Molmo2-4B vs WeVisOne-VL-4B: punti, maschere e la domanda che nessuno si pone per prima

Chiedi a entrambi i modelli di trovare il cane e ottieni una risposta da ciascuno. Molmo2-4B restituisce una coordinata. WeVisOne-VL-4B restituisce un bounding box e, se chiedi il matte, un canale alpha a piena risoluzione con il pelo ancora presente. Sono tre prodotti diversi che portano la stessa parola — "grounding" — e quale ti serve decide questo confronto molto prima di qualsiasi benchmark. Molmo2-4B è un modello generalista visione-linguaggio da 4,85B dell'Allen Institute for AI, con output puntuale e una vera pipeline video. WeVisOne-VL-4B è un modello di percezione da 4,83B del team WeChat Vision di Tencent che unifica rilevamento, localizzazione referenziale, conteggio, pointing, OCR, segmentazione referenziale e alpha matting con prompt dietro un unico checkpoint più un pixel decoder da 9,6M di parametri. Le pipeline di percezione raramente si fermano a un solo modello. prezzi con ricarico dello 0% Il prezzo di listino del fornitore viene riportato invariato, quindi un eventuale sconto del fornitore è attivo già lo stesso giorno.

Nessuno dei due è nuovo. Molmo2-4B è stato annunciato l'11 dicembre 2025 e i suoi pesi sono stati pubblicati il 14 dicembre. Il repository di WeVisOne-VL-4B è apparso il 22 ottobre 2026 con un articolo arXiv, 2610.31329, allegato. Il cambiamento recente sul fronte Molmo riguarda l'infrastruttura più che il modello: il supporto nativo per Transformers è stato integrato il 9 ottobre e distribuito nella v5.20.0 il 15 ottobre, e Ai2 ha pubblicato un fine-tuning robotico di Molmo2-4B il 5 novembre. Utile se aspettavi di eseguirlo senza codice remoto. Non è un rilascio, e non è un motivo per chiamarlo lancio.

Il contratto sull'output è tutta la decisione

• Molmo2-4B — un punto, in 0–1000 della larghezza e dell'altezza dell'immagine, racchiuso in un tag con una regex pubblicata; in modalità video ogni punto ha un timestamp, e il pointing multi-immagine si riduce a terne frame-index, x, y.

• WeVisOne-VL-4B — un box, un punto, una maschera o un alpha matte, selezionati dall'argomento del task; i task densi emettono un token di istanza dopo ogni box e il decoder dei pixel li trasforma in maschere e matte.

• L'indicazione è l'unico output che entrambi producono, ed è l'unico ambito in cui esiste un confronto equo.

• Molmo2-4B non ha una testa di segmentazione e non può produrre un matte. WeVisOne-VL-4B non ha un percorso video: la sua stessa documentazione afferma che le griglie video vengono rifiutate dal decodificatore di pixel.

• Molmo2-4B è capace di turno singolo ma nativo multi-immagine; WeVisOne-VL-4B è pensato per la percezione di immagini a turno singolo e salta esplicitamente la catena di pensiero per ridurre la latenza.

Quella quarta riga chiude gran parte del discorso. Se la tua pipeline richiede un canale alfa — compositing, ritagli di prodotto, sostituzione dello sfondo, qualsiasi cosa in cui conti il bordo di un capello — Molmo2-4B non è un candidato e non lo è mai stato. Se la tua pipeline deve seguire un oggetto attraverso 384 fotogrammi di video, WeVisOne-VL-4B non può entrare nel confronto. Il resto di questo articolo riguarda la ristretta fascia in cui entrambi sono plausibili.

Entrambi sono "4B" e nessuno dei due è proprio così.

• Parametri — Molmo2-4B è 4,850,869,200; WeVisOne-VL-4B è 4,830,581,248. Sono entro lo 0,4% l'uno dall'altro, che è la coincidenza che rende interessante il confronto.

• Architettura — SigLIP 2 so400m più Qwen3-4B-Instruct-2507 per Molmo2-4B; una backbone Qwen3-VL più un decoder di maschere separato da 9,6 milioni di parametri per WeVisOne-VL-4B.

Download — 19,42 GB di safetensors float32 in quattro shard per Molmo2-4B; circa 9,7 GB di pesi bfloat16, incluso il file obbligatorio mask_decoder.pt per WeVisOne-VL-4B.

• Contesto — 36.864 posizioni per Molmo2-4B; un budget di 262.144 token non è il vincolo operativo per WeVisOne, che valuta fino a 1.960 token visivi per immagine.

• Licenza — Apache 2.0 per entrambi, con la scheda di Molmo2-4B che aggiunge che i suoi dati di addestramento sono soggetti esclusivamente a uso per ricerca accademica e non commerciale.

Runtime — Transformers con codice remoto (o nativo dalla v5.20.0) insieme a molmo_utils e decord2 per Molmo2-4B; il pacchetto di inferenza proprietario di Tencent con backend transformers o vLLM per WeVisOne-VL-4B.

La riga di download è la sorpresa pratica. Molmo2-4B occupa il doppio dello spazio su disco nonostante abbia lo stesso numero di parametri, perché AI2 l'ha pubblicato in float32 e Tencent in bfloat16. Un download da 19,42 GB che converti subito a precisione inferiore non è lo stesso oggetto di un download da 9,7 GB che servi così come viene distribuito, e solo uno dei due sta comodamente accanto a un gruppo di altri modelli su una singola macchina.

Da dove vengono i numeri e dove si fermano

Nessuno dei due modelli dispone di una classifica indipendente, quindi tutto ciò che segue è riportato dai fornitori. I due fornitori hanno scelto insiemi di benchmark quasi disgiunti, ed è proprio per questo che il confronto continua a essere fatto male.

WeVisOne-VL-4B, dal rapporto tecnico: 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. Sul matting, il MAD con prompt box di P3M-500-NP è 7,3 e il MAD con prompt testuale di WeRefMat è 9,8 — più basso è meglio, ed entrambi superano i baseline SAM2-Matting con cui il paper si confronta.

Molmo2-4B, dalla sua scheda: una media di 62,8 su 15 benchmark accademici, dietro il suo stesso fratello 8B a 63,1 e davanti a Qwen3-VL-4B a 58,1, InternVL3.5-4B a 53,4 e GLM-4.1V-9B a 56,9, con Gemini 3 Pro a 70,0 e GPT-5 a 70,6 nella stessa tabella.

Nessuna di quelle righe è condivisa. L'unico benchmark in cui entrambi compaiono nella stessa valutazione è il conteggio, e anche lì i numeri provengono da paper diversi con protocolli diversi.

La scomoda scoperta contenuta nel paper di WeVisOne stesso

La cosa più utile su cui agire nelle tabelle di WeVisOne non è il punteggio del 4B. È che il 4B a volte perde contro il suo stesso fratello 2B.

• Migliore a 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.

• Peggiore a 4B — P3M-500-NP box matting MAD 7,3 vs 6,6, PPM-100 6,1 vs 5,3, cIoU del test Ref-ZOM 72,2 vs 73,4.

Rileggi quella seconda voce due volte. Sul matting con prompt box in scene ordinarie, i 2,8B extra di language model non apportano nulla e costano un decimo di punto MAD, molto probabilmente perché il decoder obbligatorio da 9,6M svolge il lavoro denso e il language model si limita a scegliere su cosa puntare. Il 4B giustifica la sua dimensione sui compiti difficili condizionati dal linguaggio — segmentazione referenziale, conteggio denso, rilevamento in scene affollate — e sulle attività facili va avanti per inerzia o regredisce leggermente.

Quindi «prendere il WeVisOne più grande» non è una scelta predefinita sicura. Dai un nome al compito prima di dare un nome al checkpoint.

Falsi positivi, che nessuno valuta con benchmark

A entrambi i modelli si può chiedere qualcosa che non c’è. Il loro comportamento pubblicato differisce nettamente, e questa è la riga che dovrebbe preoccupare chiunque costruisca un ciclo di verifica.

Il rapporto di WeVisOne fornisce tre tassi di rifiuto che vengono abitualmente accorpati in un unico valore e che non devono esserlo: RefCOCOg-Rej 67,4, WeRef-Bench Rej 96,4 e PR-Bench Rej 52,6. Il divario tra 96,4 e 52,6 è il punto centrale. Sul benchmark interno il modello quasi sempre rifiuta correttamente quando l'oggetto richiesto è assente; sul set adversarial pubblico inventa una risposta circa la metà delle volte.

Molmo2-4B non pubblica alcun tasso di rifiuto. La sua scheda riporta medie su 15 benchmark e nulla sull'astensione. Se la tua applicazione si basa sul fatto che il modello dica "non presente", quella è una proprietà non misurata su un lato di questo confronto, e merita un set di test tuo anziché una citazione di benchmark.

A cosa serve ciascuno

Usa WeVisOne-VL-4B quando il risultato è una regione o un pixel: rilevamento a vocabolario aperto, segmentazione referring, matting con prompt, localizzazione OCR densa su una singola immagine. Usa invece il modello 2B della stessa famiglia quando il compito è box matting di scene semplici, perché il paper afferma che il 4B non migliora in quel caso. Non scegliere nessuno dei due se il video è nell’ambito, perché il decoder pixel rifiuta le griglie video.

Scegli Molmo2-4B quando il risultato da consegnare è una posizione in uno stream: individua l'oggetto, traccialo attraverso i fotogrammi, conta le istanze nel tempo, ragiona su un insieme di immagini. Sceglilo quando una coordinata più un timestamp sono l'artefatto utile e una maschera sarebbe eccessiva. Prevedi il download in float32 e il cast.

C'è un terzo schema che in produzione compare più spesso di entrambe le scelte pure: eseguirli entrambi, perché i compiti sono complementari anziché concorrenti. Una passata di rilevamento su un fotogramma fermo e una passata di puntamento sul video che segue sono due chiamate con due forme di output diverse, e l'infrastruttura tra di esse è la parte costosa. È a questo che serve un livello di routing — il DSL di routing compone più modelli in un'unica chiamata, così il passaggio da un modello di matting a un modello di puntamento è una configurazione anziché un servizio. Né WeVisOne-VL-4B né Molmo2-4B è nel catalogo OrcaRouter; entrambi sono pesi che ospiti, e la formulazione onesta è che il routing si colloca sopra di essi.

La risposta in una riga

Se hai bisogno di pixel, non è un confronto: WeVisOne-VL-4B è l'unico che li produce, e dovresti verificare se il suo fratello 2B lo batte sul tuo specifico task di matting prima di pagare per il 4B. Se hai bisogno di punti nel tempo, non è nemmeno un confronto: Molmo2-4B è l'unico con un percorso video. Il confronto diventa reale solo quando il task è "trova l'oggetto in questa immagine fissa", e lì il fattore decisivo non è l'accuratezza ma l'astensione: WeVisOne ha pubblicato numeri di rifiuto, Molmo2-4B non ne ha nessuno.