LFM3-VL-2B vs WeVisOne-VL-4B: Apa yang Sebenarnya Didapat dari 2,5× Parameter

Tabel benchmark milik Tencent sendiri membantah pembelian yang tampak jelas. WeVisOne-VL-4B, model persepsi yang lebih besar dari dua model yang diterbitkan tim WeChat Vision pada 22 Oktober 2026, lebih buruk dalam alpha matting berbasis prompt kotak dibandingkan saudara kandungnya yang 2B: selisih absolut rata-rata 7,3 pada P3M-500-NP berbanding 6,6 milik versi 2B, di mana nilai lebih rendah lebih baik. Namun, model yang kemungkinan besar akan benar-benar dijadikan pembanding oleh pembeli bukanlah saudara kandungnya, melainkan LFM3-VL-2B — model visi on-device 1,92B milik Liquid AI, yang bobotnya muncul pada 19 Oktober dan yang diumumkan bersama seluruh keluarga LFM3 pada 27 Oktober.

Jika keduanya diletakkan berdampingan, pertanyaan yang menarik bukanlah mana yang lebih pintar. Melainkan apa yang bisa dibeli oleh parameter dua setengah kali lipat, dan berapa biayanya. Jawaban singkatnya, dari tabel milik vendor sendiri: parameter itu membeli deteksi padat, akurasi perujukan, dan tingkat penolakan menjawab yang jauh lebih baik ketika objeknya tidak ada. Parameter itu tidak membeli model generalis, tidak membeli video, dan tidak membeli model yang bisa dipasang di ponsel. Semua yang di bawah ini berasal dari dua tabel yang dipublikasikan dengan sambungannya tetap terlihat — belum ada harness independen yang mereproduksi angka kedua model tersebut.

Apa sebenarnya masing-masing itu

LFM3-VL-2B memiliki 1,92B parameter dense: backbone bahasa 1,73B, encoder visi internal 164M, dan proyektor 25M. Backbone-nya adalah tumpukan tri-hybrid khas Liquid — 24 lapisan yang terbagi menjadi 13 konvolusi pendek bergerbang, 5 lapisan attention sliding-window dengan jendela 256 token, dan 6 lapisan attention global. Model ini menerima teks, gambar, dan video pada resolusi native, mengambil sampel video pada 2 frame per detik, menampung konteks 128K token, mencakup 16 bahasa, dan memiliki mode thinking opsional yang menghasilkan proses penalaran sebelum jawaban. Output-nya berupa prosa.

WeVisOne-VL-4Bdibangun di atas tulang punggung Qwen3-VL dan diberi nama 4B, meskipun metadata Hugging Face membulatkannya menjadi 5B dan tulisan pihak ketiga menempatkan jumlah sebenarnya mendekati 4,83B. Model ini tidak menjawab dalam bentuk prosa melainkan mengeluarkan geometri: kotak dan titik sebagai token koordinat ternormalisasi dari 0 hingga 1000, penanda OBJ (id token 152678) setelah setiap kotak yang diprediksi, dan string literal None ketika target tidak ada. Masker dan alpha matte memerlukan artefak kedua, mask_decoder.pt, dekoder piksel berparameter 9,6M yang mengambil keadaan tersembunyi dari setiap token OBJ dan kotak yang diprediksi lalu mengembalikan alpha resolusi penuh pada stride 1. Model ini bersifat satu giliran dan hanya gambar, serta menghasilkan keluaran terstruktur secara langsung, tanpa rantai pemikiran.

Kontras dalam satu kali proses:

• Ukuran — LFM3-VL-2B 1,92B dense vs WeVisOne-VL-4B sekitar 4,83B, ditambah dekoder 9,6M yang wajib untuk mask

• Input — teks, gambar, dan video pada 2 fps vs teks dan satu gambar

• Keluaran — prosa dan proses berpikir vs token koordinat, kotak, mask, matte, atau None yang eksplisit

• Konteks — 128K token vs tidak ada batas inferensi yang dipublikasikan pada kartu; makalah tersebut menjelaskan pelatihan pada 4.096 dan 8.192 token

• Cakupan bahasa — 16 bahasa dinyatakan vs tidak ada yang dinyatakan

• Lisensi — LFM Open License v1.0, gratis untuk penggunaan komersial dengan pendapatan tahunan di bawah $10 juta vs Apache 2.0 untuk kode yang ditulis Tencent

• Runtime — GGUF/llama.cpp, MLX 4-bit, ONNX, dan BF16 vs BF16 melalui Transformers, vLLM, atau SGLang

Peningkatan ini tidak merata, dan makalah tersebut menunjukkan di mana.

WeVisOne-VL-2B dan WeVisOne-VL-4B adalah arsitektur yang sama pada dua skala, dilatih pada kira-kira 100M gambar yang sama melalui kurikulum tiga tahap yang sama, dan dievaluasi pada tabel yang sama. Itu menjadikan perbandingan sesama model sebagai bukti paling bersih yang tersedia tentang apa yang dilakukan parameter tambahan — dan hasilnya tidak bergerak ke satu arah.

Di mana 4B jelas menang, berdasarkan angka Tencent:

• Deteksi Dense200 — F1 rata-rata 71,3 vs 61,4, peningkatan tunggal terbesar

• LVIS — 55,3 vs 53,3, peningkatan moderat sebesar 2 poin

• Deteksi rujukan RefCOCOg — 81,8 uji vs 78,2

• Segmentasi rujukan RefCOCO — 84,5 cIoU pada testA vs 82,9

• ReasonSeg — 71,2 cIoU pada val vs 60,9, lonjakan 10 poin pada segmentasi penalaran

• PointBench pointing — 71,9 vs 62,9

• WeRefMat referring matting — 9,8 rata-rata selisih absolut pada split referring vs 15,8, pengurangan kesalahan sebesar 38%

Di mana tidak:

• Matting kotak P3M-500-NP — 7,3 vs 6,6 milik 2B, lebih buruk

• Matting kotak PPM-100 — 6,1 vs 5,3, lebih buruk

• Ref-ZOM cIoU — 72.2 pengujian vs 73.4, 2B unggul lagi

Polanya dapat terbaca meskipun penyebabnya tidak dipublikasikan: 4B unggul pada tugas-tugas yang sulit dan dikondisikan bahasa — segmentasi rujukan, segmentasi penalaran, matting rujukan pada adegan nyata — dan tidak memberikan keunggulan apa pun pada set matting dengan prompt kotak yang lebih mudah, di mana kedua model sudah mendekati batas atas dan dekoder 9.6M mungkin melakukan sebagian besar pekerjaan. Dua dari tiga benchmark matting dengan prompt kotak bergerak ke arah yang salah. Jika alpha matting pada kotak yang diberikan adalah satu-satunya tugas Anda, 4B bukan peningkatan; itu cara yang lebih mahal untuk mendapatkan jawaban yang sama, sedikit lebih buruk.

Objek tidak ada: lebih baik, masih belum terpecahkan

Kolom paling berguna dalam makalah ini adalah kolom yang hampir tidak ada kartu model visi yang menerbitkannya. RefCOCOg-Rej adalah varian yang setiap ekspresinya dimodifikasi sehingga tidak ada objek yang cocok di dalam gambar. Model yang tidak dapat mengatakan "tidak" akan mengarang sebuah kotak, dan setiap crop, hitungan, serta mask di hilir mewarisi fabrikasi tersebut.

WeVisOne-VL-4B menolak dengan benar 67,4% dari waktu, dibandingkan 50,2% untuk model 2B. Itu adalah peningkatan yang nyata dan besar — keuntungan 17 poin yang mengubah mode kegagalan pipeline dari lempar koin menjadi dua dari tiga. Ini juga berarti 4B masih mengembalikan kotak prediksi dengan keyakinan tinggi untuk sekitar satu dari tiga kueri objek yang tidak ada. Pada WeRef-Bench internal Tencent sendiri, tingkat penolakan terbaca 96,4%, tetapi tolok ukur itu terdiri dari 2.880 kueri bahasa Inggris dan Tionghoa yang dibangun sendiri oleh lab tersebut, sehingga ia mengukur distribusi yang lebih ramah daripada tolok ukur publik. Ringkasan jujurnya adalah bahwa model ini memiliki perilaku abstensi yang dapat digunakan dan belum menyelesaikan masalahnya; jika aplikasi Anda tidak dapat menoleransi wilayah yang halusinatif, ini memerlukan ambang batas atau pemeriksaan kedua di atasnya, apa pun model yang Anda pilih.

Angka yang tampak sebanding padahal tidak

Menggoda untuk menempatkan 90,5 RefCOCO-avg milik LFM3-VL-2B di samping 81,8 RefCOCOg milik WeVisOne-VL-4B dan mengumumkan kemenangan 8,7 poin bagi model yang lebih kecil. Jangan lakukan itu. Itu adalah split dan metrik yang berbeda: Liquid melaporkan rata-rata di seluruh keluarga RefCOCO, Tencent melaporkan F1 uji RefCOCOg untuk deteksi perujukan. Mengurangkannya menghasilkan angka tanpa acuan.

Jebakan yang sama ada dalam OCR. LFM3-VL-2B memperoleh skor 86,3 pada OCRBench v1, sebuah komposit pengenalan teks, spotting, dan penalaran; WeVisOne-VL-4B memperoleh skor 52,0 F1 rata-rata pada TotalText, tolok ukur lokalisasi teks adegan. Yang satu adalah ujian luas, yang lain adalah tugas prediksi padat. Keduanya bukan keterampilan yang sama yang diukur dua kali.

Jadi kedua tabel vendor tidak beririsan pada satu angka yang benar-benar sebanding. Yang bisa dibandingkan secara jujur adalah kapabilitas dan biaya, itulah sebabnya sisa perbandingan ini membahas kecocokan, bukan peringkat. Siapa pun yang menerbitkan pemenang dari kedua tabel ini sedang mengarangnya.

Memori adalah harga sebenarnya

Tidak ada model yang memiliki harga per token yang dipublikasikan pada 28 Oktober 2026. Kartu Liquid menautkan akses API dan Playground melalui konsolnya, tetapi tidak ada kartu tarif yang dipublikasikan untuk LFM3-VL-2B; pelacak pihak ketiga yang mencantumkan tarif model teks Liquid tidak mencakup model vision tersebut. Tencent sama sekali tidak memiliki endpoint yang dihosting. Jadi perbandingannya adalah perbandingan self-hosting, dan tagihannya diukur dalam memori.

• LFM3-VL-2B — sekitar 3,84 GB pada BF16 berdasarkan perhitungan aritmetika dari jumlah parameter, dengan build MLX, GGUF, dan ONNX 4-bit yang dipublikasikan bersamanya

• WeVisOne-VL-4B — sekitar 9,7 GB pada BF16 menurut perkiraan pihak ketiga, sekitar 19 GB dalam F32, ditambah mask_decoder.pt yang diperlukan

Kesenjangan 2,5× itu bukan sekadar GPU yang lebih besar. Itu kelas perangkat yang berbeda. Kartu LFM3-VL-2B secara eksplisit menyatakan bahwa model ini dibuat untuk pekerjaan on-device — pertanyaan tentang video, dokumen, bagan, dan layar aplikasi, menemukan objek, penalaran spasial untuk robot — dan build MLX 4-bit serta GGUF adalah cara janji itu ditepati: laptop, ponsel, sasis robot. Jalur terdokumentasi WeVisOne-VL-4B adalah Transformers, vLLM, dan SGLang pada BF16, tanpa build terkuantisasi resmi dan tanpa runtime on-device. Model ini membutuhkan GPU server.

Dukungan framework sebaiknya diperiksa terhadap jalur Anda sendiri, bukan tabel. Video pada 2 fps adalah kemampuan model di LFM3-VL-2B, tetapi apakah runtime tertentu menerima grid video adalah pertanyaan terpisah, dan kartu model, port, serta PR upstream belum selalu sepakat soal itu. Uji kombinasi persis yang akan Anda rilis.

OrcaRouter tidak menghosting kedua model tersebut. Hal itu diverifikasi terhadap katalog pada 28 Oktober 2026, bukan diasumsikan — baik lini LFM3 milik Liquid maupun WeVisOne milik Tencent tidak muncul dalam daftar model — jadi tidak ada apa pun di sini yang boleh dibaca sebagai rute ke salah satunya. Adapun yang katalog model OrcaRouter memuat adalah Qwen3-VL-8B, dalam varian instruct dan thinking, yang merupakan opsi pragmatis jika kebutuhan aktual Anda adalah model visi ter-hosting dengan harga yang sudah dipublikasikan hari ini alih-alih checkpoint yang di-self-host. Satu kunci menjangkau semuanya dengan harga daftar penyedia tanpa markup, dan jika Anda melakukan prototipe terhadap model open-weight yang belum terbukti, menjalankannya melalui router dengan failover lebih baik daripada menghubungkan jalur produksi ke checkpoint yang belum pernah dievaluasi secara independen.

Mana yang harus dipilih

• Pilih WeVisOne-VL-4B ketika hasil yang diinginkan berupa geometri — mask, alpha matte, kotak rapat, jumlah, pointing — pada gambar diam, ketika kueri dikondisikan oleh bahasa, bukan dipicu oleh kotak, dan ketika Anda memiliki GPU yang bisa digunakan

• Pilih WeVisOne-VL-2B alih-alih 4B saat tugas Anda adalah matting dengan prompt kotak pada adegan biasa; berdasarkan angka yang dipublikasikan, model yang lebih kecil lebih baik dalam tugas itu dan menggunakan memori kurang dari setengahnya

• Pilih LFM3-VL-2B saat input menyertakan video, saat dokumennya panjang, saat jawaban perlu berupa kalimat alih-alih poligon, atau saat perangkatnya bukan server

• Pilih "tidak keduanya" jika Anda memerlukan endpoint terkelola dengan harga per token yang dipublikasikan minggu ini — tidak ada dari kedua vendor yang menawarkannya, dan berapa pun benchmarking tidak akan menutup celah itu

Pilih keduanya hanya jika Anda menerima dua skema keluaran dan dua jalur integrasi; rentang parameter "sekitar 2B hingga 5B" yang sama menyamarkan dua produk yang berbeda

Apa yang akan mengubah ini

Tiga hal. Sebuah harness independen yang menjalankan kedua model pada gambar yang sama dengan prompt yang sama — sampai saat itu, semua di atas hanyalah tabel vendor yang dibaca dengan cermat, yang lebih baik daripada tabel vendor yang dibaca secara sembarangan tetapi bukan bukti kualitas. Build WeVisOne terkuantisasi, atau runtime on-device, yang akan menggeser argumen memori dari menentukan menjadi dapat dinegosiasikan. Dan harga per token yang dipublikasikan oleh salah satu pihak, yang akan menggantikan aritmetika tentang gigabyte dengan angka yang bisa dijadikan dasar anggaran.

Yang paling kecil kemungkinannya dari ketiganya justru yang paling berdampak untuk pasangan spesifik ini: dukungan video pada decoder piksel WeVisOne. Saat ini generalis 2B dapat menerima video sedangkan instrumen 4B tidak, dan tidak ada jumlah parameter yang bisa memperbaiki modalitas yang tidak pernah dilatih.