SingVL_S1_4B vs WeVisOne VL 4B: il rilascio silenzioso contro quello completato

Il team WeChat Vision di Tencent ha pubblicato il paper, i pesi, il pacchetto di inferenza e la demo nell'ottobre 2026 con licenza Apache 2.0. Ecco come appare un rilascio completo. inclusionAI ha caricato due shard safetensors l'11 novembre 2026, senza annuncio, senza paper, senza licenza e senza endpoint ospitato, e ha chiuso lì. WeVisOne VL 4B e SingVL_S1_4B hanno entrambi all'incirca tra i quattro e mezzo e i cinque miliardi di parametri, entrambi costruiti su backbone vision di Qwen, entrambi impegnati a ottenere da un'immagine qualcosa di più preciso di un paragrafo — e stanno facendo le due metà opposte di quel lavoro. Uno traccia maschere sui pixel. L'altro restituisce una probabilità sulle risposte che pensavi di offrirgli. Confrontarli serve meno a stabilire quale sia migliore che a capire quanto valga un rilascio prima che sia completato.

Le due capacità, dette senza fronzoli

WeVisOne-VL-4B — il nome è la contrazione di WeChat Vision All-in-One — unifica la percezione a livello di oggetto e la percezione a livello di pixel in un unico modello. Concretamente, svolge rilevamento di oggetti a vocabolario aperto, localizzazione di espressioni referenziali, conteggio di oggetti, pointing, localizzazione OCR, segmentazione referenziale e alpha matting con prompt, ovvero il compito di produrre una maschera morbida e continua attorno a qualcosa come capelli o un ramo sottile, dove un confine netto apparirebbe errato. Il meccanismo è una predizione strutturata del token successivo su token di coordinate dedicati, più un decodificatore pixel da 9,6 milioni di parametri fornito insieme al checkpoint come mask_decoder.pt. Restituisce None quando un target richiesto è assente, il che sembra banale ed è il singolo comportamento più utile nel grounding in produzione.

SingVL_S1_4B è un modello decisionale. Riceve uno stato — testo, JSON, fino a quattro immagini — e un dizionario di domande denominate, ciascuna con un tipo dichiarato e risposte candidate. Choice restituisce una probabilità per opzione, noul restituisce la probabilità che un'affermazione sì/no sia vera, score restituisce una probabilità per livello su due-dieci livelli ordinati e il livello atteso. Un solo passaggio in avanti, nessuna generazione, nessuna coordinata. Il repository include un server FastAPI sulla porta 8173 che risponde su /v1/systemone, e la scheda del modello è scritta interamente nel vocabolario di quel protocollo.

Quindi la divisione è netta. WeVisOne ti dice dove si trova l'oggetto e che forma ha. SingVL_S1_4B ti dice quanto è probabile che l'oggetto sia ciò che sospetti. Una pipeline che deve ritagliare una persona da una fotografia non ha alcuna utilità per una probabilità su tre opzioni, e una pipeline che deve sapere se un'immagine supera una soglia di policy non ha alcuna utilità per una maschera.

Cosa ha messo la versione rifinita sulla propria scheda

La tabella di punta di WeVisOne-VL-4B lo confronta con il più forte baseline open in ogni benchmark, selezionato da Qwen3-VL e Q​wen3.5 fino a 9B, Rex-Omni, LocateAnything e modelli di segmentazione e matting specifici per il compito. Le righe che sostengono l'argomentazione:

• Rilevamento LVIS — F1 medio 55,3 rispetto a una baseline di 50,7.

• Rilevamento denso Dense200 — 71,3 contro 58,7.

• RefCOCOg test referring — F1 medio 81,8 contro 77,6.

• Tasso di rifiuto di WeRef-Bench — 96,4 contro 73,0, che è la riga che conta di più per il grounding in produzione.

• Precisione di conteggio di PixMo-Count — 89,6 rispetto a 82,8.

• TotalText OCR — F1 medio 52,0 contro 43,3.

• Segmentazione referring di ReasonSeg — gIoU 71,2 rispetto a 65,0.

• P3M-500-NP opacizzazione della scatola — MAD 7,3 rispetto a 15,4, dove valori più bassi sono migliori.

• Matting del testo WeRefMat — MAD 9,8 rispetto a 22,4.

Quelli sono dati del fornitore relativi alla pipeline di valutazione del fornitore, eseguita in decodifica greedy con al massimo 1.960 token visivi per immagine, rispetto a baseline scelte dal fornitore. La lettura onesta è che stabiliscono che il modello funziona e all'incirca dove si colloca rispetto alla più forte alternativa aperta su ciascun compito — non che i divari siano esatti. La riga del tasso di rifiuto è la più attendibile nello spirito, perché 96,4 contro 73,0 è una differenza abbastanza grande da rendere improbabile che i dettagli dell'harness la spieghino, e rifiutare target assenti è la modalità di errore che rovina i sistemi di grounding in produzione.

C'è anche una variante 2B con una propria colonna, il che è utile: 78,2 sul test RefCOCOg, 50,2 su rejection, 62,9 sulla riga dense-detection. Il fornitore ha pubblicato i numeri più deboli del modello più piccolo accanto a quelli più forti del modello più grande, un tipo di divulgazione che suggerisce che la tabella non sia stata assemblata per un post di lancio.

Cosa ha messo sulla propria scheda il rilascio silenzioso

SingVL_S1_4B pubblica una tabella "Public Decision Index 0.3": 69.76 su Text, 73.94 su Vision, rispetto a TypeSafe Jev 1.14 a 60.70 su text, StartLux-Decision v1.1 4B a 67.8 e 67.90, e Perplexity Decider Flash v1.2 a 60.1 e 72.5. La ripartizione dietro l'aggregato Vision va da InfographicVQA a 96.31 e Winoground a 93.12 fino a MMMU-Pro vision a 50.17 e R-Bench-M a 49.77.

Quei dati hanno tre problemi che quelli di WeVisOne non hanno. Hanno due giorni. Sono su una classifica il cui kit di valutazione è pubblico ma la cui metà privata non lo è, prodotti da un laboratorio che non ha inviato un run al kit pubblico di riproduzione — anche se la scheda include istruzioni per presentarne uno. E il repository non riporta alcuna licenza, il che significa che i numeri non sono il vincolo decisivo per l'adozione; lo è la documentazione.

Ciò che la scheda stabilisce in modo incontrovertibile è l'interfaccia: una probabilità per domanda e per opzione da un singolo forward pass, con gli interni del protocollo forniti come hash SHA-256 in config.json, così che un'esecuzione possa essere verificata rispetto al codice che l'ha prodotta. È una vera decisione ingegneristica ed è la cosa più credibile del rilascio.

Il tabellone onesto ha un'unica riga condivisa ed è vuota

Questi due modelli non hanno alcun benchmark in comune. WeVisOne misura F1 a soglie IoU, gIoU e la differenza media assoluta sulle matte. SingVL_S1_4B misura l'accuratezza corretta per il caso su insiemi di opzioni. Non esiste una riga in cui la stessa misurazione sia stata effettuata su entrambi, e costruirne una richiederebbe di eseguire entrambi sugli stessi dati — cosa che nessuno ha fatto, perché uno dei checkpoint ha due giorni.

Ciò che si può confrontare è la forma delle prove. Il rilascio di WeVisOne include un rapporto tecnico su arXiv, una pagina di progetto, un repository GitHub con una pipeline di valutazione, un cookbook, due spazi demo e istruzioni di riproduzione che una terza parte può seguire. Il rilascio di SingVL_S1_4B include una model card e una cartella di inferenza. Uno di questi consente a un estraneo di verificare le affermazioni; l'altro chiede all'estraneo di fidarsi di esse.

Il licensing, che decide più di entrambi i benchmark

WeVisOne-VL-4B è Apache 2.0. Questo copre il codice e i pesi creati da Tencent, con i componenti di terze parti che mantengono i propri termini, ed è per questo che circolano già quantizzazioni GGUF, un nodo ComfyUI, una build GGUF per una NPU Rockchip e un pacchetto di integrazione in lingua cinese entro due settimane dal rilascio. La ridistribuzione è consentita, quindi la ridistribuzione è avvenuta.

SingVL_S1_4B non dichiara alcuna licenza nei propri metadati e non include alcun file LICENSE. inclusionAI ha utilizzato licenze esplicite per le sue altre release — Apache 2.0 su LemonDecider, la licenza community di Q​wen sui modelli SingProbe — quindi la lacuna sembra un caricamento incompleto. Ma "sembra una svista" non è una licenza, e una revisione di conformità non può approvare un modello sul presupposto che il suo editore intendesse probabilmente essere permissivo.

Per chiunque la cui risposta a "possiamo rilasciarlo?" conta, il confronto finisce qui. WeVisOne può essere rilasciato; SingVL_S1_4B non può, non ancora. Tutto il resto è una discussione sulle capacità tra due modelli in cui solo uno è attualmente disponibile perché la discussione abbia senso.

Quale si adatta a quale pipeline

• Ritagliare qualcosa da un'immagine — WeVisOne-VL-4B, e non c'è paragone, perché SingVL_S1_4B non ha alcun output di segmentazione.

• Conteggio di oggetti in un fotogramma affollato — WeVisOne-VL-4B. Riporta 57.1 sulla riga del rilevamento denso, dove il miglior baseline è 47.9, e il conteggio è un'attività di prima classe anziché un comportamento indotto dal prompt.

• Sapere che un target è assente — WeVisOne-VL-4B, sulla base della riga di rifiuto e del ritorno esplicito di None. È questa la capacità che distingue una demo da un sistema.

• Subordinare una chiamata costosa a una confidenza — la struttura di SingVL_S1_4B, se puoi ospitarla e la licenza arriva. Una probabilità per opzione è ciò che una soglia richiede.

• Classificare rispetto a una tassonomia fissa — SingVL_S1_4B in linea di principio; i suoi tipi choice e score corrispondono direttamente alle tassonomie, laddove un modello generativo deve essere vincolato a rientrare in una di esse.

• Leggere una pagina e ottenere sia i campi sia le loro posizioni — WeVisOne-VL-4B, che esegue OCR con localizzazione nello stesso passaggio del rilevamento.

• Qualsiasi cosa distribuita commercialmente questo mese — WeVisOne-VL-4B, unicamente per quanto riguarda le licenze.

E una riga che non appartiene a nessuno dei due: se ciò di cui hai bisogno è una spiegazione scritta di ciò che è presente nell'immagine, entrambi i modelli sono lo strumento sbagliato. WeVisOne restituisce una percezione strutturata e SingVL_S1_4B restituisce probabilità; nessuno dei due scrive un paragrafo.

Che cosa insegna il confronto sul mercato, non sui modelli

La cosa interessante qui non è che un modello sia migliore. È che due laboratori di dimensioni comparabili hanno rilasciato un modello di visione da 4-5 miliardi di parametri nello stesso trimestre e hanno gestito il rilascio in modo completamente diverso. Tencent ha pubblicato un paper, un checkpoint del decoder con un conteggio dei parametri dichiarato, una pipeline di valutazione, una licenza e una pagina di progetto, e l'ecosistema ha creato quantizzazioni e integrazioni nel giro di due settimane. inclusionAI ha rilasciato i pesi, uno script di inferenza e una tabella di benchmark, e l'ecosistema non può toccare nulla di tutto ciò finché non compare la licenza.

Entrambe le strategie sono legittime. Un rilascio discreto consente a un laboratorio di pubblicare un checkpoint senza una narrazione di lancio, e la model card qui è davvero ben scritta — gli esempi API funzionano, i tipi di domanda sono documentati con calcoli svolti, e la configurazione include hash che rendono possibile la verifica. Ma un checkpoint senza licenza è una dimostrazione, non un prodotto, e la differenza emerge esattamente nel punto su cui questo confronto continua a tornare: se qualcuno diverso dall'autore possa costruirci sopra.

Se vuoi testare il pattern decisionale prima che arrivi la documentazione, il pattern stesso è invocabile. OrcaRouter serve TypeSafe Jev 1.14 a $0,042 per milione di token di input insieme a oltre 200 modelli con un'unica chiave, trasferendo i prezzi di listino dei provider a un ricarico dello 0%, con failover automatico tra provider. Sing VL S1 non è su OrcaRouter e non è ospitato da nessuna parte, quindi non si tratta di una dichiarazione di disponibilità al riguardo — è il modo più economico per scoprire se gli output di probabilità battono le maschere sulle tue etichette, prima di spendere una GPU per un checkpoint i cui termini sono in bianco.

WeVisOne-VL-4B puoi semplicemente scaricarlo. Questo, alla fine, è il confronto: uno di questi è un modello che puoi usare, e l'altro è un modello di cui puoi solo leggere.