SingVL_S1_4B לעומת WeVisOne VL 4B: השחרור השקט מול המוגמר

צוות WeChat Vision של Tencent פרסם את המאמר, את המשקלים, את חבילת האינפרנס ואת הדמו באוקטובר 2026 תחת Apache 2.0. כך נראית מהדורה גמורה. inclusionAI העלתה שני שברי safetensors ב-11 בנובמבר 2026, בלי הכרזה, בלי מאמר, בלי רישיון ובלי נקודת קצה מתארחת, וסיימה בכך.WeVisOne VL 4B ו-SingVL_S1_4Bשניהם בעלי בערך ארבעה וחצי עד חמישה מיליארד פרמטרים, שניהם בנויים על עמוד שדרה חזותי של Qwen, ושניהם עוסקים בהשגת משהו מדויק יותר מפסקה מתוך תמונה — והם עושים את שני החצאים המנוגדים של העבודה הזו. האחד מצייר מסכות על פיקסלים. השני מחזיר הסתברות על התשובות שחשבתם להציע לו. ההשוואה ביניהם עוסקת פחות בשאלה מי טוב יותר ויותר בשאלה מה שווה מהדורה לפני שהיא גמורה.

שתי היכולות, בלי קישוטים.

WeVisOne-VL-4B — השם הוא קיצור של WeChat Vision All-in-One — מאחד תפיסה ברמת אובייקט ותפיסה ברמת פיקסל במודל אחד. באופן קונקרטי, הוא מבצע זיהוי אובייקטים באוצר מילים פתוח, איתור ביטויי התייחסות, ספירת אובייקטים, הצבעה, איתור OCR, סגמנטציה לפי התייחסות, ו־alpha matting מבוסס פרומפט, שהיא המשימה של הפקת מסכה רציפה ורכה סביב משהו כמו שיער או ענף דק שבו גבול קשיח ייראה שגוי. המנגנון הוא חיזוי טוקן הבא מובנה מעל טוקני קואורדינטות ייעודיים בתוספת מפענח פיקסלים בעל 9.6 מיליון פרמטרים הנשלח לצד ה־checkpoint כקובץ mask_decoder.pt. הוא מחזיר None כאשר מטרה מבוקשת נעדרת, מה שנשמע טריוויאלי ומהווה את ההתנהגות השימושית ביותר ב־grounding בפרודקשן.

SingVL_S1_4B הוא מודל קבלת החלטות. הוא מקבל מצב — טקסט, JSON, עד ארבעה תמונות — ומילון של שאלות בעלות שמות, שלכל אחת מהן סוג מוצהר ותשובות מועמדות. Choice מחזיר הסתברות לכל אפשרות, noul מחזיר את ההסתברות שקביעת כן/לא מתקיימת, score מחזיר הסתברות לכל רמה לאורך שתיים עד עשר רמות מסודרות ואת הרמה הצפויה. מעבר קדימה אחד, ללא יצירה, ללא קואורדינטות. המאגר כולל שרת FastAPI על פורט 8173 שמשיב בכתובת /v1/systemone, וכרטיס המודל כתוב כולו באוצר המילים של הפרוטוקול הזה.

אז החלוקה נקייה. WeVisOne אומר לך היכן הדבר נמצא ואיזו צורה יש לו. SingVL_S1_4B אומר לך מה ההסתברות שהדבר הוא מה שאתה חושד שהוא. לפייפליין שצריך לחתוך אדם מתוך תמונה אין שימוש בהסתברות על פני שלוש אפשרויות, ולפייפליין שצריך לדעת אם תמונה עוברת סף מדיניות אין שימוש במסכה.

מה שהגרסה המלוטשת שמה בכרטיס משל עצמה

הטבלה המרכזית של WeVisOne-VL-4B משווה אותו לקו הבסיס הפתוח החזק ביותר בכל בנצ'מרק, הנבחר מתוך Qwen3-VL ו-Q​wen3.5 עד 9B, ‏Rex-Omni, ‏LocateAnything ומודלים ייעודיים למשימה לסגמנטציה ומאטינג. השורות שנושאות את הטיעון:

• זיהוי LVIS — ממוצע F1 של 55.3 לעומת בסיס של 50.7.

• זיהוי צפוף של Dense200 — 71.3 לעומת 58.7.

• מבחן הפניה של RefCOCOg — ממוצע F1 של 81.8 לעומת 77.6.

• שיעור הדחייה של WeRef-Bench — 96.4 לעומת 73.0, וזו השורה החשובה ביותר עבור עיגון בייצור.

• דיוק הספירה של PixMo-Count — 89.6 לעומת 82.8.

• TotalText OCR — ממוצע F1 של 52.0 לעומת 43.3.

• פילוח referring של ReasonSeg — gIoU 71.2 לעומת 65.0.

• ריפוד קופסה P3M-500-NP — MAD 7.3 לעומת 15.4, כאשר נמוך יותר עדיף.

• חיתוך טקסט של WeRefMat — MAD 9.8 לעומת 22.4.

אלה נתוני ספק על צינור ההערכה של הספק, שנמדדו בפענוח חמדני עם לכל היותר 1,960 טוקנים חזותיים לתמונה, מול קווי בסיס שהספק בחר. הקריאה הכנה היא שהם מבססים שהמודל עובד ובערך היכן הוא ניצב מול החלופה הפתוחה החזקה ביותר בכל משימה — ולא שהפערים מדויקים. שורת שיעור הדחייה היא האמינה ביותר ברוחה, משום ש-96.4 מול 73.0 הוא הבדל גדול מספיק שסביר שפרטי מערך הבדיקה לא מסבירים אותו, ודחיית מטרות חסרות היא מצב הכשל שהורס מערכות עיגון בייצור.

יש גם גרסת 2B עם עמודה משל עצמה, וזה שימושי: 78.2 במבחן RefCOCOg, 50.2 בדחייה, 62.9 בשורת זיהוי צפוף. הספק פרסם את המספרים החלשים יותר של המודל הקטן לצד המספרים החזקים יותר של המודל הגדול, וזה סוג של גילוי נאות שמרמז שהטבלה לא הורכבה לפוסט השקה.

מה שהשחרור השקט שם על הכרטיס שלו עצמו

SingVL_S1_4B מפרסם טבלת "Public Decision Index 0.3": 69.76 בטקסט, 73.94 בראייה, לעומת TypeSafe Jev 1.14 עם 60.70 בטקסט, StartLux-Decision v1.1 4B עם 67.8 ו-67.90, ו-Perplexity Decider Flash v1.2 עם 60.1 ו-72.5. הפירוק שמאחורי מכלול הראייה נע מ-InfographicVQA עם 96.31 ו-Winoground עם 93.12 ועד MMMU-Pro vision עם 50.17 ו-R-Bench-M עם 49.77.

למספרים האלה יש שלוש בעיות שלמספרים של WeVisOne אין. הם בני יומיים. הם מופיעים בלוח תוצאות שערכת הניקוד שלו ציבורית אך החצי הפרטי שלה אינו ציבורי, ומיוצרים על ידי מעבדה שלא הגישה ריצה לערכת השחזור הציבורית — אף שהכרטיס כן כולל הוראות להגשה. ובמאגר אין רישיון, כלומר המספרים אינם האילוץ המחייב לאימוץ; הניירת היא.

מה שהכרטיס אכן קובע מעל לכל ויכוח הוא הממשק: הסתברות לכל שאלה ולכל אפשרות ממעבר קדימה בודד, כאשר הפנימיות של הפרוטוקול נשלחת כגיבובי SHA-256 בקובץ config.json כך שניתן לאמת ריצה מול הקוד שהפיק אותה. זו החלטה הנדסית אמיתית וזה הדבר האמין ביותר בגרסה שפורסמה.

ללוח התוצאות הכנה יש שורה משותפת אחת, והיא ריקה.

לשני המודלים האלה אין אף בנצ'מרק משותף. WeVisOne מודד F1 בספי IoU, gIoU, והפרש מוחלט ממוצע על מאטים. SingVL_S1_4B מודד דיוק מתוקן לפי סיכוי על פני קבוצות אפשרויות. אין שורה שבה נעשתה אותה מדידה לשניהם, ובניית שורה כזו תחייב להריץ את שניהם על אותם נתונים — מה שאף אחד לא עשה, מפני שאחד הצ'קפוינטים בן יומיים.

מה שניתן להשוות הוא צורת הראיות. הגרסה של WeVisOne כוללת דוח טכני ב-arXiv, עמוד פרויקט, מאגר GitHub עם צינור הערכה, קוקבוק, שני מרחבי דמו והוראות שחזור שצד שלישי יכול לפעול לפיהן. הגרסה של SingVL_S1_4B כוללת כרטיס מודל ותיקיית הסקה. אחד מהם מאפשר לזר לבדוק את הטענות; האחר מבקש מהזר לסמוך עליהן.

רישוי, שמכריע יותר מכל אחד משני הבנצ'מרקים

WeVisOne-VL-4B הוא ברישיון Apache 2.0. זה מכסה קוד ומשקולות שנכתבו על ידי T​encent, בעוד שרכיבי צד שלישי שומרים על התנאים שלהם, וזו הסיבה שכבר יש קוונטיזציות של GGUF, צומת ComfyUI, בניית GGUF עבור Rockchip NPU וחבילת אינטגרציה בשפה הסינית שמסתובבות בתוך שבועיים מהשחרור. הפצה מחדש מותרת, ולכן הפצה מחדש קרתה.

SingVL_S1_4B אינו מצהיר על רישיון במטא-נתונים שלו ואינו מגיע עם קובץ LICENSE. inclusionAI השתמשה ברישיונות מפורשים בהפצות האחרות שלה — Apache 2.0 על LemonDecider, רישיון הקהילה של Qwen על מודלי SingProbe — ולכן הפער נראה כמו העלאה שלא הושלמה. אבל „נראה כמו מחדל” אינו רישיון, וסקירת ציות אינה יכולה לאשר מודל על סמך ההנחה שהמפרסם שלו כנראה התכוון לרישיון מתירני.

לכל מי שהתשובה לשאלה "האם אפשר לשחרר את זה" חשובה לו, ההשוואה מסתיימת כאן. את WeVisOne אפשר לשחרר; את SingVL_S1_4B לא, עדיין. כל השאר הוא דיון ביכולות בין שני מודלים, שבו רק אחד מהם זמין כיום כדי שלדיון תהיה משמעות.

איזה מהם מתאים לאיזה פייפליין

• חיתוך משהו מתוך תמונה — WeVisOne-VL-4B, וזה לא קרוב, כי ל-SingVL_S1_4B אין כלל פלט סגמנטציה.

• ספירת עצמים בפריים צפוף — WeVisOne-VL-4B. הוא מדווח על 57.1 בשורת הזיהוי הצפוף, שבה קו הבסיס הטוב ביותר הוא 47.9, וספירה היא משימה ממדרגה ראשונה ולא התנהגות שמעוררים באמצעות פרומפט.

• {{1}}לדעת שמטרה נעדרת{{/1}} — WeVisOne-VL-4B, בזכות שורת הדחייה והחזרת ה-None המפורשת. זו היכולת שמפרידה בין דמו למערכת.

• לתלות קריאה יקרה בציון ביטחון — הצורה של SingVL_S1_4B, אם ניתן לארח אותו והרישיון יגיע. הסתברות לכל אפשרות היא מה שסף רוצה.

• סיווג מול טקסונומיה קבועה — SingVL_S1_4B באופן עקרוני; סוגי הבחירה והניקוד שלו ממופים ישירות לטקסונומיות, בעוד שמודל גנרטיבי צריך להיות מוגבל חזרה לתוך טקסונומיה אחת.

• קריאת עמוד וקבלת גם השדות וגם מיקומיהם — WeVisOne-VL-4B, שמבצע OCR עם לוקליזציה באותו מעבר שבו מתבצע הזיהוי.

• כל דבר שהוטמע באופן מסחרי החודש — WeVisOne-VL-4B, רק על בסיס רישוי.

ושורה שאינה שייכת לאף אחד מהם: אם מה שאתם צריכים הוא הסבר כתוב של מה שיש בתמונה, שני המודלים הם הכלי הלא נכון. WeVisOne מחזיר תפיסה מובנית ו-SingVL_S1_4B מחזיר הסתברויות; אף אחד מהם לא כותב פסקה.

מה שההשוואה מלמדת על השוק, ולא על המודלים

הדבר המעניין כאן אינו שמודל אחד טוב יותר, אלא ששתי מעבדות בגודל דומה שחררו מודל ראייה בעל 4 עד 5 מיליארד פרמטרים באותו רבעון, והתייחסו לשחרור באופן שונה לחלוטין. Tencent שחררה מאמר, צ'קפוינט של מפענח עם מספר פרמטרים מוצהר, צינור הערכה, רישיון ועמוד פרויקט, והמערכת האקולוגית בנתה כימותים ואינטגרציות בתוך שבועיים. inclusionAI שחררה משקלים, סקריפט הסקה וטבלת בנצ'מרק, והמערכת האקולוגית לא יכולה לגעת בשום חלק מזה עד שהרישיון יופיע.

שתי האסטרטגיות לגיטימיות. שחרור שקט מאפשר למעבדה להוציא צ'קפוינט בלי נרטיב השקה, וכרטיס המודל כאן כתוב היטב באמת — דוגמאות ה-API פועלות, סוגי השאלות מתועדים עם דוגמאות אריתמטיות פתורות, והקונפיג מגיע עם ערכי hash שמאפשרים אימות. אבל צ'קפוינט בלי רישיון הוא הדגמה, לא מוצר, וההבדל מתגלה בדיוק במקום שאליו ההשוואה הזו חוזרת שוב ושוב: האם מישהו מלבד המחבר יכול לבנות עליו.

אם ברצונך לבדוק את תבנית ההחלטה לפני שהניירת מגיעה, ניתן לקרוא לתבנית עצמה. OrcaRouter מגיש את TypeSafe Jev 1.14 במחיר של $0.042 למיליון אסימוני קלט לצד יותר מ-200 מודלים תחת מפתח אחד, ומעביר את מחירי המחירון של הספקים עם תוספת של 0%, עם מעבר אוטומטי בין ספקים במקרה של כשל. Sing VL S1 אינו נמצא ב-OrcaRouter ואין לו בית מתארח בשום מקום, כך שזו אינה טענת זמינות לגביו — זוהי הדרך הזולה ביותר לגלות אם פלטי הסתברות עדיפים על מסכות בתוויות שלך, לפני שאתה מוציא GPU על צ'ק-פוינט שהתנאים שלו ריקים.

ניתן פשוט להוריד את WeVisOne-VL-4B. זו, בסופו של דבר, ההשוואה: אחד מהם הוא מודל שאפשר להשתמש בו, והשני הוא מודל שאפשר לקרוא עליו.