WeVisOne-VL-2B vs LFM2.5-VL-3B: Pembuat Masker Melawan Pembaca Layar

Beri kedua model foto yang sama dan kalimat yang sama — "anjing di sebelah kiri" — dan dua hal berbeda akan kembali. LFM2.5-VL-3B menjawab dengan lokasi dan, jika Anda memintanya, deskripsi: sebuah kotak, sebuah titik, atau kalimat pendek tentang apa yang ditemukannya. WeVisOne-VL-2B juga menjawab dengan kotak, lalu decoder kecil mengubah kotak itu menjadi alpha matte bertepi lembut yang dapat Anda komposisikan ke latar baru tanpa halo di sekitar bulunya. Satu model dibangun untuk membaca antarmuka dan membalas. Model lainnya dibangun untuk menyerahkan piksel kepada Anda.

Perbedaan itulah yang menjadi keseluruhan perbandingannya, dan perbedaan itu tetap bertahan di setiap tabel benchmark yang diterbitkan oleh kedua vendor. Hal ini juga menjelaskan mengapa kedua model jarang dievaluasi satu sama lain: kartu Liquid AI tidak menyebut WeVisOne, makalah Tencent tidak menyebut Liquid, dan tidak ada pihak ketiga yang menjalankan keduanya secara berdampingan. Berikut ini adalah apa yang sebenarnya dicatat oleh masing-masing rilis, angka-angka mereka mana yang dapat disandingkan, dan mana yang tidak.

Dua rilis, dua jumlah bukti yang sangat berbeda

LFM2.5-VL-3B diterbitkan oleh Liquid AI pada 11 Agustus 2026 — bobot lebih dulu, pengumuman keesokan harinya — dan hadir dengan tabel benchmark numerik, baseline yang disebutkan untuk setiap baris, serta bagian kecepatan yang diukur pada perangkat keras yang disebutkan. Ini adalah model dense 3,12 miliar parameter: tulang punggung bahasa LFM2.5-2.6B yang dipasangkan dengan encoder visi SigLIP2 NaFlex 400M, konteks 32.768 token, kosakata 128.000 token, dan enam belas bahasa yang disebutkan. Lisensinya adalah LFM Open License v1.0 milik Liquid sendiri, yang gratis untuk penggunaan komersial di bawah ambang pendapatan, bukan gratis tanpa syarat.

WeVisOne-VL-2B diterbitkan oleh tim WeChat Vision Tencent pada 22 Oktober 2026, dan kartu modelnya sama sekali tidak memuat tabel benchmark — tidak ada skor, tidak ada panjang konteks, tidak ada angka throughput, tidak ada kebutuhan perangkat keras. Angka-angkanya ada, tetapi berada di makalah pendampingnya, yang melaporkan tujuh tabel tugas di seluruh apa yang penulis sebut sebagai lebih dari tiga puluh benchmark. Jadi, kedua rilis tersebut bukan sekadar model yang berbeda; keduanya adalah jenis dokumen yang berbeda. Liquid menerbitkan spesifikasi produk. Tencent menerbitkan hasil riset dan membiarkan lembar spesifikasinya sebagian besar kosong.

Asimetri itu penting ketika Anda membaca perbandingan seperti ini. Angka-angka Liquid disusun untuk dibaca terhadap baseline-nya sendiri. Angka-angka Tencent disusun untuk memenangkan tabel akademik. Tidak ada vendor yang memilih angkanya dengan mempertimbangkan model lain, dan itulah tepatnya sebabnya angka-angka itu tidak selaras.

Angka yang terlihat sebanding, padahal bukan.

Kedua model mempublikasikan skor RefCOCO, dan menyandingkan keduanya menghasilkan headline yang tampak rapi: LFM2.5-VL-3B di 87,9 berbanding WeVisOne-VL-2B di 79,7. Perbandingan itu tidak bermakna, dan ada baiknya kita telusuri mengapa, karena kesalahan yang sama sedang terjadi di spreadsheet saat ini.

• Liquid melaporkan RefCOCO precision@1 yang dirata-ratakan di seluruh split. Itu adalah statistik deteksi: apakah kotak prediksi peringkat teratas cukup tumpang tindih dengan kotak ground-truth sehingga dianggap benar.

• 79,7 milik Tencent ada pada segmentasi tabel, dan makalah menyatakan secara jelas bahwa angka keluarga RefCOCO di sana adalah IoU kumulatif — total irisan atas total gabungan di seluruh set evaluasi.

• Tabel deteksi rujukan Tencent sama sekali tidak melaporkan RefCOCO. Tabel itu melaporkan RefCOCOg, dengan 2B memperoleh skor 77,1 F1 rata-rata.

Jadi, {{1}}87.9{{/1}} dan {{2}}79.7{{/2}} mengukur tiga hal berbeda dalam dua tugas berbeda. Sebuah kotak yang hampir tidak tumpang tindih dengan target dapat memperoleh skor baik pada {{3}}precision@1{{/3}} dan buruk pada {{4}}cIoU{{/4}}; sebuah mask yang mencakup objek besar dengan baik dapat memperoleh skor tinggi pada {{5}}cIoU{{/5}} sementara kotak pembatasnya tidak rapi. Tidak ada aritmetika yang dapat merekonsiliasi keduanya.

Perangkap yang sama ada dalam OCR. Liquid menerbitkan OCRBench v1 pada 84,2 dan OCRBench v2 English pada 47,5 — tolok ukur transkripsi. Tencent menerbitkan OCR sebagai F1 lokalisasi pada ambang IoU 0,5: 62,1 pada SROIE, 42,6 pada ICDAR2015, 42,5 pada TotalText, 30,5 pada HierText. Angka-angka itu mengukur apakah model menemukan dan memberi kotak pada teks, bukan apakah model membacanya dengan benar. Mengutip "84,2 versus 62,1" berarti membandingkan tes membaca dengan tes menunjuk.

Apa sebenarnya yang merupakan perbandingan yang adil?

Singkirkan skornya, dan kedua model akan sejajar pada dimensi yang tidak memerlukan harness:

• Ukuran — sekitar 3,12B parameter dense untuk LFM2.5-VL-3B vs sekitar 2B untuk WeVisOne-VL-2B, ditambah decoder 9,5M parameter yang harus diunduh secara terpisah dan diperlukan untuk output dense.

• Dasar — tulang punggung hibrida LFM2.5-2.6B milik Liquid sendiri vs Qwen3-VL.

• Konteks — 32.768 token dipublikasikan pada kartu vs tidak ada panjang konteks yang dipublikasikan sama sekali. Tahap pelatihan dalam makalah WeVisOne berjalan pada 4.096 dan 8.192 token, dan inferensi membatasi setiap gambar pada 1.960 token visual, tetapi tidak satu pun dari itu merupakan jendela deployment.

• Jenis keluaran — kotak, titik, dan teks vs kotak, titik, masker biner, dan matte alfa kontinu.

• Penalaran — LFM2.5-VL-3B sengaja tidak melakukan penalaran, menjawab langsung untuk menjaga latensi tetap rendah; WeVisOne juga tidak melakukan penalaran, tetapi karena alasan berbeda, menghasilkan output terstruktur tanpa chain-of-thought demi efisiensi inferensi. Tidak ada model yang "berpikir" sebelum menjawab, dan tidak ada vendor yang berpura-pura sebaliknya.

• Pemanggilan alat — didukung dan diuji benchmark pada LFM (ToolSandbox 59.5, BFCL v4 32.5) vs bukan kemampuan yang dinyatakan pada WeVisOne.

• Bahasa — enam belas disebutkan pada kartu LFM vs tidak dinyatakan pada kartu WeVisOne.

• Lisensi — LFM Open License v1.0, dengan ambang batas pendapatan, dibandingkan Apache 2.0 untuk kode yang ditulis oleh Tencent.

• Build terkuantisasi — ekspor GGUF, ONNX, dan MLX yang ditawarkan oleh Liquid vs tidak ada yang diumumkan oleh Tencent.

• Evaluasi independen — tidak ada model yang memiliki entri di Artificial Analysis pada saat penulisan ini. Setiap angka dalam artikel ini, dari kedua vendor, dilaporkan oleh vendor.

Kesenjangan penerapan lebih besar daripada kesenjangan parameter

LFM2.5-VL-3B dirancang untuk berjalan di ponsel dan kartunya membuktikannya dengan angka: di bawah 3,3GB memori, 20 token per detik pada Galaxy S26 Ultra, 228 token per detik pada Apple M5 Max, 116 pada AMD Ryzen AI Max+ 395, dan sekitar 11.000 token keluaran per detik pada konkurensi tinggi di satu H100. Model ini hadir dalam format yang benar-benar dapat dimuat oleh runtime konsumen.

WeVisOne-VL-2B tidak memublikasikan satu pun dari hal itu. Apa yang dipublikasikannya menyiratkan biaya yang berbeda. Tahap akhir decoder menghasilkan alpha matte resolusi penuh dengan stride 1, yang berarti keluaran padatnya seukuran gambar masukan, bukan vektor berukuran tetap — biaya yang skalanya mengikuti resolusi, bukan jumlah parameter. Untuk model 2B di GPU modern, itu masih terkelola. Untuk ponsel, sama sekali tidak jelas terkelola, dan Tencent tidak mengklaim demikian.

Konsekuensi praktisnya adalah kedua model ini tidak bersaing untuk slot penerapan yang sama. Yang satu adalah komponen yang bisa Anda sertakan di dalam sebuah aplikasi. Yang lain adalah komponen yang akan Anda jalankan di server, atau di workstation, berdampingan dengan apa pun yang perlu di-masking.

Pilih berdasarkan jenis keluaran, bukan berdasarkan skor

Jika pekerjaannya adalah membaca layar — mengurai alur checkout, menemukan tombol berlabel "Continue", mengekstrak tabel dari dokumen yang difoto — LFM2.5-VL-3B adalah kandidat yang jelas. Model ini memiliki ScreenSpot-v2 sebesar 80,7, DocVQA sebesar 91,1, ChartQA sebesar 81,3, dan skor ToolSandbox yang menunjukkan bahwa model ini dapat bertindak berdasarkan apa yang dilihatnya, bukan sekadar mendeskripsikannya. Model ini juga memiliki rata-rata 28 benchmark sebesar 69,4 yang dipublikasikan Liquid terhadap model-model sejawat yang disebutkan, yang setidaknya memberi tahu Anda seperti apa yang menurut vendor adalah lingkungan sekitarnya sendiri.

Jika tugasnya adalah mengisolasi objek — potongan produk, orang dengan latar belakang yang ramai, latar depan dengan rambut yang beterbangan atau tepi transparan — LFM2.5-VL-3B tidak menghasilkan output tersebut dan berapa pun prompt yang diberikan tidak akan membuatnya. WeVisOne-VL-2B menghasilkannya, dan selisih pada tabel matting besar: selisih absolut rata-rata 6.6 berbanding 15.4 untuk SAM2-Matting pada P3M-500-NP, 15.8 berbanding 23.0 untuk pipeline Qwen3-VL-8B plus SAM2 pada split WeRefMat yang dipandu prompt bahasa.

Ada satu kasus lagi di mana WeVisOne memiliki klaim yang layak dicatat: ketiadaan. Tencent melaporkan tingkat penolakan 50,2 pada RefCOCOg untuk kueri yang targetnya tidak ada di dalam gambar, dibandingkan dengan 0,5 dan 0,6 untuk dua model grounding khusus pada tabel yang sama. Jika pipeline Anda menjalankan ribuan crop dan sebagian besar tidak berisi apa pun yang Anda pedulikan, model yang secara andal mengatakan "tidak ada" menghemat pengklasifikasi hilir. Kartu LFM2.5-VL-3B tidak melaporkan angka penolakan yang sebanding, jadi tidak ada yang bisa diletakkan di sampingnya — sebuah celah dalam bukti, bukan kerugian.

Semua ini bukan alasan untuk memilih salah satu dan menyingkirkan yang lain, dan ada baiknya bersikap jujur tentang di mana router cocok digunakan. OrcaRouter tidak menyediakan kedua model itu; keduanya tidak ada di katalog kami, dan keduanya tidak dihosting di mana pun yang dapat kami verifikasi, khususnya untuk WeVisOne. Yang kami tawarkan adalah stack di sekitarnya: jika pipeline Anda menggunakan model visi yang dihosting untuk bagian pembacaan dan model yang dihosting sendiri untuk bagian masking, panggilan yang dihosting melewati satu API key dengan harga daftar penyedia tanpa markup, failover memindahkannya ke penyedia lain saat salah satu penyedia menurun, dan DSL routing memungkinkan Anda menempatkan kedua bagian di belakang satu endpoint sehingga aplikasi Anda tidak pernah tahu mana yang menjawab.

Apa yang sebenarnya akan menyelesaikannya

Satu harness independen, dijalankan oleh seseorang yang bukan dari vendor mana pun, pada gambar yang sama, yang melaporkan statistik deteksi dan statistik segmentasi untuk kedua model. Itu tidak ada. Sampai itu ada, posisi yang dapat dipertahankan adalah yang membosankan: model-model ini menjawab pertanyaan yang berbeda, angka yang dipublikasikan diukur dengan instrumen yang berbeda, dan pilihan di antara keduanya ditentukan oleh apa yang diharapkan diterima kode downstream Anda — sebuah kalimat, atau sebuah mask.

Jika Anda hanya mengambil satu hal dari perbandingan ini, ambillah bentuk buktinya. Liquid AI memberi Anda tabel yang dapat Anda buktikan salah. Tencent memberi Anda makalah yang dapat Anda baca dan kartu yang dengan terus terang memberi tahu apa yang tidak akan dilakukan model. Tidak satu pun dari mereka memberi Anda angka yang dapat dibandingkan satu sama lain, dan artikel mana pun yang mencetak 87,9 di samping 79,7 tanpa kualifikasi tersebut sedang menjual kepada Anda peringkat yang tidak ada.