SingVL_S1_4B vs WeVisOne VL 4B: Rilis Senyap versus Versi yang Sudah Selesai

Tim WeChat Vision Tencent menerbitkan makalah, bobot, paket inferensi, dan demo pada Oktober 2026 di bawah Apache 2.0. Itulah tampilan rilis yang sudah selesai. inclusionAI mengunggah dua shard safetensors pada 11 November 2026, tanpa pengumuman, tanpa makalah, tanpa lisensi, dan tanpa endpoint yang dihosting, lalu menganggap pekerjaannya selesai. WeVisOne VL 4B dan SingVL_S1_4Bkeduanya memiliki sekitar empat setengah hingga lima miliar parameter, keduanya dibangun di atas backbone visi Qwen, keduanya berurusan dengan mendapatkan sesuatu yang lebih presisi daripada satu paragraf dari sebuah gambar — dan keduanya mengerjakan dua bagian yang berlawanan dari tugas itu. Yang satu menggambar mask di atas piksel. Yang lain mengembalikan probabilitas atas jawaban yang Anda pikirkan untuk ditawarkan kepadanya. Membandingkan keduanya bukan terutama tentang mana yang lebih baik, melainkan tentang seberapa bernilai sebuah rilis sebelum rilis itu selesai.

Dua kemampuan itu, dinyatakan tanpa hiasan.

WeVisOne-VL-4B — namanya adalah kependekan dari WeChat Vision All-in-One — menyatukan persepsi tingkat objek dan persepsi tingkat piksel dalam satu model. Secara konkret, model ini melakukan deteksi objek kosakata terbuka, lokalisasi ekspresi rujukan, penghitungan objek, penunjukan, lokalisasi OCR, segmentasi rujukan, dan alpha matting yang dapat dipandu prompt, yaitu tugas menghasilkan masker kontinu yang lembut di sekitar sesuatu seperti rambut atau ranting tipis yang batas kerasnya akan terlihat salah. Mekanismenya adalah prediksi token berikutnya yang terstruktur atas token koordinat khusus plus dekoder piksel 9,6 juta parameter yang disertakan bersama checkpoint sebagai mask_decoder.pt. Model mengembalikan None saat target yang ditanyakan tidak ada, yang terdengar sepele dan merupakan perilaku paling berguna dalam grounding produksi.

SingVL_S1_4B adalah model keputusan. Model ini menerima sebuah state — teks, JSON, hingga empat gambar — dan kamus pertanyaan bernama, masing-masing dengan tipe yang dideklarasikan dan jawaban kandidat. Choice mengembalikan probabilitas per opsi, noul mengembalikan probabilitas bahwa pernyataan ya/tidak berlaku, score mengembalikan probabilitas per level di seluruh dua hingga sepuluh level terurut dan level yang diharapkan. Satu forward pass, tanpa generasi, tanpa koordinat. Repositori menyertakan server FastAPI pada port 8173 yang menjawab di /v1/systemone, dan kartu model ditulis sepenuhnya dalam kosakata protokol tersebut.

Jadi pembagiannya jelas. WeVisOne memberi tahu Anda di mana objek itu berada dan bentuknya seperti apa. SingVL_S1_4B memberi tahu Anda seberapa besar kemungkinan objek itu adalah yang Anda curigai. Pipeline yang perlu mengisolasi seseorang dari sebuah foto tidak memerlukan probabilitas atas tiga opsi, dan pipeline yang perlu mengetahui apakah suatu gambar lolos ambang kebijakan tidak memerlukan mask.

Apa yang diletakkan oleh rilis yang telah dipoles pada kartunya sendiri

Tabel utama WeVisOne-VL-4B membandingkannya dengan baseline terbuka terkuat pada setiap benchmark, yang diambil dari Qwen3-VL dan Q​wen3.5 hingga 9B, Rex-Omni, LocateAnything, serta model segmentasi dan matting yang spesifik untuk tugas. Baris-baris yang membawa argumen:

• Deteksi LVIS — rata-rata F1 55,3 dibandingkan baseline 50,7.

• Deteksi padat Dense200 — 71,3 dibandingkan 58,7.

• Uji referring RefCOCOg — rata-rata F1 81,8 berbanding 77,6.

• Tingkat penolakan WeRef-Bench — 96,4 berbanding 73,0, yang merupakan baris paling penting untuk grounding produksi.

• Akurasi penghitungan PixMo-Count — 89,6 dibandingkan 82,8.

• TotalText OCR — rata-rata F1 52,0 dibandingkan 43,3.

• Segmentasi rujukan ReasonSeg — gIoU 71.2 dibandingkan 65.0.

• P3M-500-NP box matting — MAD 7,3 dibandingkan 15,4, semakin rendah semakin baik.

Matting teks WeRefMat — MAD 9,8 dibandingkan dengan 22,4.

Itu adalah angka-angka dari vendor pada pipeline evaluasi vendor, yang dijalankan dengan decoding greedy dan paling banyak 1.960 token visual per gambar, terhadap baseline yang dipilih vendor. Pembacaan yang jujur adalah bahwa angka-angka itu menunjukkan model berfungsi dan kira-kira di mana posisinya terhadap alternatif open-source terkuat pada setiap tugas — bukan bahwa selisihnya persis. Baris tingkat penolakan adalah yang paling dapat dipercaya secara esensi, karena 96,4 berbanding 73,0 adalah perbedaan yang cukup besar sehingga detail harness kecil kemungkinannya menjelaskannya, dan menolak target yang tidak ada adalah mode kegagalan yang merusak sistem grounding di produksi.

Ada juga varian 2B dengan kolomnya sendiri, yang berguna: 78,2 pada uji RefCOCOg, 50,2 pada rejection, 62,9 pada baris dense-detection. Vendor tersebut menerbitkan angka-angka yang lebih lemah dari model yang lebih kecil di samping angka-angka yang lebih kuat dari model yang lebih besar, yang merupakan jenis pengungkapan yang menunjukkan bahwa tabel tersebut tidak disusun untuk postingan peluncuran.

Apa yang diletakkan oleh peluncuran senyap itu di kartunya sendiri

SingVL_S1_4B menerbitkan tabel "Public Decision Index 0.3": 69,76 pada Teks, 73,94 pada Visi, dibandingkan dengan TypeSafe Jev 1.14 pada 60,70 teks, StartLux-Decision v1.1 4B pada 67,8 dan 67,90, serta Perplexity Decider Flash v1.2 pada 60,1 dan 72,5. Rincian di balik agregat visi berkisar dari InfographicVQA pada 96,31 dan Winoground pada 93,12 hingga MMMU-Pro vision pada 50,17 dan R-Bench-M pada 49,77.

Angka-angka itu memiliki tiga masalah yang tidak dimiliki angka milik WeVisOne. Angka-angka itu berumur dua hari. Angka-angka itu berada di papan peringkat yang kit penilaiannya publik tetapi separuh privatnya tidak, dihasilkan oleh laboratorium yang belum mengirimkan run ke kit reproduksi publik — meskipun kartunya menyertakan instruksi untuk mengajukan satu. Dan repositori itu tidak menyertakan lisensi, yang berarti angka-angka tersebut bukan kendala yang mengikat dalam adopsi; dokumennya lah yang menjadi kendala.

Yang tak terbantahkan ditetapkan oleh kartu ini adalah antarmukanya: probabilitas per pertanyaan dan per opsi dari satu forward pass, dengan bagian internal protokol disertakan sebagai hash SHA-256 di config.json sehingga suatu run dapat diverifikasi terhadap kode yang menghasilkannya. Itu adalah keputusan rekayasa yang nyata dan merupakan hal paling kredibel dalam rilis ini.

Papan skor yang jujur memiliki satu baris bersama, dan baris itu kosong.

Kedua model ini tidak memiliki benchmark yang sama. WeVisOne mengukur F1 pada ambang IoU, gIoU, dan selisih absolut rata-rata pada matte. SingVL_S1_4B mengukur akurasi terkoreksi kebetulan pada kumpulan opsi. Tidak ada baris tempat pengukuran yang sama dilakukan terhadap keduanya, dan membuatnya akan memerlukan menjalankan keduanya pada data yang sama — yang belum pernah dilakukan siapa pun, karena salah satu checkpoint baru berusia dua hari.

Yang dapat dibandingkan adalah bentuk buktinya. Rilis WeVisOne mencakup laporan teknis di arXiv, halaman proyek, repositori GitHub dengan pipeline evaluasi, cookbook, dua ruang demo, dan instruksi reproduksi yang dapat diikuti pihak ketiga. Rilis SingVL_S1_4B mencakup kartu model dan folder inferensi. Salah satunya memungkinkan orang asing memeriksa klaimnya; yang lain meminta orang asing itu memercayainya.

Lisensi, yang menentukan lebih daripada masing-masing tolok ukur.

WeVisOne-VL-4B berlisensi Apache 2.0. Lisensi itu mencakup kode dan bobot yang ditulis Tencent, dengan komponen pihak ketiga tetap memakai ketentuannya masing-masing, dan itulah sebabnya sudah ada kuantisasi GGUF, node ComfyUI, build GGUF untuk NPU Rockchip, dan paket integrasi berbahasa Mandarin yang beredar dalam dua minggu setelah rilis. Redistribusi diizinkan, jadi redistribusi pun terjadi.

SingVL_S1_4B tidak menyatakan lisensi apa pun dalam metadatanya dan tidak menyertakan file LICENSE. inclusionAI telah menggunakan lisensi eksplisit pada rilis-rilis lainnya — Apache 2.0 pada LemonDecider, lisensi komunitas Qwen pada model-model SingProbe — sehingga celah ini tampak seperti unggahan yang belum selesai. Namun, "tampak seperti kelalaian" bukanlah lisensi, dan tinjauan kepatuhan tidak dapat menyetujui suatu model berdasarkan anggapan bahwa penerbitnya mungkin bermaksud agar model tersebut bersifat permisif.

Bagi siapa pun yang jawabannya atas "bisakah kita merilis ini" itu penting, perbandingannya berakhir di sini. WeVisOne bisa dirilis; SingVL_S1_4B belum bisa. Selebihnya hanyalah diskusi tentang kapabilitas antara dua model yang hanya satu di antaranya saat ini tersedia agar diskusi itu menjadi relevan.

Yang mana cocok untuk pipeline yang mana

• Memotong sesuatu dari gambar — WeVisOne-VL-4B, dan selisihnya jauh, karena SingVL_S1_4B tidak memiliki keluaran segmentasi sama sekali.

• Menghitung objek dalam bingkai yang padat — WeVisOne-VL-4B. Model ini melaporkan 57.1 pada baris deteksi padat, sedangkan baseline terbaik adalah 47.9, dan penghitungan merupakan tugas inti, bukan perilaku yang dipicu oleh prompt.

• Mengetahui bahwa target tidak ada — WeVisOne-VL-4B, berdasarkan baris penolakan dan pengembalian None yang eksplisit. Inilah kemampuan yang membedakan demo dari sistem.

• Menggating panggilan mahal berdasarkan tingkat keyakinan — bentuk SingVL_S1_4B, jika Anda dapat menghostingnya dan lisensinya tiba. Probabilitas per opsi adalah yang dibutuhkan ambang batas.

• Mengklasifikasikan terhadap taksonomi tetap — SingVL_S1_4B pada prinsipnya; jenis pilihan dan skornya memetakan langsung ke taksonomi, sedangkan model generatif harus dibatasi agar kembali sesuai taksonomi.

• Membaca halaman dan memperoleh field sekaligus posisinya — WeVisOne-VL-4B, yang melakukan OCR dengan lokalisasi dalam proses yang sama dengan deteksi.

• Apa pun yang dideploy secara komersial bulan ini — WeVisOne-VL-4B, hanya berdasarkan lisensi.

Dan baris yang bukan milik keduanya: jika yang Anda butuhkan adalah penjelasan tertulis tentang apa yang ada di gambar, kedua model itu adalah alat yang salah. WeVisOne mengembalikan persepsi terstruktur dan SingVL_S1_4B mengembalikan probabilitas; keduanya tidak menulis paragraf.

Apa yang diajarkan perbandingan ini tentang pasar, bukan tentang modelnya

Hal yang menarik di sini bukanlah bahwa salah satu model lebih baik. Melainkan bahwa dua laboratorium berukuran sebanding merilis model visi 4–5 miliar parameter pada kuartal yang sama dan memperlakukan rilis tersebut dengan cara yang sepenuhnya berbeda. Tencent merilis makalah, checkpoint decoder dengan jumlah parameter yang dinyatakan, pipeline evaluasi, lisensi, dan halaman proyek, lalu ekosistem membangun kuantisasi dan integrasi dalam dua minggu. inclusionAI merilis bobot, skrip inferensi, dan tabel benchmark, dan ekosistem tidak dapat menggunakan apa pun darinya sampai lisensinya muncul.

Kedua strategi itu sah. Rilis senyap memungkinkan sebuah lab mengeluarkan checkpoint tanpa narasi peluncuran, dan model card di sini benar-benar ditulis dengan baik — contoh API-nya berjalan, jenis pertanyaannya didokumentasikan dengan perhitungan yang dijabarkan, dan config-nya menyertakan hash yang memungkinkan verifikasi. Namun, checkpoint tanpa lisensi adalah demonstrasi, bukan produk, dan perbedaannya muncul tepat di tempat yang terus menjadi fokus perbandingan ini: apakah orang lain selain penulis dapat membangun di atasnya.

Jika Anda ingin menguji pola keputusan sebelum dokumen resmi tiba, pola itu sendiri dapat dipanggil. OrcaRouter menyediakan TypeSafe Jev 1.14 dengan $0.042 per juta token masukan bersama lebih dari 200 model di bawah satu kunci, meneruskan harga daftar penyedia dengan markup 0%, dengan failover otomatis antarpenyedia. Sing VL S1 tidak ada di OrcaRouter dan tidak memiliki tempat hosting di mana pun, jadi ini bukan klaim ketersediaan tentangnya — ini cara termurah untuk mengetahui apakah output probabilitas mengalahkan mask pada label Anda sendiri, sebelum Anda menghabiskan GPU untuk checkpoint yang ketentuannya kosong.

WeVisOne-VL-4B cukup Anda unduh. Pada akhirnya, itulah perbandingannya: salah satunya adalah model yang dapat Anda gunakan, dan yang lainnya adalah model yang hanya bisa Anda baca tentangnya.