WeVisOne-VL-2B נגד LFM2.5-VL-3B: יוצר מסכות נגד קורא מסך

תנו לשני המודלים את אותה תמונה ואת אותו המשפט — "הכלב משמאל" — ותקבלו בחזרה שני דברים שונים. LFM2.5-VL-3B עונה עם מיקום ואם תשאלו, גם תיאור: תיבה, נקודה או משפט קצר על מה שמצא. WeVisOne-VL-2B עונה גם כן עם תיבה, ואז מפענח קטן הופך את התיבה הזו למסכת אלפא עם קצוות רכים שאפשר להרכיב על רקע חדש בלי הילה סביב הפרווה. מודל אחד נבנה כדי לקרוא ממשק ולהשיב. השני נבנה כדי למסור לכם פיקסלים.

ההבדל הזה הוא כל ההשוואה, והוא מחזיק בכל טבלת בנצ'מרקים שכל אחד מהספקים פרסם. הוא גם מסביר מדוע שני המודלים כמעט ואינם מוערכים זה מול זה: כרטיס המודל של Liquid AI אינו מזכיר את WeVisOne, המאמר של Tencent אינו מזכיר את Liquid, ואף צד שלישי לא הריץ אותם זה לצד זה. להלן מה שכל פרסום למעשה תיעד, אילו מהמספרים שלהם אפשר להעמיד זה לצד זה, ואילו לא.

שתי גרסאות, שתי כמויות שונות מאוד של ראיות

LFM2.5-VL-3B פורסם על ידי Liquid AI ב-11 באוגוסט 2026 — המשקלים תחילה, וההכרזה למחרת — והוא הגיע עם טבלת מדדים מספריים, בסיס השוואה נקוב לכל שורה, וקטע מהירות שנמדד על חומרה נקובת שם. זהו מודל צפוף עם 3.12 מיליארד פרמטרים: שלד שפה LFM2.5-2.6B המשודך עם מקודד חזותי SigLIP2 NaFlex 400M, הקשר של 32,768 אסימונים, אוצר מילים של 128,000 אסימונים ושש-עשרה שפות נקובות. הרישיון שלו הוא LFM Open License v1.0 של Liquid עצמה, והוא חופשי לשימוש מסחרי מתחת לסף הכנסה ולא חופשי ללא תנאי.

WeVisOne-VL-2B פורסם על ידי צוות WeChat Vision של Tencent ב-22 באוקטובר 2026, וכרטיס המודל שלו אינו מכיל כלל טבלת בנצ'מרקים — אין ציונים, אין אורך הקשר, אין נתוני תפוקה ואין דרישות חומרה. המספרים קיימים, אך הם נמצאים במאמר הנלווה, שמדווח על שבע טבלאות משימות על פני מה שהמחברים מתארים כיותר משלושים בנצ'מרקים. לכן שתי המהדורות אינן רק מודלים שונים; הן סוגים שונים של מסמך. Liquid פרסמה מפרט מוצר. Tencent פרסמה תוצאת מחקר והשאירה את דף המפרט ריק ברובו.

האסימטריה הזו חשובה כשקוראים השוואה כמו זו. הנתונים של Liquid הורכבו כך שייקראו מול קווי הבסיס של Liquid עצמה. הנתונים של Tencent הורכבו כדי לנצח בטבלה אקדמית. אף ספק לא בחר את המספרים שלו תוך התחשבות במודל האחר, וזו בדיוק הסיבה שהמספרים אינם מתיישרים.

המספר שנראה בר־השוואה אבל הוא לא.

שני המודלים מפרסמים ציון RefCOCO, והצבתם זה לצד זה מניבה כותרת שנראית נקייה: LFM2.5-VL-3B עם 87.9 לעומת WeVisOne-VL-2B עם 79.7. ההשוואה הזו חסרת משמעות, וכדאי לעבור על הסיבה לכך, כי אותה טעות נעשית כרגע בגיליונות אלקטרוניים.

• Liquid מדווחת RefCOCO precision@1 בממוצע על פני החלוקות. זהו מדד סטטיסטי לזיהוי: האם התיבה החזויה המדורגת ראשונה חפפה את תיבת האמת במידה מספקת כדי להיחשב נכונה.

• ה-79.7 של Tencent נמצא בטבלת סגמנטציה, והמאמר מציין במפורש שמספרי משפחת RefCOCO שם הם IoU מצטבר — סך החיתוך חלקי סך האיחוד על פני כל מערך ההערכה.

• טבלת זיהוי ההפניות של Tencent אינה מדווחת על RefCOCO כלל. היא מדווחת על RefCOCOg, שבה 2B משיג ציון F1 ממוצע של 77.1.

אז ה-87.9 וה-79.7 מודדים שלושה דברים שונים בשתי משימות שונות. תיבה שבקושי חופפת למטרה יכולה לקבל ציון טוב ב-precision@1 וציון גרוע ב-cIoU; מסכה שמכסה היטב עצם גדול יכולה לקבל ציון גבוה ב-cIoU בעוד תיבת החוסם שלה מרושלת. אין אריתמטיקה שמיישבת ביניהם.

אותה מלכודת קיימת גם ב-OCR. Liquid מפרסמת את OCRBench v1 עם 84.2 ואת OCRBench v2 English עם 47.5 — מדדי תעתיק. Tencent מפרסמת OCR כ-F1 של לוקליזציה בסף IoU של 0.5: 62.1 על SROIE, 42.6 על ICDAR2015, 42.5 על TotalText, 30.5 על HierText. אלה מודדים אם המודל איתר את הטקסט ותחם אותו בקופסה, לא אם קרא אותו נכון. ציטוט של "84.2 מול 62.1" יהיה השוואה בין מבחן קריאה למבחן הצבעה.

מהי בעצם השוואה הוגנת

הסר את הציונים ושתי המודלים מתיישרים בממדים שאינם דורשים הרנס:

• גודל — כ-3.12B פרמטרים צפופים עבור LFM2.5-VL-3B לעומת כ-2B עבור WeVisOne-VL-2B, ובנוסף מפענח בעל 9.5M פרמטרים שיש להוריד בנפרד והוא הכרחי עבור פלטים צפופים.

• בסיס — עמוד השדרה ההיברידי LFM2.5-2.6B של Liquid לעומת Qwen3-VL.

• הקשר — 32,768 טוקנים מפורסמים בכרטיס לעומת אורך הקשר שלא מפורסם כלל. שלבי האימון במאמר של WeVisOne רצו ב-4,096 ו-8,192 טוקנים, והאינפרנס מגביל כל תמונה ל-1,960 טוקנים חזותיים, אבל אף אחד מאלה אינו חלון פריסה.

• סוגי פלט — תיבות, נקודות וטקסט לעומת תיבות, נקודות, מסכות בינאריות ומסכות אלפא רציפות.

• הסקה — LFM2.5-VL-3B הוא במכוון לא-מנמק, ועונה ישירות כדי לשמור על השהיה נמוכה; WeVisOne גם אינו מנמק, אך מסיבה אחרת: הוא מייצר פלט מובנה ללא שרשרת מחשבה לשם יעילות ההיסק. אף אחד מהמודלים לא "חושב" לפני שהוא עונה, ואף ספק לא מעמיד פנים אחרת.

• קריאה לכלים — נתמכת ונמדדה ב-LFM (ToolSandbox 59.5, BFCL v4 32.5) לעומת היעדר יכולת מוצהרת ב-WeVisOne.

• שפות — שש־עשרה מפורטות בכרטיס LFM לעומת לא צוין בכרטיס WeVisOne.

• רישיון — LFM Open License v1.0, עם סף הכנסות, לעומת Apache 2.0 עבור קוד שנכתב על ידי Tencent.

• בניות מכומתות — ייצוא GGUF, ONNX ו-MLX שמציעה Liquid לעומת אף ייצוא כזה שלא הוכרז על ידי Tencent.

• הערכה בלתי תלויה — לאף אחד מהמודלים אין רשומה ב-Artificial Analysis נכון למועד כתיבת שורות אלה. כל מספר במאמר זה, משני הספקים, הוא נתון שדווח על ידי הספק.

פער הפריסה רחב יותר מפער הפרמטרים

LFM2.5-VL-3B תוכנן לרוץ על טלפון, והכרטיס מוכיח זאת במספרים: פחות מ-3.3GB זיכרון, 20 טוקנים לשנייה ב-Galaxy S26 Ultra, 228 טוקנים לשנייה ב-Apple M5 Max, 116 ב-AMD Ryzen AI Max+ 395, וכ-11,000 טוקני פלט לשנייה במקביליות גבוהה על H100 בודד. הוא מגיע בפורמטים שסביבות הרצה צרכניות יכולות לטעון בפועל.

WeVisOne-VL-2B לא מפרסם שום דבר מזה. מה שכן מפורסם ממנו מרמז על חשבון אחר. השלב הסופי של הדקודר מייצר alpha matte ברזולוציה מלאה עם stride-1, כלומר הפלט הצפוף הוא בגודל תמונת הקלט ולא וקטור בגודל קבוע — עלות שמתאימה לקנה מידה של רזולוציה, לא של מספר פרמטרים. עבור מודל 2B על GPU מודרני זה ניתן לניהול. עבור טלפון, זה ממש לא בבירור ניתן לניהול, וטנסנט לא טענה שכן.

ההשלכה המעשית היא ששני המודלים האלה אינם מתחרים על אותה משבצת פריסה. האחד הוא רכיב שאפשר לשלב בתוך אפליקציה. האחר הוא רכיב שתריץ על שרת, או על תחנת עבודה, לצד כל דבר אחר שדורש מיסוך.

בחר לפי סוג הפלט, לא לפי הציון

אם המשימה היא קריאת מסך — לנתח תהליך תשלום, למצוא את הכפתור שעליו כתוב "Continue", לחלץ טבלה ממסמך מצולם — LFM2.5-VL-3B הוא המועמד המתבקש. יש לו ציון 80.7 ב-ScreenSpot-v2, 91.1 ב-DocVQA, 81.3 ב-ChartQA, וציון ToolSandbox שמרמז שהוא יכול לפעול על בסיס מה שהוא רואה ולא רק לתאר אותו. יש לו גם ממוצע של 69.4 על פני 28 בנצ'מרקים ש-Liquid מפרסמת מול מתחרים נקובים בשמם, מה שלפחות אומר לך איך נראית הסביבה הקרובה שלו בעיני הספק.

אם המשימה היא בידוד אובייקט — חיתוך מוצר, אדם על רקע עמוס, חזית עם שערות סוררות או קצה שקוף — LFM2.5-VL-3B אינה מפיקה פלט כזה, ושום כמות של פרומפטים לא תגרום לכך. WeVisOne-VL-2B כן מפיקה, והפער בטבלאות המאטינג גדול: הפרש מוחלט ממוצע של 6.6 לעומת 15.4 עבור SAM2-Matting על P3M-500-NP, ו-15.8 לעומת 23.0 עבור צינור Qwen3-VL-8B בתוספת SAM2 בפיצול WeRefMat עם פרומפט בשפה.

יש עוד מקרה אחד שבו ל-WeVisOne יש טענה שראויה לציון: היעדר. Tencent מדווחת על שיעור דחייה של 50.2 ב-RefCOCOg עבור שאילתות שהמטרה שלהן אינה בתמונה, לעומת 0.5 ו-0.6 לשני מודלי עיגון מתמחים באותה טבלה. אם צינור העיבוד שלך מריץ אלפי חיתוכי תמונה ורובם אינם מכילים דבר שמעניין אותך, מודל שאומר באופן אמין "לא שם" חוסך לך מסווג בהמשך. הכרטיס של LFM2.5-VL-3B אינו מדווח נתון דחייה בר-השוואה, כך שאין מה להציב לצידו — פער בראיות, לא הפסד.

שום דבר מזה אינו סיבה לבחור באחד ולהשבית את השני, וכדאי להיות כנים לגבי המקום שבו נתב מתאים. OrcaRouter לא מספק אף אחד מהמודלים; אף אחד מהם לא נמצא בקטלוג שלנו, ואף אחד מהם לא מתארח במקום שנוכל לאמת במיוחד עבור WeVisOne. מה שכן מוצע הוא המחסנית הסובבת: אם ה-pipeline שלך משתמש במודל ראייה מתארח עבור חצי הקריאה ובמודל עצמאי-מארח עבור חצי המיסוך, הקריאות המתארחות עוברות דרך מפתח API אחד במחיר המחירון של הספק ללא תוספת, מעבר כשל מעביר אותן לספק אחר כאשר אחד מהם נחלש, וה-DSL לניתוב מאפשר לך להעמיד את שני החצאים מאחורי נקודת קצה אחת כך שהאפליקציה שלך לעולם לא תדע איזה מהם ענה.

מה בעצם יכריע את זה

מערך בדיקה עצמאי אחד, שמופעל על ידי מי שאינו אף אחד משני הספקים, על אותן תמונות, ומדווח גם סטטיסטיקת זיהוי וגם סטטיסטיקת סגמנטציה עבור שני המודלים. דבר כזה אינו קיים. עד שזה יקרה, העמדה הניתנת להגנה היא המשעממת: המודלים האלה עונים על שאלות שונות, המספרים המפורסמים שלהם נמדדים בכלים שונים, והבחירה ביניהם נקבעת לפי מה שקוד ההמשך שלך מצפה לקבל — משפט, או מסכה.

אם תיקח רק דבר אחד מההשוואה הזו, קח את צורת הראיות. Liquid AI נתנה לך טבלה שאפשר להפריך. Tencent נתנה לך מאמר שאפשר לקרוא וכרטיס שאומר לך בכנות מה המודל לא יעשה. אף אחד מהן לא נתן לך מספר שאפשר להשוות לאחר, וכל מאמר שמדפיס 87.9 לצד 79.7 בלי ההסתייגות הזו מוכר לך דירוג שלא קיים.