LFM3-VL-2B vs WeVisOne-VL-2B：3日違い、正反対の賭け

LFM3-VL-2Bは2026年10月19日にHugging Faceに登場しました。WeVisOne-VL-2Bは10月22日に登場しました。2つのモデルは、どちらも約20億パラメータで、オープンウェイトで、有名なラボによるもので、互いに72時間以内に公開されました。ならほぼ代替可能だと期待するでしょう。しかし両者は、「視覚」とは何かについての正反対の賭けに近いものです。一方は見ているものについての質問に答え、もう一方は見ているものの正確な形状を返します。

その違いは仕様書では見落としやすい。どちらのカードにも boxes と OCR が記載されているからだ。違いは出力形式と学習目的にあり、どちらのモデルもパース層なしでパイプラインに投入できるかどうかを左右する。また、汎用モデルが向上した後、どちらのモデルに存在理由があるかも決める。

見ることの二つの定義

LFM3-VL-2BはLiquid AIの汎用モデルです。テキスト、画像、動画を2 fpsで入力し、テキストを出力します。段階的な思考をサポートし、128Kコンテキストを持ち、16言語をカバーします。アーキテクチャは密な1.92Bモデルで、1.73Bの言語バックボーン、164Mの自社製ビジョンエンコーダー、25Mのプロジェクターで構成され、BF16、GGUF、MLX 4-bit、ONNXのビルドが公開されています。Liquidのファミリー投稿では、これを「物理世界を見て、推論し、理解する」ことができるモデルとして位置づけており、動画経路はこのファミリーにとって真に新しいものです。

WeVisOne-VL-2BはTencentのWeChat Visionモデルです。Qwen3-VLバックボーン上に構築され、Apache 2.0の下で約24億パラメータを持ち、その目的は統合的な知覚にあります。オープンボキャブラリ検出、参照表現に基づく位置特定、カウント、ポインティング、OCR位置特定、参照セグメンテーション、プロンプト可能なアルファマッティングです。専用トークンを介して正規化座標を返し、さらに、言語モデルと併せて読み込む必要がある別個の960万パラメータのピクセルデコーダを介してマスクを返します。

一方のモデルは読み手であり、もう一方は計測器である。両者のベンチマーク表における重なりは現実のものだが、それは同じ場面を測定している二つの異なる製品の重なりである。

出力フォーマットこそが製品です

WeVisOne-VL-2Bは座標を<0>から<1000>までのトークンとしてエンコードし、各インスタンスを<OBJ>トークンでマークし、要求されたターゲットが存在しない場合はNoneを返します。実務家が気づくのはその最後の詳細です。カードはRefCOCOgで50.2の拒否率を報告しており、Rex-OmniとLocateAnythingの約0.5と対照的です。ボックスを幻覚するよりも「ここにはない」と言うように訓練されています。

ピクセルデコーダーは省略できません。セグメンテーションとアルファマッティングにはmask_decoder.ptが必要で、これはオブジェクトトークンによってトリガーされる960万パラメータのモジュールです。言語モデルだけを読み込むと、座標は得られてもマスクは得られません。GitHubリポジトリには、この2つを連携させる推論パッケージが含まれており、モデルは設計上シングルターンかつ画像専用です — ピクセルデコーダーは動画グリッドを拒否します。

{{1}}LFM3-VL-2B{{/1}}には同等のコントラクトがありません。領域を説明し、オブジェクトを数え、シーンについて散文で推論します。そのグラウンディング行（RefCOCO-avg 90.5）は、ローカライゼーションに長けていることを示唆しています。しかし、出力はテキストです。マスクを必要とするパイプラインにとって、90.5 と解析可能なポリゴンの違いは、デモと製品の違いです。

差し引くことのできない数値の根拠づけ

2つのカードはいずれもRefCOCOファミリーの結果を報告していますが、同じ測定ではありません。LFM3-VL-2BはRefCOCO-avg 90.5を報告しており、これは参照表現の各分割を平均したものです。WeVisOne-VL-2Bは、参照検出のRefCOCOg 77.1平均F1と、参照セグメンテーションのRefCOCO testA 82.9 cIoUを報告しています。RefCOCOgはより長く会話的な表現を含む別の分割であり、cIoUはF1とは異なる指標です。

90.5 から 77.1 を引いて得られる数値には意味がない。誠実な解釈は、両モデルともそれぞれのハーネス上での参照型ローカリゼーションに強いこと、どちらのハーネスも独立に再現されていないこと、指標の定義が十分に異なるため順位は未確定であることだ。同じ注意は OCR にも当てはまる。LFM3-VL-2B は OCRBench v1 で 86.3 を報告している一方、WeVisOne-VL-2B は OCR HierText で 30.5 を報告しているが、これはより難しいデータセット上の別のベンチマークである。

比較条件が明確な場合、それは専門モデルが得意分野で有利になる：WeVisOne-VL-2BはCOCO検出F1 55.2、LVIS 53.3、Dense200 61.4を報告しており、検出F1を一切公表していないモデルとの比較になっている。それは自動的な勝利ではない。汎用モデルはそのように採点されるよう訓練されていないという注意喚起だ。

マット仕上げこそが堀（競争優位）だ

プロンプタブル・アルファマッティングは、LFM3-VL-2Bにも、同サイズクラスの大半にも備わっていない機能だ。WeVisOne-VL-2Bは、ソフトエッジのマット——髪、ガラス、毛皮の周囲にある半透明の境界で、バイナリのセグメンテーションマスクでは硬い切り抜きになってしまうもの——について、P3M-500-NPで平均絶対差6.6を報告している。カードは限界についても率直だ。細かなアルファ境界は、オクルージョン、低解像度、透明性の下では劣化する。しかし製品の切り抜き、コンポジット、背景置換においては、パイプラインが実際に必要とする出力はマットなのだ。

これがこのモデルの存在意義を最も強く裏付ける根拠だ。2Bの汎用モデルは画像を説明することはできても、ソフトアルファチャンネルを渡すことはできない。Tencentがピクセルデコーダを中心に小さなモデルを構築したのは、その出力を大規模な汎用モデルから得るのが高コストだからであり、4Bの兄弟モデルは同じタスクでより高い精度を必要とするチームのために存在する。

動画と思考がもう一つの堀である

LFM3-VL-2Bの差別化ポイントは逆方向にあります。2 fpsの動画を受け入れ、字幕なしでVideo-MME 62.8、MVBench 69.4、MMMB 85.2を報告します。WeVisOne-VL-2Bはシングルターンかつ画像専用で、そのピクセルデコーダーは動画グリッドを拒否します。入力がクリップなら、ベンチマーク表が始まる前に比較は終わっています。

思考モードは第二のギャップを加える。LFM3-VL-2Bは、思考ありでMathVista 84.2、思考なしで68.5、MMMUは55.7対48.6と報告している。WeVisOne-VL-2Bは効率性のため、設計上チェーン・オブ・ソートを持たない。それは知覚コンポーネントとしては妥当なエンジニアリング上の選択であり、チャートについて推論させたいモデルとしては厳しい限界だ。

記憶、ライセンス、そして入場料

• パラメータ — LFM3-VL-2Bは1.92Bのdenseモデル、WeVisOne-VL-2Bは約2.4B、さらに9.6Mピクセルのデコーダーを備えています。

• メモリ — LFM3-VL-2Bでは計算上BF16で約3.84 GB、4ビットMLXビルドあり。WeVisOne-VL-2BではF32で約9.1 GBの重み、BF16で推定4.9 GB。これはカードではなく第三者によるデプロイノートに基づく。

• 入力 — 2 fpsでのテキスト・画像・動画 対 画像・テキストのみ、単一ターン。

• 出力 — 散文。任意で推論かテキスト、正規化座標、マスク、アルファマット。

• コンテキスト — 128K か、文書規模のウィンドウとしては明示されていない。制約となるのはピクセルデコーダーである。

• ライセンス — LFM Open License v1.0 は年間収益1,000万ドル未満の商用利用に対応、Apache 2.0 は規模を問わず適用。

• 公開 — リポジトリ 2026年10月19日、家族への発表 10月27日 対 リポジトリ 2026年10月22日。

ライセンスをめぐる話は、よくある構図とは逆だ。Tencentのモデルは寛容なライセンスのもので、Liquidのモデルは収益上限付きのものだ。商用の知覚製品を開発する企業にとって、Apache 2.0はLFMライセンスが生じさせるデューデリジェンス項目を一つ取り除く。だからといって両モデルが交換可能になるわけではないが、より小さく汎用的なモデルのほうが、より大きな法的制約を負うということは意味している。

どちらのモデルにもホスト版の価格はありません。

両方のカードが重みを公開しており、どちらもトークンあたりのAPI料金は公開していない。Hugging Face は LFM3-VL-2B の推論プロバイダーを掲載しておらず、WeVisOne-VL-2B のカードにも同様にホスト型エンドポイントはないが、LiteRT、Core AI、GGUF、Android 向けのコミュニティによる移植版は存在する。これが現在の2Bビジョン層の姿だ。重みは無料で、サービングは自前、実際のコストはGPUと統合作業にある。

そのティアを所有するのではなくレンタルしたいなら、OrcaRouterはホスト型ビジョンモデル（Qwen3-VL-8Bを含む）を、プロバイダーの定価を0%のマークアップでそのまま反映する単一API経由でルーティングします。また、知覚モデルと推論モデルにパネル形式で回答させたい場合は、モデルフュージョンも利用できます。本比較ではどちらのチェックポイントも提供しておらず、ここで提供していると示唆するものでもありません。重要なのは、どちらのオープンウェイトモデルもエンドポイント付きで提供されていない場合、少し大きめのホスト型モデルをレンタルすることが正当な第3の選択肢になるという点です。

選び方

• WeVisOne-VL-2B を選択してください出力がジオメトリ（ボックス、マスク、アルファマット、カウント、または「存在しない」シグナル）である場合は、これを選んでください。Apache 2.0 が譲れない条件である場合、または切り抜き、コンポジティング、ロボティクス知覚のパイプラインを構築している場合も、これを選んでください。

• LFM3-VL-2Bを、入力に動画が含まれる場合、グラフやフォームをまたぐ推論が必要な場合、または形状を測定するのではなく一般的な質問に答える小さなモデルを1つ求めている場合に選んでください。

• 両方を採用するのは、2つのパイプラインを運用する覚悟がある場合に限ります。両者はパラメータクラスを共有しているだけで、それ以外はほとんど何も共有していません。そうでないかのように統合するコストは、2つ目のモデルを採用するコストよりも高くつきます。

彼らのリポジトリ間にある3日間の差は偶然だ。だが、返される内容の相違は偶然ではない。2つのラボは同じ2Bの予算を見据え、それを異なるアウトプットに費やした。問うべきはどちらが優れているかではなく、次のパイプライン工程が実際に消費できるのはどちらのアウトプットか、である。