WeVisOne-VL-4B לעומת LFM2.5-VL-3B: מומחה מטינג מול אצן קצה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 13 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 151 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 1076 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 157 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 1885 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 49 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 105 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
Liquid AI מפרסמת נתון מהירות עבור LFM2.5-VL-3B, וטנסנט אינה מפרסמת נתון כזה עבור WeVisOne-VL-4B. הא-סימטריה הזו, יותר מכל שורת בנצ'מרק, היא לב ההשוואה. LFM2.5-VL-3B הוא מודל קצה בן 3.1B פרמטרים שכוונן להשיב במעבר אחד: 228 טוקנים לשנייה על Apple M5 Max, 20 טוקנים לשנייה על Galaxy S26 Ultra, בפחות מ-3.3 GB זיכרון, בשש-עשרה שפות. WeVisOne-VL-4B הוא מודל תפיסה בן 4.83B פרמטרים שיוציא עד 1,960 טוקנים חזותיים ומפענח בן 9.6M פרמטרים כדי למסור לך מאט אלפא ברזולוציה מלאה. האחד בנוי להיות מהיר דיו כדי לשבת בתוך ממשק משתמש של טלפון; האחר בנוי להוציא פיקסלים. הם חופפים במילה "vision" וכמעט בשום מקום אחר.
זה הופך את ההשוואה הזו למשהו שראוי לעשות בקפידה, משום שהגרסה המתבקשת שלה — להעמיד את טבלאות הבנצ׳מרק זו לצד זו, להכריז על מנצח — תהיה שגויה באופן ספציפי ומלמד.
טבלאות הבנצ'מרק אינן מדברות זו עם זו
שני המודלים מפרסמים מספרי ביטויי-התייחסות, ושני המספרים נראים בני השוואה. הם אינם. LFM2.5-VL-3B מדווח RefCOCO-avg P@1 של 87.9. WeVisOne-VL-4B מדווח RefCOCOg test F1 mean של 81.8. פיצול נתונים שונה, מדד שונה, מודל כשל שונה: P@1 שואל אם התיבה המדורגת ראשונה נכונה, ו-F1 mean ממצע precision ו-recall על פני ספי IoU מ-0.5 עד 0.95. מודל יכול לנצח באחד ולהפסיד בשני בפער גדול בלי שאף אחת מהתוצאות תהיה מפתיעה.
אותה מלכודת נמצאת בכל שורה אחרת. הנתון 80.7 של Liquid ב-ScreenSpot-v2 מודד עיגון של רכיבי ממשק משתמש; ל-Tencent אין נתון ScreenSpot. שיעור הדחייה של 96.4% של Tencent ב-WeRef-Bench מודד אם המודל מסרב לענות כאשר האובייקט אינו שם; Liquid לא מפרסמת מדד דחייה כלל. אף אחד מהספקים לא העריך את המודל של השני, כך שאין שורה באף אחת מהטבלאות שהיא השוואה ראש בראש.
מה שאפשר לומר בכנות הוא כיווני. LFM2.5-VL-3B הוא ג'נרליסט חזק בגודלו — ממוצע של 69.4 על פני 28 מדדי ראייה לפי הספירה של Liquid עצמה, בטווח של 0.7 נקודות מ-Qwen3.5-4B — והזינוק שלו ב-ScreenSpot-v2 מכמעט אפס בדור הקודם ל-80.7 הוא השיפור הגדול ביותר בטבלה שלו. WeVisOne-VL-4B אינו מתחרה על הציר הזה. הטענות החזקות ביותר שלו הן בזיהוי צפוף של עצמים קטנים, בדחייה ובפלט ברמת הפיקסל, שאין LFM2.5-VL-3B מנסה אף אחד מהם.
מהו כל מודל מבחינה פיזית
• פרמטרים — WeVisOne-VL-4B 4.83B dense (צ'קפוינט F32) לעומת LFM2.5-VL-3B 3.12B dense (BF16)
• מסלול ראייה — שלד Qwen3-VL יחד עם מפענח פיקסלים של 9.6M לעומת בסיס טקסט היברידי מסוג קונבולוציה-קשב LFM2.5-2.6B יחד עם מקודד SigLIP2 NaFlex 400M
• זיכרון — כ-19 GB בדיסק עבור צ'ק פוינט F32 4B לעומת פחות מ-3.3 GB סך טביעת הרגל עבור ה-3B
• הקשר — אין נתון מפורסם עבור WeVisOne-VL-4B לעומת 32,768 אסימונים עבור LFM2.5-VL-3B
• שפות — לא צוין עבור WeVisOne-VL-4B לעומת 16 עבור LFM2.5-VL-3B, עם אוצר מילים של 128K שנבנה עבור כתבים שאינם לטיניים
• סוגי פלט — תיבות, נקודות, מסכות ומאטות אלפא לעומת תיבות וטקסט בלבד
• רישיון — Apache 2.0 עבור קוד שנכתב על ידי Tencent לעומת LFM Open License v1.0
• מהירות — לא פורסם לעומת 228 tok/s ב-M5 Max, 116 tok/s ב-Ryzen AI Max+ 395, 20 tok/s ב-Galaxy S26 Ultra
פער היכולות שבאמת מכריע את הכף
LFM2.5-VL-3B יכול לומר לך היכן אדם נמצא בתמונה. WeVisOne-VL-4B יכול לומר לך היכן אדם נמצא, להחזיר מסכה בינארית עבור אותו מופע, ולהחזיר מט אלפא רציף עם קצוות רכים — שיער, פרווה, בד שקוף, טשטוש תנועה — ברזולוציה מלאה. זהו הבדל קטגורי, לא הבדל באיכות. אם המוצר שלך צריך להרכיב דמות על רקע חדש, לגזור תמונת מוצר, או להניע החלפת רקע בשיחת וידאו, ל-LFM2.5-VL-3B אין מה להציע לך, ושום כמות של הנדסת פרומפטים לא משנה זאת.
הריצו את ההשוואה בכיוון ההפוך וקורה אותו דבר. אם המוצר שלכם צריך למצוא כפתור על מסך טלפון בתוך 40 אלפיות שנייה, WeVisOne-VL-4B הוא בצורה הלא נכונה לחלוטין: זהו מודל של 4.83B ללא נתון השהיה שפורסם, ללא גרסאות מכווצות לקצה, ומפענח שמניח תמונה אחת בכל סבב. Liquid מספקת GGUF, MLX, ONNX וגרסאות נייטיב, בנוסף להקשר של 32K ולמדדי ביצועים לקריאה לכלים. Tencent מספקת חבילת הסקה למחקר והגשה באמצעות vLLM/SGLang.
דחייה היא הטור המוערך בחסר
יכולת אחת בטבלה של Tencent ראויה לתשומת לב גם אם לעולם לא תיגע במאטינג. ב-WeRef-Bench, WeVisOne-VL-4B דוחה בצורה נכונה 96.4% מהשאילתות עבור אובייקטים שאינם בתמונה, לעומת 73.0% עבור קו הבסיס הטוב ביותר שמופיע ברשימת המחברים; ב-PR-Bench שיעור הדחייה הוא 52.6% לעומת 10.8% עבור Qwen3-VL-4B. המודל מחזיר None במקום להמציא תיבה. גלאי שמייצר הזיות גרוע מהיעדר גלאי, כי הכשל שקט והקוד במורד הזרם סומך עליו.
התיעוד של LFM2.5-VL-3B אינו מדווח על נתון דחייה, ולכן אין למה להשוות — וזו בעצמה הנקודה. היעדר ראיות אינו כישלון, אבל אם אתם בונים סוכן שמחליט אם ללחוץ על משהו, קיומו של שיעור דחייה מדוד הוא סיבה אמיתית לבחון תחילה את המודל של Tencent.
רישוי הוא הגורם המבדל השקט.
כאן השניים נפרדים בדרך שמשנה למי שמשווק מוצר מסחרית. המשקלים של WeVisOne-VL-4B הם Apache 2.0 עבור קוד שנכתב על ידי Tencent, כאשר רכיבי צד שלישי שומרים על התנאים שלהם. LFM2.5-VL-3B מופץ תחת LFM Open License v1.0, אשר חינמית לשימוש מסחרי מתחת לסף הכנסות ומחייבת הסכם מסחרי מעליו. אם אתם צוות קטן, ההבדל הוא אקדמי. אם לא, אחד מאלה הוא סקירה משפטית והשני הוא שורה בקובץ תלויות.
אף אחד מהרישיונות אינו מעניק לך שירות אירוח. ל-WeVisOne-VL-4B אין API כלל; LFM2.5-VL-3B הוא מהדורת משקלים, וכל אירוח על ידי צד שלישי הוא הסדר נפרד. אמירה מפורשת של זה חשובה יותר מבעבר, מפני שמודל ללא נקודת קצה הוא התחייבות להחזיק בעצמך את מחסנית ההסקה.
היכן OrcaRouter מתאים, והיכן לא
אף אחד מהמודלים האלה אינו נמצא היום בקטלוג של OrcaRouter, כך שאין כאן שום דרך לקרוא להם. מה שהפלטפורמה כן מציעה הוא ההחלטה הכרוכה בכך. רוב הצוותים שבוחנים מודל VLM לקצה בגודל 3B לא מחליפים מודל אחד באחר — הם מוסיפים מודל שני לצד המודל הכללי שכבר נמצא בייצור, והעלות התפעולית של חוזה ספק שני, מפתח שני ומצב כשל שני בדרך כלל הורגת את הניסוי לפני שהמודל מספיק לעשות זאת.
ניתוב שתי הכוונות דרך נקודת קצה אחת, עם יותר מ-200 מודלים מאחורי מפתח אחד בתוספת של 0% מעל מחיר המחירון של הספק, פירושו שמודל התפיסה יכול להיות החלטת ניתוב ולא פרויקט אינטגרציה. אם מודל הקצה אינו זמין, מעבר אוטומטי לגיבוי שולח את הבקשה למקום אחר במקום להחזיר 503. זה החלק ש-OrcaRouter באמת פותר כאן; המשקלים וה-GPU עדיין שלך.
איזה אחד לבחור?
בחרו ב-LFM2.5-VL-3B אם המשימה תלוית השהיה ובעלת אופי טקסטואלי: הבנת מסך, סוכני ממשק משתמש, OCR של מסמכים עם פריסה, תרגום במכשיר וקריאה לכלים. הוא מהיר מכמעט כל דבר בגודלו, הוא פועל בתקציב הזיכרון של טלפון, ו-Liquid פרסמה מספיק נתונים כדי שתוכלו לבדוק את הטענות מול עומס העבודה שלכם.
בחר ב-{{1}}WeVisOne-VL-4B{{/1}} אם העבודה מסתיימת בפיקסלים. סגמנטציה, מטינג, זיהוי צפוף של עצמים קטנים, או כל צינור עיבוד שבו "המודל אמר לא" צריך להיות תשובה אמינה. קבל שאתה מאמץ מוקדם: לא קיימת הרצת בנצ'מרק עצמאית, לא קיימת נקודת קצה מתארחת, קוד הכיוונון העדין עדיין ברשימת ה-TODO, והמאמר בן יומיים.
הדבר היחיד שאסור לעשות הוא להכריע ביניהם לפי ציון בנצ'מרק בודד. אף אחד לא מדד אותם זה מול זה, על אותם נתונים.
