg 77.1 ממוצע F1 לזיהוי התייחסותי ו-RefCOCO testA 82.9 cIoU לפילוח התייחסותי. RefCOCOg הוא פיצול שונה עם ביטויים ארוכים יותר ושיחתיים יותר; cIoU הוא מדד שונה מ-F1.

הפחתת 77.1 מ-90.5 מפיקה מספר שאינו אומר דבר. הקריאה הכנה היא ששני המודלים חזקים בלוקליזציה מפנית (referring localization) בהרנסים שלהם עצמם, שאף אחד מההרנסים לא שוחזר באופן עצמאי, ושהגדרות המדדים שונות דיין כדי שהדירוג יישאר לא מוכרע. אותה זהירות חלה על OCR: ‏LFM3-VL-2B מדווח OCRBench v1 86.3, בעוד WeVisOne-VL-2B מדווח OCR HierText 30.5, שהוא בנצ'מרק שונה על מערך נתונים קשה יותר.

כאשר ההשוואה נקייה, היא מעדיפה את המומחה בביתו שלו: WeVisOne-VL-2B מדווח על F1 לזיהוי ב-COCO של 55.2, ב-LVIS 53.3 וב-Dense200 61.4, לעומת מודל שאינו מפרסם כלל F1 לזיהוי. זה לא ניצחון כברירת מחדל. זו תזכורת לכך שהכלליסט לא אומן להיות מדורג כך.

המאט הוא החפיר

שטיחות אלפא ניתנת להנחיה (promptable alpha matting) היא התכונה שאף לא LFM3-VL-2B ואף לא רוב הדגמים בקטגוריית הגודל שלה מציעים. WeVisOne-VL-2B מדווח על הפרש מוחלט ממוצע של 6.6 ב-P3M-500-NP עבור שטיחות בעלות קצה רך — הגבול החצי-שקוף סביב שיער, זכוכית ופרווה, שמסכת סגמנטציה בינארית הופכת לחתך קשיח. הכרטיס גלוי לב לגבי המגבלות: גבולות אלפא עדינים נשחקים תחת הסתרה, רזולוציה נמוכה ושקיפות. אבל עבור גזירות מוצר, קומפוזיציה והחלפת רקע, השטיחות היא הפלט שהצינור באמת צריך.

זו הטענה החזקה ביותר לקיומו של המודל. מודל כללי בנפח 2B יכול לתאר תמונה; הוא אינו יכול לספק לך ערוץ אלפא רך. טנסנט בנתה מודל קטן סביב מפענח פיקסלים משום שפלט כזה יקר להשגה ממודל כללי גדול, והאח בנפח 4B קיים עבור צוותים שזקוקים לדיוק רב יותר באותה משימה.

וידאו וחשיבה הם החפיר האחר.

הגורם המבדל של LFM3-VL-2B פועל בכיוון ההפוך. הוא מקבל וידאו בקצב של 2 fps ומדווח על Video-MME 62.8 ללא כתוביות, MVBench 69.4 ו-MMMB 85.2. WeVisOne-VL-2B היא חד-תורנית ותמונה בלבד; מפענח הפיקסלים שלה דוחה רשתות וידאו. אם הקלט שלך הוא קליפ, ההשוואה נגמרת לפני שטבלת הבנצ'מרק מתחילה.

מצב החשיבה מוסיף פער שני. LFM3-VL-2B מדווח על MathVista 84.2 עם חשיבה לעומת 68.5 בלעדיה, ועל MMMU 55.7 לעומת 48.6. ל-WeVisOne-VL-2B אין שרשרת מחשבה באופן מכוון, לשם יעילות. זו בחירה הנדסית לגיטימית עבור רכיב תפיסה, ומגבלה קשה עבור מודל שאתה רוצה שיבצע היסק לגבי תרשים.

זיכרון, רישיון ומחיר הכניסה

• פרמטרים — LFM3-VL-2B עם 1.92B dense לעומת WeVisOne-VL-2B עם כ-2.4B, ובנוסף מפענח פיקסלים של 9.6M.

• זיכרון — כ-3.84 GB BF16 לפי חישוב עבור LFM3-VL-2B, עם build MLX של 4-bit; בערך 9.1 GB של משקלים ב-F32 וכ-4.9 GB מוערכים ב-BF16 עבור WeVisOne-VL-2B, לפי הערות פריסה של צד שלישי ולא לפי הכרטיס.

• קלט — טקסט, תמונה ווידאו ב-2 fps לעומת תמונה וטקסט בלבד, תור בודד.

• פלט — פרוזה, ולעיתים עם הנמקה לעומת טקסט, קואורדינטות מנורמלות, מסכות ומסכות אלפא.

• הקשר — 128K לעומת לא צוין כחלון בקנה מידה של מסמך; מפענח הפיקסלים הוא המגבלה.

• רישיון — LFM Open License v1.0, שימוש מסחרי מתחת להכנסה שנתית של $10M לעומת Apache 2.0 בכל גודל.

• פורסם — מאגר 19 באוקטובר 2026, הודעה משפחתית 27 באוקטובר לעומת מאגר 22 באוקטובר 2026.

שורת הרישוי היא ההיפך מהסיפור הרגיל. המודל של Tencent הוא זה עם הרישיון המתירני; זה של Liquid הוא זה עם תקרת ההכנסות. עבור חברה שמפתחת מוצר תפיסה מסחרי, Apache 2.0 מסיר פריט בדיקת נאותות שהרישיון LFM יוצר. זה לא הופך את המודלים לברי החלפה, אבל זה כן אומר שהמודל הקטן והכללי יותר נושא באילוץ המשפטי הגדול יותר.

לאף אחד מהמודלים אין מחיר לאירוח

שני הכרטיסים מפרסמים משקלים, ואף אחד מהם אינו מפרסם תעריף API לפי טוקן. Hugging Face אינה מפרטת ספק הסקה עבור LFM3-VL-2B; הכרטיס של WeVisOne-VL-2B גם הוא ללא נקודת קצה מתארחת, אף שקיימים פורטים קהילתיים עבור LiteRT, Core AI, GGUF ו-Android. זהו המצב הנוכחי של שכבת הראייה 2B: המשקלים חינמיים, ההגשה באחריותכם, והעלות האמיתית היא ה-GPU ועבודת האינטגרציה.

אם אתם מעדיפים לשכור את השכבה הזו במקום להחזיק בה, OrcaRouter מנתב מודלים חזותיים מתארחים — ובהם Qwen3-VL-8B — דרך API אחד, עם מחיר המחירון של הספק בלי תוספת רווח של 0%, ומיזוג מודלים אם אתם רוצים שמודל תפיסה ומודל הסקה יענו כפאנל. אנחנו לא מספקים אף אחד מהצ'קפוינטים בהשוואה הזו, ואין כאן שום דבר שמרמז שאנחנו כן. הנקודה הרלוונטית היא ששכירת מודל מתארח מעט גדול יותר היא אפשרות שלישית לגיטימית כאשר אף אחד מהמודלים במשקלים פתוחים אינו מסופק עם נקודת קצה.

איך לבחור

• בחרו ב-WeVisOne-VL-2B אם הפלט הוא גאומטריה: תיבות, מסכות, מטות אלפא, ספירות, או אות „לא קיים”. בחרו בו אם Apache 2.0 אינו ניתן למשא ומתן, או אם אתם בונים צינור עיבוד לחיתוך, קומפוזיציה או תפיסת רובוטיקה.

• בחרו ב-LFM3-VL-2B אם הקלט כולל וידאו, אם נדרשת הסקה על פני תרשים או טופס, או אם אתם רוצים מודל קטן אחד שיענה על שאלות כלליות במקום למדוד צורות.

• השתמש בשניהם רק אם מוכנים להריץ שני פייפליינים. הם חולקים מחלקת פרמטרים וכמעט שום דבר אחר, ועלות האינטגרציה של להעמיד פנים אחרת גבוהה מעלות המודל השני.

הפער של שלושה ימים בין המאגרים שלהם הוא צירוף מקרים. השוני במה שהם מחזירים אינו כזה. שתי מעבדות הסתכלו על אותו תקציב של 2 מיליארד והוציאו אותו על תפוקות שונות, והשאלה הנכונה אינה איזו מהן טובה יותר — אלא איזו תפוקה שלב ה-pipeline הבא שלך יכול בפועל לצרוך.