LFM3-VL-2B לעומת WeVisOne-VL-4B: מה באמת נותנים פי 2.5 פרמטרים

טבלת הבנצ'מרק של Tencent עצמה מספקת טיעון נגד הרכישה המתבקשת. WeVisOne-VL-4B, הגדול מבין שני מודלי התפיסה שצוות WeChat Vision פרסם ב-22 באוקטובר 2026, גרוע יותר ב-alpha matting עם הנחיית תיבה מאשר אחיו ה-2B: הפרש מוחלט ממוצע של 7.3 ב-P3M-500-NP לעומת 6.6 של ה-2B, כאשר ערך נמוך יותר טוב יותר. עם זאת, המודל שרוב הקונים ישוו אותו אליו בפועל אינו אחיו, אלא LFM3-VL-2B — מודל הראייה שעל המכשיר בעל 1.92B של Liquid AI, שמשקלותיו הופיעו ב-19 באוקטובר ואשר הוכרז עם שאר משפחת LFM3 ב-27 באוקטובר.

הציבו את השניים זה לצד זה, והשאלה המעניינת אינה איזה מהם חכם יותר. היא מה מביאה לך הכפלה פי שניים וחצי של מספר הפרמטרים, ומה היא עולה. התשובה הקצרה, מהטבלאות של הספקים עצמם: היא מביאה זיהוי צפוף, דיוק בהתייחסות, וקצב טוב בהרבה של סירוב לענות כאשר האובייקט אינו נמצא. היא לא מביאה מודל כללי, היא לא מביאה וידאו, והיא לא מביאה מודל שאפשר לשים בטלפון. כל מה שלהלן מגיע משתי הטבלאות שפורסמו, כשהתפרים נותרו גלויים — אף מערכת בדיקה עצמאית לא שחזרה את המספרים של אף אחד מהמודלים.

מה כל אחד הוא בפועל

LFM3-VL-2B הוא בעל 1.92B פרמטרים צפופים: עמוד שדרה לשוני של 1.73B, מקודד ראייה פנימי של 164M ומקרן של 25M. עמוד השדרה הוא המחסנית התלת-היברידית של Liquid — 24 שכבות המחולקות ל-13 קונבולוציות קצרות עם שער, 5 שכבות קשב עם חלון הזזה בחלון של 256 טוקנים, ו-6 שכבות קשב גלובליות. הוא קולט טקסט, תמונות ווידאו ברזולוציה מקורית, דוגם וידאו בקצב של 2 פריימים לשנייה, מחזיק הקשר של 128K טוקנים, מכסה 16 שפות, ויש לו מצב חשיבה אופציונלי שמפיק מעבר הסקה לפני התשובה. הפלט שלו הוא פרוזה.

WeVisOne-VL-4B בנוי על שלד Qwen3-VL ונקרא 4B, אף שהמטא-נתונים ב-Hugging Face מעגלים אותו ל-5B ופרסומים של צדדים שלישיים מעמידים את המניין בפועל על כ-4.83B. הוא אינו עונה בפרוזה אלא פולט גאומטריה: תיבות ונקודות כטוקנים של קואורדינטות מנורמלות מ-0 עד 1000, סמן OBJ (מזהה טוקן 152678) לאחר כל תיבה חזויה, והמחרוזת המילולית None כאשר היעד נעדר. מסכות ו-alpha mattes דורשות ארטיפקט שני, mask_decoder.pt, מפענח פיקסלים בעל 9.6M פרמטרים שמקבל את המצב המוסתר של כל טוקן OBJ ואת התיבה החזויה ומחזיר אלפא ברזולוציה מלאה ב-stride 1. הוא חד-סבבי ותמונה בלבד, והוא מייצר פלט מובנה ישירות, בלי שרשרת מחשבה.

הניגוד במעבר אחד:

• גודל — LFM3-VL-2B עם 1.92B צפוף לעומת WeVisOne-VL-4B כ-4.83B, ובנוסף מפענח של 9.6M שהוא הכרחי עבור מסכות

• קלט — טקסט, תמונה ווידאו ב-2 fps לעומת טקסט ותמונה בודדת

• פלט — פרוזה ומעבר חשיבה לעומת אסימוני קואורדינטות, תיבות, מסכות, מאטות, או None מפורש

• הקשר — 128K טוקנים לעומת אין מגבלת הסקה שפורסמה בכרטיס; המאמר מתאר אימון ב-4,096 וב-8,192 טוקנים

• כיסוי שפות — 16 שפות מוצהרות לעומת לא מוצהרות

• רישיון — LFM Open License v1.0, חינם לשימוש מסחרי בהכנסה שנתית מתחת ל-10 מיליון דולר, לעומת Apache 2.0 עבור קוד שנכתב על ידי Tencent

• סביבת ריצה — GGUF/llama.cpp, MLX 4-bit, ONNX ו-BF16 לעומת BF16 דרך Transformers, vLLM או SGLang

השדרוג אינו אחיד, והמאמר מראה היכן.

WeVisOne-VL-2B ו-WeVisOne-VL-4B הם אותה ארכיטקטורה בשני קנ"מ, שאומנו על אותן כ-100 מיליון תמונות דרך אותה תוכנית לימודים תלת-שלבית, והוערכו על אותה טבלה. זה הופך את ההשוואה בין האחים לראיה הנקייה ביותר הזמינה לגבי מה שהפרמטרים הנוספים עושים — והיא אינה נעה בכיוון אחד.

היכן שה-4B מנצח בבירור, לפי הנתונים של Tencent:

• זיהוי Dense200 — F1 ממוצע של 71.3 לעומת 61.4, השיפור הבודד הגדול ביותר

• LVIS — 55.3 לעומת 53.3, שיפור צנוע של 2 נקודות

• RefCOCOg זיהוי רפרנטי — 81.8 בבדיקה לעומת 78.2

• RefCOCO — סגמנטציה לפי הפניה — 84.5 cIoU ב-testA לעומת 82.9

• ReasonSeg — 71.2 cIoU ב-val לעומת 60.9, זינוק של 10 נקודות בס�েগמנטציה מנומקת

• הצבעה ב-PointBench — 71.9 לעומת 62.9

• WeRefMat מטינג לפי הפניה — 9.8 הפרש מוחלט ממוצע בחלוקת ה-referring לעומת 15.8, צמצום שגיאה של 38%

היכן שזה לא:

• ריפוד הקופסה של P3M-500-NP — 7.3 לעומת 6.6 של ה-2B, גרוע יותר

• ריפוד קופסת PPM-100 — 6.1 לעומת 5.3, גרוע יותר

• Ref-ZOM cIoU — 72.2 בבדיקה לעומת 73.4, וה-2B שוב מקדים

התבנית קריאה גם אם הסיבה אינה מפורסמת: ה-4B מוביל במשימות קשות ומותנות-שפה — סגמנטציה עם התייחסות, סגמנטציה עם הסקה, מאטינג עם התייחסות בסצנות אמיתיות — ואינו נותן דבר בחזרה במערכי המאטינג הקלים יותר עם הנחיית תיבה, שבהם שני המודלים כבר קרובים לתקרה וייתכן שהדקודר בעל 9.6M עושה את רוב העבודה. שניים משלושה מדדי מאטינג עם הנחיית תיבה נעים בכיוון הלא נכון. אם מאטינג אלפא על תיבה שסופקה הוא המשימה היחידה שלך, ה-4B אינו שדרוג; זו דרך יקרה יותר לקבל את אותה תשובה, מעט גרועה יותר.

אובייקטים חסרים: טוב יותר, עדיין לא פתור

העמודה השימושית ביותר במאמר היא זו שכמעט אין כרטיס מודל ראייה שמפרסם אותה. RefCOCOg-Rej הוא וריאנט שבו כל ביטוי משתנה כך שלא קיים אובייקט מתאים בתמונה. מודל שלא יודע לומר "לא" ימציא תיבה, וכל חיתוך, ספירה ומסכה במורד הזרם יורשים את ההמצאה הזו.

WeVisOne-VL-4B דוחה נכון 67.4% מהמקרים, לעומת 50.2% עבור ה-2B. זהו שיפור אמיתי וגדול — שיפור של 17 נקודות שמשנה את מצב הכשל של צינור עיבוד מהטלת מטבע לשניים משלוש. זה גם אומר שה-4B עדיין מחזיר תיבה עם ביטחון גבוה עבור בערך אחת מכל שלוש שאילתות של אובייקט שאינו נוכח. ב-WeRef-Bench הפנימי של Tencent עצמה, שיעור הדחייה עומד על 96.4%, אך המבחן הזה מורכב מ-2,880 שאילתות באנגלית ובסינית שהמעבדה בנתה בעצמה, ולכן הוא מודד התפלגות נוחה יותר מזו הציבורית. הסיכום הכנה הוא שלמודל יש התנהגות הימנעות שמישה והוא לא פתר את הבעיה; אם היישום שלך לא יכול לסבול אזור הזייתי, זה מצריך סף או בדיקה שנייה נוספת, בכל מודל שתבחר.

המספר שנראה בר־השוואה ואינו

מפתה להעמיד את ה-RefCOCO-avg של 90.5 של LFM3-VL-2B לצד ה-RefCOCOg של 81.8 של WeVisOne-VL-4B ולהכריז על ניצחון של 8.7 נקודות למודל הקטן יותר. אל תעשו זאת. אלה פיצולים שונים ומדדים שונים: Liquid מדווחת על ממוצע על פני משפחת RefCOCO, Tencent מדווחת על F1 של RefCOCOg בבדיקה עבור referring detection. חיסור ביניהם מפיק מספר שאין לו רפרנט.

אותה מלכודת קיימת ב-OCR. LFM3-VL-2B משיג 86.3 ב-OCRBench v1, מדד מורכב של זיהוי טקסט, איתור והסקה; WeVisOne-VL-4B משיג ממוצע F1 של 52.0 ב-TotalText, מדד למיקום טקסט בסצנה. האחד הוא מבחן רחב, האחר הוא משימת חיזוי צפוף. הם לא אותה מיומנות שנמדדת פעמיים.

אז שתי טבלאות הספקים אינן מצטלבות במספר בר-השוואה אחד. מה שאפשר להשוות ביושר הוא יכולות ועלות, ולכן שאר ההשוואה עוסקת בהתאמה ולא בדירוג. כל מי שמפרסם מנצח משתי הטבלאות האלה ממציא אותו.

הזיכרון הוא המחיר האמיתי

לאף אחד מהמודלים אין מחיר מפורסם לכל טוקן ב-28 באוקטובר 2026. הכרטיס של Liquid מקשר גישה ל-API ול-Playground דרך הקונסולה שלו, אך לא פורסם מחירון עבור LFM3-VL-2B; עוקבים חיצוניים שמפרטים תעריפים של מודלי הטקסט של Liquid אינם מכסים את מודל הראייה. לטנסנט אין נקודת קצה מתארחת כלל. לכן ההשוואה היא השוואת אירוח עצמי, והחיוב נקוב בזיכרון.

• {{1}}LFM3-VL-2B{{/1}} — כ-3.84 GB ב-BF16 לפי חישוב ממספר הפרמטרים, עם גרסאות 4-ביט של MLX, GGUF ו-ONNX שפורסמו לצידו

• WeVisOne-VL-4B — כ-9.7 GB ב-BF16 לפי הערכות של צד שלישי, כ-19 GB ב-F32, ובנוסף ה-mask_decoder.pt הנדרש

פער ה־2.5× הזה הוא לא רק GPU גדול יותר. זה סוג אחר של מכשיר. כרטיס המודל LFM3-VL-2B מצהיר במפורש שהמודל נבנה לעבודה על המכשיר — שאלות על וידאו, מסמכים, תרשימים ומסכי אפליקציות, מציאת אובייקטים, חשיבה מרחבית לרובוטים — והבנייה של MLX 4-bit ו־GGUF היא הדרך שבה ההבטחה הזו נשמרת: מחשב נייד, טלפון, שלדת רובוט. המסלולים המתועדים של WeVisOne-VL-4B הם Transformers, vLLM ו־SGLang על BF16, ללא בנייה מכומתת רשמית וללא סביבת ריצה על המכשיר. הוא רוצה GPU של שרת.

כדאי לבדוק את תמיכת ה-framework מול הנתיב שלכם ולא מול הטבלה. וידאו ב-2 fps הוא יכולת של המודל ב-LFM3-VL-2B, אבל אם סביבת הרצה נתונה מקבלת grid של וידאו היא שאלה נפרדת, וכרטיס המודל, הפורטים וה-PRs במעלה הזרם לא תמיד הסכימו על כך. בדקו את השילוב המדויק שאתם מתכננים לשחרר.

OrcaRouter אינה מארחת אף אחד משני המודלים. הדבר מאומת מול הקטלוג ב-28 באוקטובר 2026, ולא בהנחה — לא קו LFM3 של Liquid ולא WeVisOne של Tencent מופיעים ברשימת המודלים — ולכן אין לקרוא את האמור כאן כנתיב לאף אחד מהם. מה שקטלוג המודלים של OrcaRouter כן כולל הוא Qwen3-VL-8B, בגרסאות instruct ו-thinking, וזו האפשרות הפרגמטית אם הדרישה בפועל שלכם היא מודל ראייה מתארח עם מחיר מפורסם היום ולא צ'קפוינט באירוח עצמי. מפתח אחד מגיע לכל זה במחיר המחירון של הספק וללא תוספת, ואם אתם עושים פרוטוטייפינג מול מודל open-weight שטרם הוכח, הרצתו דרך ראוטר עם failover עדיפה על חיווט נתיב ייצור לצ'קפוינט שטרם עבר הערכה בלתי תלויה.

איזה אחד לבחור?

• יש לבחור ב-WeVisOne-VL-4B כאשר התוצר הוא גאומטריה — מסכות, מסכות אלפא, תיבות צפופות, ספירות, הצבעה — על תמונות סטילס, כאשר השאילתות מותנות בשפה ולא בתיבה, וכאשר יש GPU פנוי

• בחר ב-WeVisOne-VL-2B במקום ב-4B כאשר המשימה שלך היא מיטינג עם הנחיית תיבה בסצנות רגילות; לפי המספרים שפורסמו, המודל הקטן טוב יותר בכך וצורך פחות מחצי מהזיכרון

• בחר ב-{{1}}LFM3-VL-2B{{/1}} כאשר הקלט כולל וידאו, כאשר המסמך ארוך, כאשר התשובה צריכה להיות משפט ולא מצולע, או כאשר המכשיר אינו שרת

• אל תבחר באף אחד מהשניים אם אתה צריך נקודת קצה מתארחת עם מחיר מפורסם לכל טוקן השבוע — אף אחד מהספקים לא מציע כזה, ושום כמות של בנצ׳מרקינג לא תסגור את הפער הזה

• בחר בשניהם רק אם אתה מקבל שני סכמות פלט ושני נתיבי אינטגרציה; טווח הפרמטרים המשותף "כ-2B עד 5B" מסווה שני מוצרים שונים.

מה ישנה את זה

שלושה דברים. מערך בדיקה בלתי־תלוי שמריץ את שני המודלים על אותן תמונות עם אותם פרומפטים — עד אז, כל האמור לעיל הוא טבלת ספק שקוראים אותה בקפידה, שזה אמנם טוב יותר מטבלת ספק שקוראים אותה בקלות ראש, אבל זה לא הוכחה לאיכות. גרסה מכומתת של WeVisOne, או סביבת הרצה על המכשיר, מה שיעביר את טיעון הזיכרון מ"מכריע" ל"בר־מו״מ". ומחיר מפורסם לכל טוקן מאחד הצדדים, מה שיחליף חשבון של גיגה־בייטים במספר שאפשר לתקצב לפיו.

הפחות סביר מבין השלושה הוא דווקא זה שיהיה החשוב ביותר עבור הזיווג הספציפי הזה: תמיכת וידאו במפענח הפיקסלים של WeVisOne. נכון לעכשיו, הגנרליסט 2B מקבל וידאו ואילו מכשיר ה-4B אינו יכול, ושום מספר פרמטרים לא מתקן מודאליות שמעולם לא אומנה.