SingVL_S1_4B vs WeVisOne VL 4B：静かなリリース 対 完成されたもの

TencentのWeChat Visionチームは2026年10月に、論文、重み、推論パッケージ、デモをApache 2.0で公開した。これが完成したリリースの姿だ。inclusionAIは2026年11月11日に2つのsafetensorsシャードをアップロードし、告知も論文もライセンスもホスト型エンドポイントもないまま、それで終わりにした。WeVisOne VL 4BとSingVL_S1_4Bはどちらもおよそ45億から50億パラメータで、どちらもQwenの視覚バックボーン上に構築され、どちらも画像から段落より精密な何かを引き出すことを目指している——そして、その仕事の相反する半分ずつを担っている。一方はピクセル上にマスクを描く。もう一方は、あなたが提示しようと考えた答えに対して確率を返す。両者を比較することは、どちらが優れているかというよりも、完成する前のリリースにどれだけ価値があるかという問題だ。

その2つの能力を、飾り気なく述べると

WeVisOne-VL-4B — その名前は WeChat Vision All-in-One の短縮形です — は、物体レベルの知覚とピクセルレベルの知覚を1つのモデルに統合します。具体的には、オープンボキャブラリ物体検出、参照表現の位置特定、物体カウント、ポインティング、OCR位置特定、参照セグメンテーション、およびプロンプト可能なアルファマッティングを行います。アルファマッティングとは、髪や細い枝などの周囲に、硬い境界では不自然に見えるような柔らかい連続マスクを生成するタスクです。その仕組みは、専用の座標トークンに対する構造化された次トークン予測と、チェックポイントとともに mask_decoder.pt として提供される960万パラメータのピクセルデコーダです。問い合わせた対象が存在しない場合には None を返します。これは些細に聞こえますが、実運用のグラウンディングにおいて最も有用な単一の挙動です。

SingVL_S1_4Bは決定モデルです。状態（テキスト、JSON、最大4枚の画像）と、名前付き質問の辞書（それぞれ宣言された型と候補回答を持つ）を受け取ります。Choiceは選択肢ごとの確率を返し、noulははい/いいえの文が成り立つ確率を返し、scoreは2～10の順序付きレベルにわたるレベルごとの確率と期待レベルを返します。1回の順伝播で、生成も座標もありません。リポジトリにはポート8173で/v1/systemoneに応答するFastAPIサーバーが含まれており、モデルカードは完全にそのプロトコルの語彙で書かれています。

つまり、役割分担は明確だ。WeVisOne は対象がどこにあり、どんな形状をしているかを教えてくれる。SingVL_S1_4B は、その対象が疑っている通りのものである確率を教えてくれる。写真から人物を切り抜く必要があるパイプラインにとって、3つの選択肢にわたる確率は役に立たない。また、画像がポリシーのしきい値を満たすかどうかを知る必要があるパイプラインにとって、マスクは役に立たない。

洗練されたリリースが専用のカードに載せたもの

WeVisOne-VL-4B の主要な表では、各ベンチマークで最も強力なオープンベースラインと比較しており、それらは最大 9B の Qwen3-VL および Qwen3.5、Rex-Omni、LocateAnything、ならびにタスク特化型のセグメンテーションおよびマッティングモデルから選ばれています。論点を担う行は次のとおりです：

• LVIS検出 — F1平均は55.3、ベースラインの50.7に対して。

• Dense200 高密度検出 — 58.7 に対し 71.3。

• RefCOCOgテストのreferring — F1平均81.8（77.6に対して）

• WeRef-Bench の拒否率 — 96.4 対 73.0。これは本番環境でのグラウンディングにおいて最も重要な行です。

• PixMo-Count の計数精度 — 82.8 に対して 89.6。

• TotalText OCR — F1平均は43.3に対して52.0。

• ReasonSeg 参照セグメンテーション — gIoU 71.2 対 65.0。

• P3M-500-NP ボックスマット — MAD 7.3 対 15.4（低いほど良好）。

• WeRefMat テキストマッティング — MAD 9.8 対 22.4。

これらは、ベンダーの評価パイプライン上で、画像あたり最大1,960ビジュアルトークンを用い、グリーディデコーディングで実行され、ベンダーが選定したベースラインと比較した、ベンダーによる数値です。正直に解釈すれば、これらはモデルが動作すること、および各タスクで最強のオープンな代替手法に対して概ねどの位置にあるかを示しているのであって、差が正確であることを示しているのではありません。拒否率の行は、本質的に最も信頼できます。なぜなら、96.4対73.0は差が十分に大きく、ハーネスの詳細では説明しにくいからです。また、存在しないターゲットを拒否することは、本番環境でグラウンディングシステムを破綻させる障害モードです。

独自の列を持つ 2B バリアントもあり、これは有益です。RefCOCOg テストで 78.2、リジェクションで 50.2、dense-detection の行で 62.9 です。ベンダーは小さいモデルのより弱い数値を、大きいモデルのより強い数値の隣に公開しており、これはこの表がローンチ記事向けにまとめられたものではないことを示唆する種類の開示です。

静かなリリースが自身のカードに載せたもの

SingVL_S1_4Bは「Public Decision Index 0.3」表を公開している。テキストは69.76、ビジョンは73.94で、TypeSafe Jev 1.14のテキスト60.70、StartLux-Decision v1.1 4Bの67.8と67.90、Perplexity Decider Flash v1.2の60.1と72.5と対比される。ビジョン総合値の内訳は、InfographicVQAの96.31とWinogroundの93.12から、MMMU-Pro visionの50.17とR-Bench-Mの49.77までに及ぶ。

それらの数値には、WeVisOneの数値にはない3つの問題がある。2日前のものだ。それらは、スコアリングキットが公開されている一方でその非公開部分は公開されていないリーダーボード上のもので、公開されている再現キットに実行結果を提出していない研究所によって作られている——ただし、カードには提出方法の指示は含まれている。そして、リポジトリにはライセンスがない。つまり、採用を左右する決定的な制約は数値ではなく、書類手続きのほうである。

カードが議論の余地なく確立しているのはインターフェースだ。単一のフォワードパスから質問ごと・選択肢ごとの確率を出力し、プロトコルの内部を SHA-256 ハッシュとして config.json に同梱することで、実行結果をそれを生成したコードに対して検証できる。これは実際のエンジニアリング上の判断であり、このリリースで最も信頼に値する点だ。

正直なスコアボードには共有された行が一つだけあり、それは空です。

これら2つのモデルには共通のベンチマークがありません。WeVisOne は IoU しきい値での F1、gIoU、マット上の平均絶対差を測定します。SingVL_S1_4B は選択肢集合に対するチャンス補正済み精度を測定します。両方に対して同じ測定を行った行は存在せず、それを作るには両方を同じデータで実行する必要がありますが、チェックポイントの1つが2日前のものなので、誰もそれを行っていません。

比較できるのは、証拠の形である。WeVisOneの公開物には、arXivの技術レポート、プロジェクトページ、評価パイプラインを備えたGitHubリポジトリ、クックブック、2つのデモスペース、そして第三者が追随できる再現手順が含まれている。SingVL_S1_4Bの公開物には、モデルカードと推論用フォルダが含まれている。一方は部外者が主張を自ら確かめられるようにし、もう一方は部外者にそれを信じるよう求める。

ライセンスは、どちらのベンチマークよりも多くのことを決める

WeVisOne-VL-4B は Apache 2.0 です。これには Tencent が作成したコードと重みが含まれ、サードパーティのコンポーネントはそれぞれ独自の条件を維持します。だからこそ、リリースから2週間以内に、GGUF 量子化版、ComfyUI ノード、Rockchip NPU 向け GGUF ビルド、中国語統合パッケージがすでに流通しています。再配布は許可されているため、再配布が行われました。

SingVL_S1_4B はメタデータにライセンスを明記しておらず、LICENSE ファイルも同梱していません。inclusionAI は他のリリースでは明示的なライセンスを用いており、LemonDecider には Apache 2.0、SingProbe モデルには Qwen のコミュニティライセンスを適用しているため、この欠落はアップロードが未完了であるように見えます。しかし「見落としのように見える」ことはライセンスではなく、コンプライアンス審査は、公開元がおそらく許容的なライセンスを意図していたという理由でモデルを承認することはできません。

「これを出荷できるか」への答えが重要な人にとって、比較はここで終わる。WeVisOneは出荷可能だ。SingVL_S1_4Bはまだ出荷できない。それ以外は2つのモデル間の能力に関する議論だが、現時点で利用可能なのは片方だけであり、その議論が意味を持つのはその限りにおいてだ。

どれがどのパイプラインに合いますか

• 画像から何かを切り抜くこと — WeVisOne-VL-4B、そしてこれは接戦ではない。SingVL_S1_4B にはセグメンテーション出力がまったくないからだ。

• 混雑したフレーム内の物体を数える — WeVisOne-VL-4B。高密度検出の行で57.1を報告し、最高のベースラインは47.9です。また、数えることはプロンプトで促される動作ではなく、第一級のタスクです。

• 対象が存在しないことを認識する — WeVisOne-VL-4B は、拒否行と明示的な None の返却を根拠にしている。これこそがデモとシステムを分ける能力である。

• 高コストな呼び出しを信頼度でゲートする — SingVL_S1_4B の形、ホストできてライセンスが届けばの話。選択肢ごとの確率こそ、しきい値が求めるものだ。

{{1}}固定された分類体系に対して分類すること{{/1}} — {{2}}原理的には SingVL_S1_4B。その選択型とスコア型は分類体系に直接対応するが、生成モデルではそれを分類体系へと制約し直さなければならない。{{/2}}

• ページを読み取り、フィールドとその位置の両方を取得すること — WeVisOne-VL-4B は、検出と同じパスでローカリゼーションを行いながら OCR を実行します。

• 今月商用展開されたもの — WeVisOne-VL-4B、ライセンスだけを見ても。

そしてどちらにも属さない行：必要なのが画像に何が写っているかの文章による説明なら、どちらのモデルも適切なツールではありません。WeVisOneは構造化された知覚を返し、SingVL_S1_4Bは確率を返します。どちらも段落を書きません。

その比較が教えてくれるのは、モデルではなく市場についてだ

ここで興味深いのは、一方のモデルが優れているということではない。同じ四半期に、同程度の規模の2つのラボが40億〜50億パラメータの視覚モデルをリリースしながら、そのリリースをまったく異なる形で扱ったということだ。Tencentは論文、パラメータ数が明記されたデコーダーのチェックポイント、評価パイプライン、ライセンス、プロジェクトページを公開し、エコシステムは2週間以内に量子化モデルと統合を構築した。inclusionAIは重み、推論スクリプト、ベンチマーク表を公開したが、ライセンスが現れるまでエコシステムはそのいずれにも触れられない。

両方の戦略は正当です。{{1}}静かな公開であれば、ラボはローンチの物語なしでチェックポイントを世に出せますし、ここでのモデルカードは本当によく書けています — APIの例は実行でき、質問タイプは計算例付きで文書化され、設定には検証を可能にするハッシュが同梱されています。{{/1}} しかし{{2}}ライセンスのないチェックポイントは製品ではなくデモであり、その違いは、この比較が繰り返し立ち戻るまさにその点、つまり作者以外の誰かがそれを基に構築できるかどうかに現れます。{{/2}}

書類が届く前に意思決定パターンを試したいなら、そのパターン自体は呼び出し可能です。OrcaRouterはTypeSafe Jev 1.14を100万入力トークンあたり$0.042で提供し、単一キーで200以上のモデルを利用でき、プロバイダーの定価を0%のマークアップでそのまま通し、プロバイダー間の自動フェイルオーバーを備えています。Sing VL S1はOrcaRouterにはなく、どこにもホストされた提供環境がないため、これはそれについての可用性の主張ではありません — 自分のラベルで確率出力がマスクに勝るかどうかを、規約が空白のチェックポイントにGPUを使う前に知るための最も安価な方法です。

WeVisOne-VL-4Bは簡単にダウンロードできます。結局のところ、比較とはそういうことです。一方は実際に使えるモデルで、もう一方は読んで知るだけのモデルです。