WeVisOne-VL-4B vs LFM2.5-VL-3B: Spesialis Matting Melawan Speedster Edge

Liquid AI menerbitkan angka kecepatan untuk LFM2.5-VL-3B dan Tencent tidak menerbitkan apa pun untuk WeVisOne-VL-4B. Asimetri itu, lebih dari baris benchmark mana pun, adalah inti pertandingannya. LFM2.5-VL-3B adalah model edge 3,1B parameter yang disetel untuk menjawab dalam satu lintasan: 228 token per detik pada Apple M5 Max, 20 token per detik pada Galaxy S26 Ultra, di bawah 3,3 GB memori, enam belas bahasa. WeVisOne-VL-4B adalah model persepsi 4,83B parameter yang akan menghabiskan hingga 1.960 token visual dan decoder 9,6M parameter untuk memberi Anda alpha matte resolusi penuh. Yang satu dibangun agar cukup cepat untuk berada di dalam UI ponsel; yang lain dibangun untuk mengeluarkan piksel. Keduanya hanya bersinggungan pada kata "vision" dan hampir tidak di tempat lain.

Itu membuat ini menjadi perbandingan yang layak dilakukan dengan hati-hati, karena versi yang gamblang — menempatkan tabel benchmark berdampingan, menetapkan pemenang — akan salah dengan cara yang spesifik dan instruktif.

Tabel benchmark tidak saling berkomunikasi

Kedua model memublikasikan angka referring-expression dan kedua angka tersebut tampak sebanding. Padahal tidak. LFM2.5-VL-3B melaporkan P@1 rata-rata RefCOCO sebesar 87,9. WeVisOne-VL-4B melaporkan F1 mean pengujian RefCOCOg sebesar 81,8. Pembagian dataset berbeda, metrik berbeda, model kegagalan berbeda: P@1 menanyakan apakah kotak peringkat teratas benar, sedangkan F1 mean merata-ratakan precision dan recall di seluruh ambang IoU dari 0,5 hingga 0,95. Sebuah model dapat menang pada satu metrik dan kalah pada metrik lainnya dengan selisih besar tanpa salah satu hasilnya mengejutkan.

Jebakan yang sama ada di setiap baris lainnya. Angka 80,7 Liquid pada ScreenSpot-v2 mengukur grounding elemen UI; Tencent tidak memiliki angka ScreenSpot. Tingkat penolakan 96,4% Tencent pada WeRef-Bench mengukur apakah model menolak menjawab ketika objeknya tidak ada; Liquid sama sekali tidak menerbitkan metrik penolakan. Tidak ada vendor yang mengevaluasi model vendor lain, jadi tidak ada baris di kedua tabel yang merupakan perbandingan langsung.

Yang dapat dikatakan secara jujur adalah bahwa hal ini bersifat indikatif. LFM2.5-VL-3B adalah generalis yang kuat pada ukurannya — rata-rata 69,4 pada 28 tolok ukur visi menurut hitungan Liquid sendiri, hanya terpaut 0,7 poin dari Qwen3.5-4B — dan lonjakan ScreenSpot-v2 dari hampir nol pada generasi sebelumnya menjadi 80,7 merupakan peningkatan terbesar dalam tabelnya. WeVisOne-VL-4B tidak bersaing pada sumbu itu. Klaim terkuatnya ada pada deteksi objek kecil yang padat, penolakan, dan keluaran tingkat piksel, yang tidak satu pun dicoba oleh LFM2.5-VL-3B.

Apa secara fisik masing-masing model itu

• Parameter — WeVisOne-VL-4B 4,83B dense (checkpoint F32) vs LFM2.5-VL-3B 3,12B dense (BF16)

Jalur visi — backbone Qwen3-VL ditambah dekoder piksel 9,6M vs basis teks hibrida konvolusi-atensi LFM2.5-2.6B ditambah encoder SigLIP2 NaFlex 400M

• Memori — sekitar 19 GB di disk untuk checkpoint F32 4B vs di bawah 3,3 GB total ukuran untuk 3B

• Konteks — tidak ada angka yang dipublikasikan untuk WeVisOne-VL-4B vs 32.768 token untuk LFM2.5-VL-3B

• Bahasa — tidak disebutkan untuk WeVisOne-VL-4B vs 16 untuk LFM2.5-VL-3B, dengan kosakata 128K yang dibuat untuk aksara non-Latin

• Jenis keluaran — kotak, titik, masker, dan alpha matte vs kotak dan teks saja

• Lisensi — Apache 2.0 untuk kode yang ditulis oleh Tencent vs LFM Open License v1.0

• Kecepatan — belum dipublikasikan vs 228 tok/s pada M5 Max, 116 tok/s pada Ryzen AI Max+ 395, 20 tok/s pada Galaxy S26 Ultra

Kesenjangan kemampuan yang sebenarnya menentukan hasilnya

LFM2.5-VL-3B dapat memberi tahu Anda di mana seseorang berada dalam sebuah gambar. WeVisOne-VL-4B dapat memberi tahu Anda di mana seseorang berada, mengembalikan mask biner untuk instance tersebut, dan mengembalikan alpha matte kontinu dengan tepi lembut — rambut, bulu, kain tembus pandang, blur gerakan — pada resolusi penuh. Itu perbedaan kategori, bukan perbedaan kualitas. Jika produk Anda perlu mengomposit subjek ke latar baru, memotong foto produk, atau mendukung penggantian latar panggilan video, LFM2.5-VL-3B tidak menawarkan apa pun untuk itu dan rekayasa prompt sebanyak apa pun tidak akan mengubahnya.

Jalankan perbandingan ke arah sebaliknya dan hal yang sama terjadi. Jika produk Anda perlu menemukan tombol di layar ponsel dalam 40 milidetik, WeVisOne-VL-4B sepenuhnya salah bentuk: ini adalah model 4,83B tanpa angka latensi yang dipublikasikan, tanpa build edge terkuantisasi, dan decoder yang mengasumsikan satu gambar per giliran. Liquid menyediakan build GGUF, MLX, ONNX, dan native, plus konteks 32K dan benchmark tool-calling. Tencent menyediakan paket inferensi riset dan serving vLLM/SGLang.

Penolakan adalah kolom yang diremehkan

Satu kemampuan dalam tabel Tencent layak diperhatikan bahkan jika Anda tidak pernah menyentuh matting. Pada WeRef-Bench, WeVisOne-VL-4B dengan benar menolak 96,4% kueri untuk objek yang tidak ada dalam gambar, dibandingkan dengan 73,0% untuk baseline terbaik yang dicantumkan penulis; pada PR-Bench, tingkat penolakannya adalah 52,6% dibandingkan 10,8% untuk Qwen3-VL-4B. Model mengembalikan None alih-alih mengarang kotak. Detektor yang berhalusinasi lebih buruk daripada tidak ada detektor, karena kegagalannya bersifat diam-diam dan kode hilir memercayainya.

Dokumentasi LFM2.5-VL-3B tidak melaporkan angka penolakan, jadi tidak ada yang bisa dibandingkan — dan justru itulah intinya. Tidak adanya bukti bukanlah kegagalan, tetapi jika Anda membangun agen yang memutuskan apakah akan mengklik sesuatu, adanya tingkat penolakan yang terukur menjadi alasan nyata untuk melihat model Tencent terlebih dahulu.

Lisensi adalah pembeda yang tidak mencolok

Di sinilah keduanya berbeda dengan cara yang penting bagi siapa pun yang merilis produk secara komersial. Bobot WeVisOne-VL-4B berlisensi Apache 2.0 untuk kode yang ditulis Tencent, dengan komponen pihak ketiga tetap memakai ketentuan masing-masing. LFM2.5-VL-3B dirilis di bawah LFM Open License v1.0, yang gratis untuk penggunaan komersial di bawah ambang pendapatan tertentu dan mewajibkan perjanjian komersial di atasnya. Jika Anda tim kecil, perbedaannya bersifat akademis. Jika bukan, salah satunya berarti tinjauan hukum dan yang lain hanyalah satu baris dalam file dependensi.

Tidak ada dari kedua lisensi tersebut yang memberi Anda layanan hosting. WeVisOne-VL-4B sama sekali tidak memiliki API; LFM2.5-VL-3B adalah rilis bobot, dan hosting oleh pihak ketiga merupakan pengaturan terpisah. Menyatakan hal itu secara gamblang kini lebih penting daripada sebelumnya, karena model tanpa endpoint adalah komitmen untuk memiliki sendiri tumpukan inferensinya.

Di mana OrcaRouter cocok, dan di mana tidak

Tidak satu pun dari model-model ini ada dalam katalog OrcaRouter saat ini, jadi tidak ada apa pun di sini yang menjadi jalur untuk memanggilnya. Yang ditawarkan platform ini adalah keputusan di sekitarnya. Sebagian besar tim yang mengevaluasi VLM edge 3B tidak mengganti satu model dengan model lain — mereka menambahkan model kedua di samping model serbaguna yang sudah ada di produksi, dan biaya operasional dari kontrak vendor kedua, kunci kedua, dan mode kegagalan kedua biasanya sudah mematikan eksperimen tersebut sebelum modelnya sempat melakukannya.

Merutekan kedua intent melalui satu endpoint, dengan lebih dari 200 model di balik satu kunci pada markup 0% di atas harga daftar penyedia, berarti model persepsi bisa menjadi keputusan routing alih-alih proyek integrasi. Jika model edge tidak tersedia, failover otomatis mengirimkan permintaan ke tempat lain alih-alih mengembalikan 503. Itulah bagian yang sebenarnya dipecahkan OrcaRouter di sini; bobot dan GPU tetap milik Anda.

Mana yang harus dipilih

Pilih LFM2.5-VL-3B jika pekerjaan Anda terikat latensi dan berbentuk teks: pemahaman layar, agen UI, OCR dokumen dengan tata letak, terjemahan di perangkat, pemanggilan alat. Ini lebih cepat daripada hampir semua model seusianya, berjalan dalam anggaran memori ponsel, dan Liquid telah menerbitkan cukup banyak angka agar Anda dapat memeriksa klaim tersebut terhadap beban kerja Anda sendiri.

Pilih WeVisOne-VL-4B jika pekerjaannya berujung pada piksel. Segmentasi, matting, deteksi padat objek kecil, atau pipeline apa pun yang mengharuskan "model bilang tidak" menjadi jawaban yang andal. Terimalah bahwa Anda adalah pengadopsi awal: belum ada uji benchmark independen, belum ada endpoint terkelola, kode fine-tuning masih ada di daftar TODO, dan papernya baru berumur dua hari.

Satu hal yang tidak boleh dilakukan adalah memilih di antara keduanya berdasarkan satu skor benchmark. Keduanya tidak pernah diukur satu sama lain, pada data yang sama, oleh siapa pun.