Molmo2-4B vs WeVisOne-VL-4B: Poin, Mask, dan Pertanyaan yang Tidak Ada yang Tanyakan Pertama

Minta kedua model menemukan anjing dan Anda akan mendapat jawaban dari masing-masing. Molmo2-4B mengembalikan koordinat. WeVisOne-VL-4B mengembalikan kotak pembatas, dan jika Anda meminta matte, kanal alfa resolusi penuh dengan bulunya masih menempel. Itu tiga produk berbeda yang memakai kata yang sama — "grounding" — dan mana yang Anda butuhkan menentukan perbandingan ini jauh sebelum benchmark apa pun. Molmo2-4B adalah model bahasa-visual generalis 4,85B dari Allen Institute for AI dengan keluaran titik dan jalur video nyata. WeVisOne-VL-4B adalah model persepsi 4,83B dari tim WeChat Vision Tencent yang menyatukan deteksi, lokalisasi perujukan, penghitungan, penunjukan, OCR, segmentasi perujukan, dan alpha matting yang dapat diprompt di balik satu checkpoint plus dekoder piksel 9,6M parameter. Pipeline persepsi jarang berhenti pada satu model. harga dengan markup 0% Harga daftar penyedia diteruskan tanpa perubahan, sehingga potongan harga vendor langsung berlaku pada hari yang sama.

Keduanya bukan hal baru. Molmo2-4B diumumkan pada 11 Desember 2025 dan bobotnya diunggah pada 14 Desember. Repositori WeVisOne-VL-4B muncul pada 22 Oktober 2026 dengan makalah arXiv, 2610.31329, terlampir. Perubahan terbaru di sisi Molmo adalah infrastruktur, bukan model: dukungan native Transformers digabungkan pada 9 Oktober dan dirilis dalam v5.20.0 pada 15 Oktober, dan Ai2 menerbitkan fine-tune robotika Molmo2-4B pada 5 November. Berguna jika Anda menunggu untuk menjalankannya tanpa kode jarak jauh. Bukan rilis, dan bukan alasan untuk menyebut ini peluncuran.

Kontrak keluaran adalah keseluruhan keputusan.

• Molmo2-4B — sebuah titik, dalam rentang 0–1000 dari lebar dan tinggi gambar, dibungkus dalam tag dengan regex yang dipublikasikan; dalam mode video setiap titik membawa stempel waktu, dan penunjukan multi-gambar diratakan menjadi tripel indeks frame, x, y.

• WeVisOne-VL-4B — kotak, titik, mask, atau alpha matte, yang dipilih oleh argumen tugas; tugas dense menghasilkan token instans setelah setiap kotak dan dekoder piksel mengubahnya menjadi mask dan matte.

• Menunjuk adalah satu-satunya keluaran yang dihasilkan keduanya, dan hanya di situlah perbandingan yang adil dapat dilakukan.

• Molmo2-4B tidak memiliki kepala segmentasi dan tidak dapat menghasilkan matte. WeVisOne-VL-4B tidak memiliki jalur video: dokumentasinya sendiri menyatakan bahwa grid video ditolak oleh dekoder piksel.

• Molmo2-4B mampu menangani satu giliran tetapi native multi-gambar; WeVisOne-VL-4B menargetkan persepsi gambar satu giliran dan secara eksplisit melewatkan chain-of-thought demi latensi.

Baris keempat itu mengakhiri sebagian besar argumen. Jika pipeline Anda memerlukan kanal alfa — kompositing, potongan produk, penggantian latar belakang, apa pun yang memerlukan ketepatan tepi rambut — Molmo2-4B bukan kandidat dan memang tidak pernah menjadi kandidat. Jika pipeline Anda perlu melacak objek melalui 384 frame video, WeVisOne-VL-4B tidak dapat masuk ke perbandingan. Sisa artikel ini membahas rentang sempit ketika keduanya sama-sama masuk akal.

Keduanya adalah "4B" dan tidak satu pun benar-benar seperti itu

• Parameter — Molmo2-4B adalah 4,850,869,200; WeVisOne-VL-4B adalah 4,830,581,248. Selisihnya dalam 0,4% satu sama lain, yang merupakan kebetulan yang membuat pertandingan ini menarik.

• Arsitektur — SigLIP 2 so400m ditambah Qwen3-4B-Instruct-2507 untuk Molmo2-4B; backbone Qwen3-VL ditambah dekoder masker terpisah berparameter 9,6 juta untuk WeVisOne-VL-4B.

• Unduh — 19,42 GB safetensors float32 dalam empat shard untuk Molmo2-4B; sekitar 9,7 GB bobot bfloat16 termasuk mask_decoder.pt wajib untuk WeVisOne-VL-4B.

• Konteks — 36,864 posisi untuk Molmo2-4B; anggaran 262,144 token bukanlah batasan operasional bagi WeVisOne, yang mengevaluasi hingga 1,960 token visual per gambar.

• Lisensi — Apache 2.0 untuk keduanya, dengan kartu Molmo2-4B menambahkan bahwa data pelatihannya hanya untuk penggunaan penelitian akademis dan non-komersial.

• Runtime — Transformers dengan kode remote (atau native sejak v5.20.0) serta molmo_utils dan decord2 untuk Molmo2-4B; paket inferensi milik Tencent sendiri dengan backend transformers atau vLLM untuk WeVisOne-VL-4B.

Baris unduhan adalah kejutan praktisnya. Molmo2-4B dua kali lebih besar di disk meskipun jumlah parameternya sama, karena AI2 menerbitkannya dalam float32 dan Tencent menerbitkannya dalam bfloat16. Unduhan 19,42 GB yang langsung Anda turunkan presisinya bukan objek yang sama dengan unduhan 9,7 GB yang Anda sajikan sebagaimana dirilis, dan hanya salah satunya yang muat dengan nyaman bersama sekumpulan model lain di satu mesin.

Dari mana angka-angka itu berasal, dan sampai di mana batasnya

Tidak ada model yang memiliki papan skor independen, jadi semua yang di bawah ini merupakan laporan dari vendor. Kedua vendor memilih kumpulan benchmark yang hampir tidak tumpang tindih, dan itulah tepatnya mengapa perbandingan terus dilakukan secara keliru.

WeVisOne-VL-4B, dari laporan teknis: Dense200 71.3, LVIS 55.3, RefCOCOg test 81.8, ReasonSeg val cIoU 71.2, PointBench 71.9, Ref-ZOM test cIoU 72.2, TotalText F1 52.0. Pada matting, MAD P3M-500-NP dengan prompt kotak adalah 7.3 dan MAD WeRefMat dengan prompt teks adalah 9.8 — semakin rendah semakin baik, dan keduanya mengalahkan baseline SAM2-Matting yang dibandingkan dalam makalah.

Molmo2-4B, dari kartunya: rata-rata 62,8 pada 15 tolok ukur akademik, tertinggal dari saudara 8B-nya sendiri pada 63,1 dan unggul atas Qwen3-VL-4B pada 58,1, InternVL3.5-4B pada 53,4, dan GLM-4.1V-9B pada 56,9, dengan Gemini 3 Pro pada 70,0 dan GPT-5 pada 70,6 pada tabel yang sama.

Tidak satu pun dari baris-baris itu yang digunakan bersama. Satu-satunya tolok ukur di mana keduanya sama sekali muncul dalam evaluasi yang sama adalah penghitungan, dan bahkan di sana angka-angkanya berasal dari makalah berbeda dengan protokol berbeda.

Temuan yang tidak nyaman di dalam makalah WeVisOne sendiri

Hal yang paling bisa ditindaklanjuti dalam tabel-tabel WeVisOne bukanlah skor si 4B. Melainkan kenyataan bahwa si 4B kadang kalah dari saudara kandungnya sendiri, si 2B.

• Lebih baik pada 4B — Dense200 71,3 vs 61,4, LVIS 55,3 vs 53,3, RefCOCOg test 81,8 vs 78,2, ReasonSeg val cIoU 71,2 vs 60,9, PointBench 71,9 vs 62,9, WeRefMat MAD 9,8 vs 15,8.

• Lebih buruk pada 4B — matting kotak P3M-500-NP MAD 7.3 vs 6.6, PPM-100 6.1 vs 5.3, cIoU uji Ref-ZOM 72.2 vs 73.4.

Baca poin kedua itu dua kali. Pada matting dengan prompt kotak untuk adegan biasa, tambahan 2,8B model bahasa tidak memberi manfaat apa pun dan memakan sepersepuluh poin MAD, kemungkinan besar karena decoder 9,6M yang wajib melakukan pekerjaan padat dan model bahasa hanya memilih apa yang ditunjuk. Model 4B membenarkan ukurannya pada tugas-tugas sulit yang dikondisikan bahasa — segmentasi perujukan, penghitungan padat, deteksi kerumunan — dan berjalan mulus atau sedikit mengalami regresi pada tugas-tugas yang mudah.

Jadi, "ambil WeVisOne yang lebih besar" bukanlah default yang aman. Sebutkan tugasnya sebelum menyebut checkpoint.

Positif palsu, yang tidak diukur oleh siapa pun

Kedua model dapat dimintai sesuatu yang tidak ada. Perilaku mereka yang dipublikasikan berbeda tajam, dan inilah baris yang seharusnya mengkhawatirkan siapa pun yang membangun loop verifikasi.

Laporan WeVisOne memberikan tiga tingkat penolakan yang sering digabungkan menjadi satu angka dan tidak boleh demikian: RefCOCOg-Rej 67.4, WeRef-Bench Rej 96.4, dan PR-Bench Rej 52.6. Selisih antara 96.4 dan 52.6 adalah inti ceritanya. Pada benchmark internal, model hampir selalu menolak dengan benar ketika objek yang ditanyakan tidak ada; pada set adversarial publik, model mengarang jawaban sekitar setengah waktu.

Molmo2-4B sama sekali tidak menerbitkan tingkat penolakan. Kartunya melaporkan rata-rata pada 15 benchmark dan tidak menyebut apa pun tentang abstensi. Jika aplikasi Anda bergantung pada model yang mengatakan "tidak ada," itu adalah properti yang tidak terukur pada salah satu sisi perbandingan ini, dan itu layak mendapatkan set uji Anda sendiri alih-alih kutipan benchmark.

Untuk apa masing-masing

Gunakan WeVisOne-VL-4B saat hasil yang diminta berupa region atau piksel: deteksi kosakata terbuka, segmentasi referring, matting yang dapat diprompt, lokalisasi OCR padat pada satu gambar. Gunakan varian 2B sebagai gantinya saat tugasnya adalah box matting adegan mudah, karena makalah menyebutkan 4B tidak memberikan peningkatan di sana. Jangan gunakan keduanya jika video termasuk dalam cakupan, karena dekoder piksel menolak grid video.

Gunakan Molmo2-4B ketika keluaran yang dibutuhkan adalah lokasi dalam sebuah stream: tunjuk objeknya, lacak di seluruh frame, hitung instance sepanjang waktu, bernalar atas sekumpulan gambar. Gunakan ini ketika koordinat plus timestamp adalah artefak yang berguna dan mask akan berlebihan. Perhitungkan unduhan float32 dan cast.

Ada pola ketiga yang muncul di produksi lebih sering daripada salah satu pilihan murni: jalankan keduanya, karena tugas-tugasnya saling melengkapi, bukan bersaing. Satu proses deteksi pada frame diam dan satu proses pointing pada video setelahnya adalah dua panggilan dengan dua bentuk keluaran berbeda, dan penghubung di antara keduanya adalah bagian yang mahal. Penghubung itulah fungsi lapisan routing — DSL routing menggabungkan beberapa model menjadi satu panggilan sehingga serah-terima antara model matting dan model pointing menjadi konfigurasi, bukan layanan. Baik WeVisOne-VL-4B maupun Molmo2-4B tidak ada di katalog OrcaRouter; keduanya adalah bobot yang Anda host sendiri, dan kerangka yang jujur adalah bahwa routing berada di atas keduanya.

Jawaban satu baris

Jika Anda membutuhkan piksel, ini bukan perbandingan — WeVisOne-VL-4B satu-satunya yang menghasilkannya, dan Anda harus memeriksa apakah saudara 2B-nya mengalahkannya pada tugas matting spesifik Anda sebelum membayar untuk 4B. Jika Anda membutuhkan titik sepanjang waktu, ini juga bukan perbandingan — Molmo2-4B satu-satunya yang memiliki jalur video. Perbandingan baru menjadi nyata ketika tugasnya adalah "temukan objek dalam gambar diam ini," dan di situ faktor penentunya bukan akurasi melainkan abstensi: WeVisOne telah menerbitkan angka penolakan, Molmo2-4B tidak memiliki apa pun.