Molmo2-4B לעומת WeVisOne-VL-4B: נקודות, מסכות והשאלה שאיש לא שואל ראשונה

אם תבקשו משני המודלים למצוא את הכלב, תקבלו תשובה מכל אחד מהם. Molmo2-4B מחזיר קואורדינטה. WeVisOne-VL-4B מחזיר תיבת תיחום, ואם תבקשו את המט, ערוץ אלפא ברזולוציה מלאה שעדיין יש בו פרווה. אלה שלושה מוצרים שונים שעוטים את אותה מילה — "grounding" — ואיזה מהם דרוש לכם מכריע את ההשוואה הזו הרבה לפני שכל בנצ'מרק עושה זאת. Molmo2-4B הוא מודל חזותי-לשוני כללי בן 4.85B מטעם Allen Institute for AI עם פלט נקודה ומסלול וידאו אמיתי. WeVisOne-VL-4B הוא מודל תפיסה בן 4.83B מטעם צוות WeChat Vision של Tencent שמאחד זיהוי, לוקליזציה לפי הפניה, ספירה, הצבעה, OCR, סגמנטציה לפי הפניה והפקת מט אלפא הניתנת להנחיה מאחורי נקודת ביקורת אחת בתוספת מפענח פיקסלים בעל 9.6 מיליון פרמטרים. צינורות תפיסה לעיתים רחוקות עוצרים במודל אחד. תמחור עם 0% תוספת מחיר המחירון של הספק מועבר ללא שינוי, כך שהפחתה מהספק נכנסת לתוקף באותו יום.

שניהם לא חדשים. Molmo2-4B הוכרז ב-11 בדצמבר 2025 והמשקלים שלו פורסמו ב-14 בדצמבר. המאגר של WeVisOne-VL-4B הופיע ב-22 באוקטובר 2026 עם מאמר arXiv, 2610.31329, מצורף. השינוי האחרון בצד של Molmo הוא תשתיתי ולא מודלי: תמיכת Transformers מקורית מוזגה ב-9 באוקטובר ויצאה ב-v5.20.0 ב-15 באוקטובר, ו-Ai2 פרסמה כיוונון עדין לרובוטיקה של Molmo2-4B ב-5 בנובמבר. שימושי אם חיכיתם להריץ אותו בלי קוד מרוחק. לא שחרור, ולא סיבה לקרוא לזה השקה.

חוזה הפלט הוא ההחלטה כולה

Molmo2-4B — נקודה, בטווח 0–1000 של רוחב וגובה התמונה, עטופה בתג עם ביטוי רגולרי מפורסם; במצב וידאו כל נקודה נושאת חותמת זמן, והצבעה על מספר תמונות מתשטחת לשלשות של אינדקס פריים, x, y.

• WeVisOne-VL-4B — תיבה, נקודה, מסכה או מסכת אלפא, הנבחרים לפי ארגומנט המשימה; משימות צפופות פולטות אסימון מופע אחרי כל תיבה, ומפענח הפיקסלים הופך אותם למסכות ולמסכות אלפא.

• הצבעה היא הפלט היחיד ששניהם מייצרים, והיא המקום היחיד שבו קיימת השוואה הוגנת.

• ל-Molmo2-4B אין ראש סגמנטציה והוא אינו יכול להפיק מאט. ל-WeVisOne-VL-4B אין מסלול וידאו: בתיעוד שלה נאמר שמפענח הפיקסלים דוחה רשתות וידאו.

• Molmo2-4B תומך לפנייה בודדת אך הוא נייטיבי לריבוי תמונות; WeVisOne-VL-4B מכוון לתפיסת תמונה לפנייה בודדת ומדלג במפורש על שרשרת מחשבות לטובת הפחתת השהיה.

השורה הרביעית הזו מכריעה את רוב הוויכוח. אם ה-pipeline שלך זקוק לערוץ אלפא — קומפוזיטינג, חיתוכי מוצרים, החלפת רקע, כל דבר שבו קצה שיער חשוב — Molmo2-4B אינו מועמד ומעולם לא היה. אם ה-pipeline שלך צריך לעקוב אחר אובייקט לאורך 384 פריימים של וידאו, WeVisOne-VL-4B לא יכול להיכנס להשוואה. שאר המאמר הזה עוסק בתחום הצר שבו שניהם סבירים.

שניהם "4B" ואף אחד מהם לא בדיוק כך

• פרמטרים — Molmo2-4B הוא 4,850,869,200; WeVisOne-VL-4B הוא 4,830,581,248. בטווח של 0.4% זה מזה, וזה המקרה המקרי שהופך את ההתמודדות למעניינת.

• ארכיטקטורה — SigLIP 2 so400m בתוספת Qwen3-4B-Instruct-2507 עבור Molmo2-4B; עמוד שדרה Qwen3-VL בתוספת מפענח מסכות נפרד בעל 9.6 מיליון פרמטרים עבור WeVisOne-VL-4B.

• הורדה — 19.42 GB של safetensors מסוג float32 בארבעה שרדים עבור Molmo2-4B; כ-9.7 GB של משקלי bfloat16 כולל mask_decoder.pt הנדרש עבור WeVisOne-VL-4B.

• הקשר — 36,864 פוזיציות עבור Molmo2-4B; תקציב של 262,144 טוקנים אינו האילוץ התפעולי של WeVisOne, אשר מעריך בעד 1,960 טוקנים חזותיים לתמונה.

• רישיון — Apache 2.0 לשניהם, כאשר הכרטיס של Molmo2-4B מוסיף כי נתוני האימון שלו כפופים לשימוש מחקרי אקדמי ולא-מסחרי בלבד.

• סביבת הרצה — {{1}}Transformers{{/1}} עם קוד מרוחק (או נייטיבי מאז v5.20.0) בתוספת {{2}}molmo_utils{{/2}} ו-{{3}}decord2{{/3}} עבור {{4}}Molmo2-4B{{/4}}; חבילת ההסקה של Tencent עצמה עם backend של {{5}}transformers{{/5}} או {{6}}vLLM{{/6}} עבור {{7}}WeVisOne-VL-4B{{/7}}.

שורת ההורדה היא ההפתעה המעשית. Molmo2-4B כפול בגודלו בדיסק למרות שמספר הפרמטרים זהה, מפני ש-AI2 פרסמה אותו ב-float32 וטנסנט פרסמה ב-bfloat16. הורדה של 19.42 GB שאתה מיד ממיר לרמת דיוק נמוכה אינה אותו אובייקט כמו הורדה של 9.7 GB שאתה מגיש כפי שהיא, ורק אחת מהן נכנסת בנוחות לצד קבוצה של מודלים אחרים במכונה אחת.

מאיפה המספרים מגיעים, ואיפה הם נעצרים

לאף אחד מהמודלים אין לוח תוצאות עצמאי, ולכן כל מה שלהלן מדווח על ידי הספקים. שני הספקים בחרו מערכי מבחן כמעט לא חופפים, וזו בדיוק הסיבה שההשוואה ממשיכה להיעשות בצורה גרועה.

WeVisOne-VL-4B, מתוך הדוח הטכני: 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. בתחום המיסוך (matting), ה-MAD של P3M-500-NP עם הנחיית תיבה הוא 7.3 וה-MAD של WeRefMat עם הנחיית טקסט הוא 9.8 — ככל שנמוך יותר כך טוב יותר, ושניהם עולים על בסיסי ה-SAM2-Matting שאיתם המאמר משווה.

מולמו2-4B, מהכרטיס שלו: ממוצע של 62.8 על פני 15 מבחני ייחוס אקדמיים, מאחורי אחיו ה-8B שלו עם 63.1 ולפני Qwen3-VL-4B עם 58.1, InternVL3.5-4B עם 53.4 ו-GLM-4.1V-9B עם 56.9, כאשר Gemini 3 Pro עם 70.0 ו-GPT-5 עם 70.6 באותה טבלה.

אף אחת מאותן שורות אינה משותפת. הבנצ'מרק היחיד שבו שניהם מופיעים באותה הערכה בכלל הוא ספירה, וגם שם המספרים מגיעים ממאמרים שונים עם פרוטוקולים שונים.

הממצא הלא־נוח בתוך המאמר של WeVisOne עצמו

הדבר הכי מעשי בטבלאות של WeVisOne הוא לא הציון של ה-4B. זה שה-4B לפעמים מפסיד לאח שלו ה-2B.

• טוב יותר ב-4B — Dense200 71.3 לעומת 61.4, LVIS 55.3 לעומת 53.3, RefCOCOg test 81.8 לעומת 78.2, ReasonSeg val cIoU 71.2 לעומת 60.9, PointBench 71.9 לעומת 62.9, WeRefMat MAD 9.8 לעומת 15.8.

• גרוע יותר ב-4B — P3M-500-NP box matting MAD 7.3 לעומת 6.6, PPM-100 6.1 לעומת 5.3, Ref-ZOM test cIoU 72.2 לעומת 73.4.

קרא את הנקודה השנייה פעמיים. במטינג בסצנות רגילות עם הנחיית תיבה, תוספת של 2.8B למודל השפה לא קונה דבר ועולה עשירית נקודת MAD, ככל הנראה מפני שהדקודר המחייב של 9.6M עושה את העבודה הצפופה ומודל השפה רק בוחר למה להצביע. ה-4B מצדיק את גודלו במשימות קשות המותנות בשפה — סגמנטציה לפי הפניה, ספירה צפופה, זיהוי בצפיפות — ומשייט או נסוג מעט במשימות הקלות.

אז {{1}}לבחור ב-WeVisOne הגדול יותר{{/1}} אינו ברירת מחדל בטוחה. תן שם למשימה לפני שאתה נותן שם לנקודת הבדיקה.

חיוביים כוזבים, שאיש לא מודד אותם

אפשר לבקש משני המודלים משהו שאינו קיים. התנהגותם כפי שפורסמה שונה בחדות, וזו השורה שצריכה להדאיג כל מי שבונה לולאת אימות.

הדוח של WeVisOne מציג שלושה שיעורי דחייה שלעיתים קרובות ממזגים אותם לנתון אחד ואסור לעשות זאת: RefCOCOg-Rej 67.4, WeRef-Bench Rej 96.4 ו-PR-Bench Rej 52.6. הפער בין 96.4 ל-52.6 הוא הסיפור. במבחן הפנימי המודל כמעט תמיד מסרב כראוי כשהאובייקט המבוקש חסר; בסט היריבי הציבורי הוא ממציא תשובה כמחצית מהפעמים.

Molmo2-4B אינו מפרסם שיעור דחייה כלל. הכרטיס שלו מדווח על ממוצעים ב-15 מבחני בנצ'מרק ושום דבר על הימנעות. אם היישום שלך מסתמך על כך שהמודל אומר "לא נוכח", זו תכונה לא מדודה בצד אחד של ההשוואה הזו, והיא ראויה למערך בדיקות משלך ולא לציטוט של בנצ'מרק.

לשם מה כל אחד מיועד

קח את WeVisOne-VL-4B כאשר התוצר הוא אזור או פיקסל: זיהוי באוצר מילים פתוח, סגמנטציה לפי הפניה, מיטינג פרומפטבילי, לוקליזציה צפופה של OCR על תמונה בודדת. קח במקום זאת את ה-2B האח, כאשר המשימה היא מיטינג תיבות בסצנה קלה, מפני שהמאמר אומר שה-4B אינו משפר שם. אל תקח אף אחד מהם אם וידאו נמצא בהיקף, מפני שמפענח הפיקסלים דוחה רשתות וידאו.

קח את Molmo2-4B כאשר התוצר הוא מיקום בזרם: להצביע על האובייקט, לעקוב אחריו בין פריימים, לספור מופעים לאורך זמן, ולהסיק על פני קבוצת תמונות. קח אותו כאשר קואורדינטה יחד עם חותמת זמן היא התוצר השימושי ומסכה תהיה מוגזמת. הקצה תקציב להורדת float32 ולהמרה.

יש דפוס שלישי שמופיע בייצור לעתים קרובות יותר מאשר כל אחת מהבחירות הטהורות: להריץ את שניהם, משום שהמשימות משלימות זו את זו ולא מתחרות. מעבר זיהוי על פריים נייח ומעבר הצבעה על הווידאו שאחריו הם שתי קריאות עם שתי צורות פלט שונות, והתשתית ביניהן היא החלק היקר. התשתית הזו היא מה ששכבת ניתוב נועדה לו — ה-DSL לניתוב מרכיב מספר מודלים לקריאה אחת, כך שההעברה בין מודל מטינג למודל הצבעה היא קונפיגורציה ולא שירות. לא WeVisOne-VL-4B ולא Molmo2-4B נמצאים בקטלוג של OrcaRouter; שניהם משקלים שאתם מארחים, והתיאור הכנה הוא שהניתוב יושב מעליהם.

התשובה בשורה אחת

אם אתם צריכים פיקסלים, זו לא השוואה — WeVisOne-VL-4B הוא היחיד שמייצר אותם, וכדאי לבדוק אם אחיו ה-2B גובר עליו במשימת המטינג הספציפית שלכם לפני שתשלמו על ה-4B. אם אתם צריכים נקודות לאורך זמן, גם זו לא השוואה — Molmo2-4B הוא היחיד עם מסלול וידאו. ההשוואה הופכת אמיתית רק כשהמשימה היא "למצוא את האובייקט בתמונה הסטטית הזו", ושם הגורם המכריע אינו דיוק אלא הימנעות: ל-WeVisOne יש נתוני דחייה שפורסמו, ול-Molmo2-4B אין.