WeVisOne-VL-2B 対 LFM2.5-VL-3B：スクリーンリーダーに挑むマスクメーカー

同じ写真と同じ文——「左にいる犬」——を両方のモデルに与えると、返ってくるものは二通りに分かれます。LFM2.5-VL-3B は位置を答え、尋ねれば説明も返します。ボックス、点、あるいは見つけたものについての短い文です。WeVisOne-VL-2B もボックスを返しますが、その後小さなデコーダーがそのボックスを、毛の周りにハローを出さずに新しい背景へ合成できる、柔らかい輪郭のアルファマットに変換します。一方のモデルはインターフェースを読み取って応答するために作られました。もう一方はピクセルを手渡すために作られました。

その違いが比較のすべてであり、どちらのベンダーが公表したどのベンチマーク表でもそれは揺るがない。両モデルが互いに比較評価されることがほとんどない理由も、これで説明がつく。Liquid AIのカードはWeVisOneに言及しておらず、Tencentの論文はLiquidに言及しておらず、両者を並べて実行した第三者もいない。以下では、各リリースが実際に記録に残した内容と、それらの数値のうち相互に並べて比較できるもの、できないものを示す。

2つのリリース、証拠の量は大きく異なる

LFM2.5-VL-3Bは、Liquid AIが2026年8月11日に公開しました。重みを先行公開し、翌日に発表を行った形で、数値ベンチマーク表、各行に名前付きベースライン、名前付きハードウェアで測定された速度セクションを備えて登場しました。これは31.2億パラメータの密モデルで、LFM2.5-2.6B言語バックボーンとSigLIP2 NaFlex 400M視覚エンコーダを組み合わせ、32,768トークンのコンテキスト、128,000トークンの語彙、16の名前付き言語を備えています。ライセンスはLiquid独自のLFM Open License v1.0で、無条件に無料というわけではなく、売上高しきい値を下回る商用利用は無料です。

WeVisOne-VL-2Bは2026年10月22日にTencentのWeChat Visionチームによって公開されたが、そのモデルカードにはベンチマーク表が一切含まれていない——スコアも、コンテキスト長も、スループットの数値も、ハードウェア要件もない。数値は存在するが、それは添付の論文の中にあり、著者らが30以上と表現するベンチマークにわたる7つのタスク表が報告されている。つまり、この2つのリリースは単に異なるモデルというだけでなく、異なる種類の文書なのである。Liquidは製品仕様書を公開した。Tencentは研究成果を公開し、仕様書はほぼ空白のままにした。

その非対称性は、このような比較を読むときに重要だ。Liquidの数値は自社のベースラインと照らして読まれるようにまとめられていた。Tencentの数値は学術的な表で勝つためにまとめられていた。どちらのベンダーも、もう一方のモデルを念頭に置いて数値を選んではいない。まさにそれが、数値が一致しない理由である。

比較可能に見えて実はそうでない数値

両モデルはRefCOCOスコアを公開しており、並べてみると一見きれいな見出しが出来上がる：LFM2.5-VL-3Bが87.9、WeVisOne-VL-2Bが79.7。その比較は無意味であり、なぜそうなのかを順を追って説明する価値がある。なぜなら、同じ過ちが今まさにスプレッドシートの中で起きているからだ。

• LiquidはRefCOCOのprecision@1を分割全体で平均して報告しています。これは検出統計量です。つまり、最上位にランク付けされた予測ボックスが、正解とみなされるのに十分なほど正解ボックスと重なっていたかどうかです。

• Tencentの79.7はセグメンテーションの表に基づいており、論文はそこでのRefCOCOファミリーの数値が累積IoU——評価セット全体にわたる総交差÷総和集合——であると明言している。

• Tencentの参照検出テーブルはRefCOCOをまったく報告していません。報告しているのはRefCOCOgで、そこでは2Bが平均F1 77.1を記録しています。

つまり、{{1}}87.9{{/1}}と{{2}}79.7{{/2}}は、2つの異なるタスクにまたがる3つの異なるものを測っています。ターゲットとほとんど重ならないボックスでも、{{3}}precision@1{{/3}}では高いスコアを出せても{{4}}cIoU{{/4}}では低いスコアになることがあります。大きなオブジェクトをうまく覆うマスクは、{{5}}cIoU{{/5}}で高いスコアを出せても、そのバウンディングボックスは雑になることがあります。それらを整合させる算術は存在しません。

同じ罠はOCRにも潜んでいる。LiquidはOCRBench v1で84.2、OCRBench v2 Englishで47.5を公表している——文字起こしベンチマークだ。TencentはOCRをローカライゼーションF1としてIoU閾値0.5で公表している。SROIEで62.1、ICDAR2015で42.6、TotalTextで42.5、HierTextで30.5だ。これらはモデルがテキストを見つけてバウンディングボックスで囲めたかどうかを測るもので、正しく読めたかどうかではない。「84.2対62.1」と引用するのは、読解テストとポインティングテストを比較することになる。

実際のところ、公平な比較とは何か

スコアを取り除けば、2つのモデルはハーネスを必要としない次元に沿って並ぶ：

• サイズ — LFM2.5-VL-3B の約3.12Bのdenseパラメータに対し、WeVisOne-VL-2B は約2B。さらに、dense出力には必須で、別途ダウンロードが必要な9.5Mパラメータのデコーダーがあります。

• ベース — Liquid 独自の LFM2.5-2.6B ハイブリッドバックボーン 対 Qwen3-VL。

• コンテキスト — カード上で公開されている32,768トークンに対し、公開されているコンテキスト長は一切なし。WeVisOne論文のトレーニング段階は4,096および8,192トークンで実行され、推論では各画像を1,960の視覚トークンに上限設定しているが、いずれもデプロイ時のウィンドウではない。

• 出力タイプ — ボックス、ポイント、テキスト 対 ボックス、ポイント、バイナリマスク、連続アルファマット

• 推論 — LFM2.5-VL-3B は意図的に非推論で、レイテンシを低く抑えるために直接回答します。WeVisOne も非推論ですが、理由は異なり、推論効率のために連鎖的思考なしで構造化出力を生成します。どちらのモデルも回答前に「考え」ませんし、どちらのベンダーもそうであるふりをしていません。

• ツール呼び出し — LFM ではサポートおよびベンチマーク済み（ToolSandbox 59.5、BFCL v4 32.5）であるのに対し、WeVisOne では明示された機能ではありません。

• 言語 — LFMカードでは16言語が明記されているのに対し、WeVisOneカードでは記載なし。

• ライセンス — LFM Open License v1.0（収益閾値あり）に対し、Tencent が著作したコードは Apache 2.0。

• 量子化ビルド — Liquid が提供する GGUF、ONNX、MLX のエクスポートに対し、Tencent は何も発表していない。

• 独立した評価 — 本稿執筆時点で、どちらのモデルも Artificial Analysis にエントリーはありません。両ベンダーによる本記事内のすべての数値は、ベンダーによる自己申告です。

デプロイメントの格差はパラメータの格差よりも大きい

LFM2.5-VL-3Bはスマートフォン上で動作するよう設計されており、そのカードは数字でそれを証明しています。メモリ使用量は3.3GB未満、Galaxy S26 Ultraで毎秒20トークン、Apple M5 Maxで毎秒228トークン、AMD Ryzen AI Max+ 395で116トークン、単一のH100では高い並行性のもとで約11,000出力トークン/秒です。コンシューマー向けランタイムが実際に読み込める形式で提供されます。

WeVisOne-VL-2Bはそのいずれも公表していない。公表している内容は、別のコスト負担を示唆している。デコーダの最終段はストライド1のフル解像度アルファマットを生成する。つまり、密な出力は固定長ベクトルではなく入力画像と同じサイズであり、そのコストはパラメータ数ではなく解像度に応じて増大する。現代のGPU上で2Bモデルを動かすなら、これは扱える範囲だ。スマートフォンでは明らかに扱いやすいとは言えず、Tencentもそう主張してはいない。

実用上の結論として、これら2つのモデルは同じデプロイ枠を巡って競合することはありません。一方はアプリ内に同梱して提供できるコンポーネントです。もう一方は、マスキングが必要な他のものと並べて、サーバー上またはワークステーション上で実行するコンポーネントです。

出力タイプで選ぶのであって、スコアで選ぶのではない

仕事が画面を読むこと——チェックアウトフローを解析する、`Continue` と表示されたボタンを見つける、撮影した書類から表を抽出する——であれば、LFM2.5-VL-3B は明らかな候補だ。ScreenSpot-v2 は 80.7、DocVQA は 91.1、ChartQA は 81.3 で、ToolSandbox のスコアは、単に描写するだけでなく見たものに基づいて行動できることを示唆している。また、Liquid が名指しした兄弟モデルに対して公開している 28 ベンチマーク平均 69.4 は、少なくともベンダーが自社の周辺をどう見ているかを教えてくれる。

オブジェクトを切り出す作業、つまり商品の切り抜き、複雑な背景にいる人物、後れ毛や透明なエッジがある前景の切り出しが求められる場合、LFM2.5-VL-3B はそのような出力を生成せず、プロンプトをどれだけ工夫しても生成させることはできません。WeVisOne-VL-2B は生成でき、マッティングの表での差は大きく、P3M-500-NP では SAM2-Matting の 15.4 に対して平均絶対差 6.6、言語プロンプト付き WeRefMat 分割では Qwen3-VL-8B と SAM2 のパイプラインの 23.0 に対して 15.8 です。

WeVisOne が注目に値する主張をしているケースがもう一つある。それは「不在」だ。Tencent は、画像内に対象が存在しないクエリについて RefCOCOg 上で 50.2 の棄却率を報告しており、同じ表で 2 つの特化型グラウンディングモデルは 0.5 と 0.6 だった。パイプラインが数千のクロップを処理し、その大半に関心のあるものが何も含まれていないなら、「そこにない」と確実に言えるモデルは下流の分類器を節約できる。LFM2.5-VL-3B のカードには比較可能な棄却率の数値が報告されていないため、並べて置けるものは何もない——これは証拠の欠落であって、損失ではない。

これらのどれも、一方を選んで他方を引退させる理由にはならず、ルーターがどこで適するのかについては正直に話す価値があります。OrcaRouter はどちらのモデルも提供していません。どちらも当社のカタログにはなく、特に WeVisOne に関して、当社が確認できる場所でホストされているものでもありません。当社が提供するのは、その周辺のスタックです。パイプラインが読み取り側にホスト型ビジョンモデルを、マスキング側にセルフホスト型モデルを使う場合、ホスト型の呼び出しはプロバイダーの定価でマークアップなしの1つのAPIキーを通じて行われ、あるプロバイダーが劣化するとフェイルオーバーが別のプロバイダーへそれらを移動し、ルーティングDSLを使えば両方の部分を単一のエンドポイントの背後に置けるため、アプリケーションはどちらが応答したかを知ることはありません。

実際にそれを決着させるのは何だろうか

どちらのベンダーにも属さない人物が、同じ画像に対して単一の独立したハーネスを実行し、両モデルについて検出統計とセグメンテーション統計の両方を報告する——そんな例は存在しない。それが実現するまでは、擁護できる立場は地味なものだ。これらのモデルは異なる問いに答えており、公表されている数値は異なる計測器で測られており、どちらを選ぶかは、下流のコードが何を受け取ることを想定しているか——文か、マスクか——で決まる。

この比較から一つだけ持ち帰るなら、証拠の形を持ち帰ってほしい。Liquid AI は反証可能な表を示した。Tencent は読むことのできる論文と、そのモデルがやらないことを率直に示すカードを示した。どちらも、相手と比較できる数値を示してはいない。その注意書きなしに 87.9 を 79.7 の隣に並べる記事は、存在しないランキングをあなたに売りつけているのだ。