LFM3-VL-2B vs WeVisOne-VL-2B: Terpaut Tiga Hari, Taruhan yang Bertolak Belakang

LFM3-VL-2B muncul di Hugging Face pada 19 Oktober 2026. WeVisOne-VL-2B muncul pada 22 Oktober. Dua model, keduanya sekitar dua miliar parameter, keduanya open-weight, keduanya dari laboratorium terkenal, diterbitkan dalam selang 72 jam satu sama lain. Anda mungkin mengira keduanya hampir saling menggantikan. Keduanya lebih mendekati taruhan yang berlawanan tentang apa arti "visi": satu menjawab pertanyaan tentang apa yang dilihatnya, yang lain mengembalikan bentuk presisi dari apa yang dilihatnya.

Perbedaan itu mudah terlewat pada lembar spesifikasi, karena kedua kartu mencantumkan kotak dan keduanya mencantumkan OCR. Perbedaannya terletak pada format keluaran dan tujuan pelatihan, dan itu menentukan apakah Anda dapat memasukkan salah satu model ke dalam pipeline tanpa lapisan parsing. Itu juga menentukan mana yang masih punya alasan untuk ada setelah model serbaguna menjadi lebih baik.

Dua definisi tentang melihat

LFM3-VL-2B adalah model generalis Liquid AI. Model ini menerima teks, gambar, dan video pada 2 fps, menghasilkan teks, mendukung pemikiran langkah demi langkah, membawa konteks 128K, dan mencakup 16 bahasa. Arsitekturnya adalah model padat 1,92B — tulang punggung bahasa 1,73B, encoder visi internal 164M, dan proyektor 25M — dengan build BF16, GGUF, MLX 4-bit, dan ONNX yang telah dipublikasikan. Postingan keluarga Liquid menggambarkannya sebagai model yang dapat "menonton, bernalar, dan memahami dunia fisik," dan jalur video benar-benar baru untuk keluarga ini.

WeVisOne-VL-2B adalah model WeChat Vision milik Tencent. Model ini dibangun di atas backbone Qwen3-VL dengan sekitar 2,4B parameter di bawah lisensi Apache 2.0, dan tujuannya adalah persepsi terpadu: deteksi kosakata terbuka, lokalisasi rujukan, penghitungan, penunjukan, lokalisasi OCR, segmentasi rujukan, dan promptable alpha matting. Model ini mengembalikan koordinat ternormalisasi melalui token khusus, serta mask melalui pixel decoder terpisah berparameter 9,6M yang harus dimuat bersama model bahasa.

Satu model adalah pembaca. Yang lain adalah alat ukur. Tumpang tindih dalam tabel tolok ukur mereka nyata, tetapi itu adalah tumpang tindih dua produk berbeda yang mengukur adegan yang sama.

Format keluaran adalah produknya

WeVisOne-VL-2B mengodekan koordinat sebagai token dari <0> hingga <1000>, menandai setiap instance dengan token <OBJ>, dan mengembalikan None saat target yang diminta tidak ada. Detail terakhir itulah yang diperhatikan para praktisi: kartu model melaporkan tingkat penolakan sebesar 50.2 pada RefCOCOg, dibandingkan dengan sekitar 0.5 untuk Rex-Omni dan LocateAnything. Model ini dilatih untuk mengatakan "tidak ada di sini" alih-alih berhalusinasi membuat kotak.

Decoder piksel bukan opsional. Segmentasi dan alpha matting memerlukan mask_decoder.pt, modul 9,6M parameter yang dipicu oleh token objek. Jika Anda hanya memuat model bahasa, Anda akan mendapatkan koordinat tetapi bukan mask. Repositori GitHub menyertakan paket inferensi yang menghubungkan keduanya, dan model ini dirancang untuk satu giliran dan hanya gambar — decoder piksel menolak grid video.

LFM3-VL-2B tidak memiliki kontrak yang setara. Ia akan mendeskripsikan suatu wilayah, menghitung objek, atau bernalar tentang sebuah pemandangan dalam bentuk prosa, dan baris grounding-nya (RefCOCO-avg 90.5) menunjukkan bahwa ia kompeten dalam lokalisasi. Namun output-nya adalah teks. Bagi pipeline yang membutuhkan mask, perbedaan antara 90.5 dan poligon yang dapat diurai adalah perbedaan antara demo dan produk.

Membumikan bilangan yang tidak dapat Anda kurangkan

Kedua kartu sama-sama melaporkan hasil keluarga RefCOCO, dan keduanya bukan pengukuran yang sama. LFM3-VL-2B melaporkan RefCOCO-avg 90,5, yang merata-ratakan split ekspresi rujukan. WeVisOne-VL-2B melaporkan RefCOCOg 77,1 F1 rata-rata untuk deteksi rujukan dan RefCOCO testA 82,9 cIoU untuk segmentasi rujukan. RefCOCOg adalah split yang berbeda dengan ekspresi yang lebih panjang dan lebih bersifat percakapan; cIoU adalah metrik yang berbeda dari F1.

Mengurangi 77.1 dari 90.5 menghasilkan angka yang tidak berarti apa-apa. Pembacaan yang jujur adalah bahwa kedua model sama-sama kuat dalam lokalisasi perujukan pada harness masing-masing, bahwa tidak ada harness yang telah direproduksi secara independen, dan bahwa definisi metriknya cukup berbeda sehingga peringkatnya belum dapat dipastikan. Kewaspadaan yang sama berlaku untuk OCR: LFM3-VL-2B melaporkan OCRBench v1 86.3, sedangkan WeVisOne-VL-2B melaporkan OCR HierText 30.5, yang merupakan benchmark berbeda pada dataset yang lebih sulit.

Ketika perbandingannya bersih, hasilnya menguntungkan spesialis di bidangnya sendiri: WeVisOne-VL-2B melaporkan F1 deteksi COCO 55,2, LVIS 53,3, dan Dense200 61,4, dibandingkan dengan model yang sama sekali tidak mempublikasikan F1 deteksi. Itu bukan kemenangan secara default. Itu adalah pengingat bahwa model generalis tidak dilatih untuk dinilai dengan cara seperti itu.

Matte adalah parit pertahanannya.

Promptable alpha matting adalah fitur yang tidak ditawarkan oleh LFM3-VL-2B maupun sebagian besar model di kelas ukurannya. WeVisOne-VL-2B melaporkan rata-rata selisih absolut sebesar 6,6 pada P3M-500-NP untuk matte bertepi lembut — batas semitransparan di sekitar rambut, kaca, dan bulu yang oleh mask segmentasi biner diubah menjadi potongan keras. Kartu ini terbuka tentang batasannya: batas alpha yang halus mengalami degradasi pada kondisi oklusi, resolusi rendah, dan transparansi. Namun untuk cut-out produk, kompositing, dan penggantian latar belakang, matte adalah keluaran yang sebenarnya dibutuhkan oleh pipeline.

Ini adalah argumen terkuat untuk keberadaan model ini. Model generalis 2B dapat mendeskripsikan sebuah gambar; ia tidak dapat memberikan saluran alfa yang halus. Tencent membangun model kecil di sekitar dekoder piksel karena keluaran seperti itu mahal untuk diperoleh dari model serba guna yang besar, dan saudara 4B-nya ada untuk tim yang membutuhkan akurasi lebih pada tugas yang sama.

Video dan pemikiran adalah parit pertahanan lainnya

Pembeda LFM3-VL-2B berjalan ke arah sebaliknya. Model ini menerima video pada 2 fps dan melaporkan Video-MME 62,8 tanpa subtitel, MVBench 69,4, dan MMMB 85,2. WeVisOne-VL-2B bersifat satu giliran dan hanya gambar; dekoder pikselnya menolak kisi video. Jika masukan Anda berupa klip, perbandingan sudah berakhir sebelum tabel benchmark dimulai.

Mode thinking menambahkan celah kedua. LFM3-VL-2B melaporkan MathVista 84,2 dengan thinking versus 68,5 tanpa thinking, dan MMMU 55,7 versus 48,6. WeVisOne-VL-2B tidak memiliki chain-of-thought secara desain, demi efisiensi. Itu pilihan rekayasa yang sah untuk komponen persepsi dan batas keras bagi model yang ingin Anda gunakan untuk bernalar tentang grafik.

Memori, lisensi, dan harga masuk

• Parameter — LFM3-VL-2B 1.92B dense vs WeVisOne-VL-2B sekitar 2.4B, ditambah dekoder piksel 9.6M.

• Memori — sekitar 3,84 GB BF16 secara aritmetika untuk LFM3-VL-2B, dengan build MLX 4-bit; kira-kira 9,1 GB bobot dalam F32 dan perkiraan 4,9 GB dalam BF16 untuk WeVisOne-VL-2B, menurut catatan penerapan pihak ketiga, bukan dari kartu.

• Masukan — teks, gambar, dan video pada 2 fps vs hanya gambar dan teks, satu giliran.

• Keluaran — prosa, secara opsional dengan penalaran vs teks, koordinat ternormalisasi, masker dan alpha matte.

• Konteks — 128K vs tidak dinyatakan sebagai jendela berskala dokumen; dekoder piksel menjadi kendalanya.

• Lisensi — LFM Open License v1.0, penggunaan komersial di bawah pendapatan tahunan $10 juta vs Apache 2.0 pada ukuran apa pun.

• Diterbitkan — repositori 19 Oktober 2026, pengumuman keluarga 27 Oktober vs repositori 22 Oktober 2026.

Baris lisensi ini adalah kebalikan dari kisah yang biasa. Model Tencent adalah model dengan lisensi permisif; model Liquid adalah model dengan batas pendapatan. Bagi perusahaan yang membangun produk persepsi komersial, Apache 2.0 menghilangkan satu item uji tuntas yang diciptakan oleh lisensi LFM. Itu tidak membuat kedua model dapat dipertukarkan, tetapi berarti model yang lebih kecil dan lebih umum membawa batasan hukum yang lebih besar.

Tidak ada model yang memiliki harga hosted.

Kedua kartu model mempublikasikan bobot dan keduanya tidak mempublikasikan tarif API per token. Hugging Face tidak mencantumkan penyedia inferensi untuk LFM3-VL-2B; kartu WeVisOne-VL-2B juga tidak memiliki endpoint yang dihosting, meskipun tersedia port komunitas untuk LiteRT, Core AI, GGUF, dan Android. Inilah bentuk terkini dari tier visi 2B: bobotnya gratis, penyajiannya menjadi tanggung jawab Anda, dan biaya sebenarnya adalah GPU serta pekerjaan integrasi.

Jika Anda lebih memilih menyewa tier tersebut daripada memilikinya, OrcaRouter merutekan model visi yang dihosting — Qwen3-VL-8B di antaranya — melalui satu API dengan harga daftar penyedia yang diteruskan pada markup 0%, dan fusi model jika Anda ingin model persepsi dan model penalaran menjawab sebagai panel. Kami tidak menyajikan salah satu checkpoint dalam perbandingan ini, dan tidak ada yang di sini menyiratkan bahwa kami melakukannya. Poin relevannya adalah bahwa menyewa model yang dihosting sedikit lebih besar merupakan opsi ketiga yang sah ketika tidak ada model open-weight yang disertai endpoint.

Cara memilih

• Gunakan WeVisOne-VL-2B jika outputnya berupa geometri: kotak, mask, alpha matte, jumlah, atau sinyal "tidak ada". Gunakan ini jika Apache 2.0 tidak bisa ditawar, atau jika Anda sedang membangun pipeline cut-out, compositing, atau persepsi robotika.

• Gunakan LFM3-VL-2B jika input mencakup video, jika Anda memerlukan penalaran atas bagan atau formulir, atau jika Anda ingin satu model kecil untuk menjawab pertanyaan umum alih-alih mengukur bentuk.

• Ambil keduanya hanya jika Anda siap menjalankan dua pipeline. Keduanya berbagi kelas parameter dan hampir tidak ada kesamaan lain, dan biaya integrasi untuk berpura-pura sebaliknya lebih tinggi daripada biaya model kedua.

Jarak tiga hari antara repositori mereka adalah kebetulan. Perbedaan dalam apa yang mereka kembalikan bukanlah kebetulan. Dua lab melihat anggaran 2B yang sama dan membelanjakannya untuk keluaran yang berbeda, dan pertanyaan yang tepat bukanlah mana yang lebih baik — melainkan keluaran mana yang benar-benar dapat dikonsumsi oleh langkah pipeline Anda berikutnya.