Molmo2-4B 対 WeVisOne-VL-4B：点、マスク、そして誰も最初には問わない疑問

両方のモデルに犬を見つけるよう頼むと、それぞれから答えが返ってきます。Molmo2-4Bは座標を返します。WeVisOne-VL-4Bはバウンディングボックスを返し、マットを求めれば、毛並みが残ったままのフル解像度のアルファチャンネルを返します。これらは同じ「grounding」という言葉をまとった3つの異なる製品であり、どれが必要かは、どのベンチマークよりも早くこの比較を決めます。Molmo2-4BはAllen Institute for AIによる4.85Bの汎用視覚言語モデルで、点出力と実際の動画パスを備えています。WeVisOne-VL-4BはTencentのWeChat Visionチームによる4.83Bの知覚モデルで、検出、参照ローカリゼーション、計数、ポインティング、OCR、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を、1つのチェックポイントと9.6Mパラメータのピクセルデコーダの背後で統合しています。知覚パイプラインが1つのモデルで止まることはほとんどありません。マークアップ0%の価格設定プロバイダーの定価は変更されずにそのまま反映されるため、ベンダーによる値下げは当日中に有効になります。

どちらも新しいものではない。Molmo2-4Bは2025年12月11日に発表され、重みは12月14日に公開された。WeVisOne-VL-4Bのリポジトリは2026年10月22日に、arXiv論文2610.31329が添付された状態で登場した。Molmo側の最近の変化はモデルではなくインフラだ。ネイティブのTransformersサポートが10月9日にマージされ、10月15日にv5.20.0で提供開始となり、Ai2は11月5日にMolmo2-4Bのロボティクス向けファインチューンを投稿した。リモートコードなしで実行したいと待っていたなら有用だ。リリースではなく、これをローンチと呼ぶ理由にもならない。

出力契約こそが判断のすべてです

• Molmo2-4B — 画像の幅と高さに対する0～1000の範囲で表される点を、公開されている正規表現付きのタグで囲んだもの。動画モードでは各点がタイムスタンプを持ち、複数画像へのポインティングはフレームインデックス、x、yの三つ組に平坦化される。

• WeVisOne-VL-4B — ボックス、ポイント、マスク、またはアルファマットをタスク引数で選択し、高密度タスクでは各ボックスの後にインスタンストークンを出力し、ピクセルデコーダーがそれらをマスクとマットに変換します。

• ポインティングは両者が生み出す唯一の出力であり、公平な比較が成立する唯一の箇所である。

• Molmo2-4Bにはセグメンテーションヘッドがなく、マットを生成できません。WeVisOne-VL-4Bには動画パスがありません。同モデルのドキュメントには、動画グリッドはピクセルデコーダーによって拒否されると記載されています。

• Molmo2-4Bはシングルターンに対応しているが、マルチ画像ネイティブである。WeVisOne-VL-4Bはシングルターンの画像知覚を対象とし、レイテンシのために思考連鎖を明示的に省略している。

第4行目で議論の大半に決着がつく。パイプラインにアルファチャンネルが必要なら——コンポジティング、商品の切り抜き、背景置換、髪の輪郭が問題になるあらゆる作業——Molmo2-4Bは候補ではなく、そもそも候補になったこともない。パイプラインで384フレームの動画を通してオブジェクトを追跡する必要があるなら、WeVisOne-VL-4Bは比較に加われない。本記事の残りは、両方が現実的な選択肢になり得る狭い範囲について述べる。

どちらも「4B」で、どちらも正確にはそうではない。

• パラメータ数 — Molmo2-4B は 4,850,869,200、WeVisOne-VL-4B は 4,830,581,248。両者は 0.4% 以内の差で、この偶然がこの対決を興味深いものにしている。

• アーキテクチャ — Molmo2-4B は SigLIP 2 so400m と Qwen3-4B-Instruct-2507 を組み合わせ、WeVisOne-VL-4B は Qwen3-VL バックボーンと別個の 9.6M パラメータのマスクデコーダを組み合わせています。

• ダウンロード — Molmo2-4B 用の float32 safetensors 19.42 GB（4 シャード）。WeVisOne-VL-4B 用の必須 mask_decoder.pt を含む bfloat16 重みは約 9.7 GB。

• コンテキスト — Molmo2-4Bでは36,864ポジション。262,144トークンの予算はWeVisOneにとって動作上の制約ではなく、WeVisOneは画像あたり最大1,960視覚トークンで評価します。

• ライセンス — 両方ともApache 2.0ですが、Molmo2-4Bのカードには、そのトレーニングデータが学術および非商業的研究用途に限定されることが追記されています。

• ランタイム — Molmo2-4B にはリモートコード付きの Transformers（v5.20.0 以降はネイティブ）に加えて molmo_utils と decord2 を使用。WeVisOne-VL-4B には transformers または vLLM バックエンドを備えた Tencent 独自の推論パッケージを使用。

ダウンロード行が実用上の意外な点だ。Molmo2-4Bはパラメータ数が同じなのにディスク上のサイズが2倍ある。AI2がfloat32で公開し、Tencentがbfloat16で公開したからだ。ダウンロードした19.42 GBをすぐにキャストして使うのは、9.7 GBをそのまま提供するのと同じものではなく、片方だけが1台のマシン上で他のモデル群と快適に共存できる。

数字はどこから来て、どこで止まるのか

どちらのモデルにも独立したスコアボードはないため、以下はすべてベンダー報告によるものです。両ベンダーはほぼ重複しないベンチマーク群を選んでおり、まさにそれが、この比較が繰り返し不適切に行われる理由です。

WeVisOne-VL-4Bは技術報告書によると、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です。マッティングでは、P3M-500-NPのボックスプロンプトによるMADが7.3、WeRefMatのテキストプロンプトによるMADが9.8です。値は低いほど良く、どちらも論文が比較対象としているSAM2-Mattingのベースラインを上回っています。

Molmo2-4Bは、そのカードによると、15の学術ベンチマークで平均62.8を記録し、同シリーズの8Bモデル（63.1）を下回るものの、Qwen3-VL-4B（58.1）、InternVL3.5-4B（53.4）、GLM-4.1V-9B（56.9）を上回っています。同じ表ではGemini 3 Proが70.0、GPT-5が70.6です。

それらの行は一つも共有されていない。両方が同じ評価に登場する唯一のベンチマークは counting であり、しかもそこでも数値は異なるプロトコルの異なる論文に由来している。

WeVisOne自身の論文の中にある、居心地の悪い発見

WeVisOneの表で最も実用的なのは、4Bのスコアではない。4Bが時に自身の2B兄弟モデルに負ける、という点だ。

• 4Bでより優れる — Dense200 71.3 対 61.4、LVIS 55.3 対 53.3、RefCOCOg test 81.8 対 78.2、ReasonSeg val cIoU 71.2 対 60.9、PointBench 71.9 対 62.9、WeRefMat MAD 9.8 対 15.8。

• 4Bでは悪化 — P3M-500-NPのボックスマッティングMAD 7.3対6.6、PPM-100 6.1対5.3、Ref-ZOMテストcIoU 72.2対73.4。

2番目の箇条書きを2回読んでください。通常シーンのボックスプロンプトによるマッティングでは、言語モデルの余分な2.8Bは何ももたらさず、MADポイントの10分の1を失います。おそらく、必須の9.6Mデコーダが密な作業を行っており、言語モデルは何を指すかを選んでいるだけだからです。4Bは、難しい言語条件付きタスク——参照セグメンテーション、密なカウント、混雑検出——でそのサイズに見合う働きをし、簡単なタスクでは惰性で進むか、わずかに後退します。

「より大きいWeVisOneを取得する」は安全なデフォルトではない。チェックポイントに名前を付ける前に、タスクに名前を付けよ。

誰もベンチマークしない誤検知

どちらのモデルも、存在しないものを尋ねられることがある。公表されている挙動は大きく異なっており、検証ループを構築する人なら誰でも気にすべきなのはこの行だ。

WeVisOneのレポートには、しばしば一つの数値にまとめられがちだが、決してそうしてはならない3つの棄却率が示されている。RefCOCOg-Rej 67.4、WeRef-Bench Rej 96.4、PR-Bench Rej 52.6だ。96.4と52.6の差こそが重要な点である。社内ベンチマークでは、問い合わせたオブジェクトが存在しない場合、モデルはほぼ常に正しく回答を拒否する。一方、公開の敵対的セットでは、約半数で回答をでっち上げる。

Molmo2-4Bは棄却率を一切公表していない。そのカードが報告しているのは15のベンチマークにおける平均値だけで、棄却（abstention）については何も述べていない。あなたのアプリケーションがモデルによる「存在しない」という応答に依存しているなら、それはこの比較の片側において測定されていない特性であり、ベンチマークの引用ではなく、独自のテストセットを用意して検証する価値がある。

それぞれの用途

成果物が領域またはピクセルである場合は、WeVisOne-VL-4Bを選んでください。単一画像上でのオープンボキャブラリ検出、参照セグメンテーション、プロンプト可能なマッティング、高密度OCR位置特定です。タスクが簡単なシーンのボックスマッティングである場合は、代わりに2Bの兄弟モデルを選んでください。論文ではそこで4Bが改善しないと述べられているためです。動画が対象範囲に含まれる場合はどちらも選ばないでください。ピクセルデコーダが動画グリッドを拒否するためです。

Molmo2-4B は、成果物がストリーム内の位置である場合に選びましょう。オブジェクトを指し示し、フレームをまたいで追跡し、時間方向にインスタンスを数え、一連の画像に対して推論します。座標とタイムスタンプが有用な成果物であり、マスクは過剰になる場合に選びましょう。float32 のダウンロードとキャストの分を見込んでおきましょう。

本番環境では、どちらか一方を純粋に選ぶよりも頻繁に現れる第3のパターンがあります。それは両方を実行するというものです。タスクは競合するのではなく補完し合うからです。静止フレームに対する検出パスと、それに続く動画に対するポインティングパスは、異なる出力形状を持つ2つの呼び出しであり、その間の配線こそがコストのかかる部分です。その配線のための仕組みがルーティング層です — ルーティングDSLは複数のモデルを1つの呼び出しに組み合わせるため、マッティングモデルとポインティングモデルの間の受け渡しはサービスではなく設定になります。WeVisOne-VL-4BもMolmo2-4BもOrcaRouterのカタログには含まれていません。どちらも自身でホストする重みであり、正直に言えば、ルーティングはそれらの上位に位置するものです。

一言で言えば

ピクセルが必要なら、これは比較ではない。WeVisOne-VL-4B だけがそれを生成し、4B に支払う前に、2B の兄弟モデルがあなたの特定のマッティングタスクでそれを上回るか確認すべきだ。時系列の点が必要なら、これも比較ではない。Molmo2-4B だけが動画パスを持つ。対決が現実になるのは、タスクが「この静止画像内の物体を見つける」である場合だけであり、そこでの決め手は精度ではなく棄権だ。WeVisOne は拒否の数値を公開しているが、Molmo2-4B には何もない。