WeVisOne-VL-4B 対 LFM2.5-VL-3B：マッティングの専門家とエッジのスピードスターの対決

Liquid AIはLFM2.5-VL-3Bの速度数値を公表しているが、TencentはWeVisOne-VL-4Bについて何も公表していない。どのベンチマークの行よりも、この非対称性こそがこの対決の本質だ。LFM2.5-VL-3Bは3.1Bパラメータのエッジモデルで、1パスで答えるように調整されている。Apple M5 Max上で毎秒228トークン、Galaxy S26 Ultra上で毎秒20トークン、メモリ3.3 GB未満、16言語。WeVisOne-VL-4Bは4.83Bパラメータの知覚モデルで、最大1,960個の視覚トークンと9.6Mパラメータのデコーダを使い、フル解像度のアルファマットを出力する。一方はスマートフォンのUI内に収まるほど高速になるよう作られ、もう一方はピクセルを出力するために作られている。両者が重なるのは「vision」という語の上だけで、ほぼそれ以外にはない。

だからこそ、この比較は慎重に行う価値がある。というのも、そのわかりやすいやり方——ベンチマークの表を並べて勝者を宣言する——は、具体的で示唆に富む形で間違っているからだ。

ベンチマークテーブルは互いに連携していません

両モデルは参照表現の数値を公表しており、どちらの数値も比較可能に見える。しかし、そうではない。LFM2.5-VL-3BはRefCOCO-avgのP@1として87.9を報告している。WeVisOne-VL-4BはRefCOCOg testのF1平均として81.8を報告している。データセット分割が異なり、指標が異なり、失敗モデルも異なる。P@1は最上位にランクされたボックスが正しいかどうかを問い、F1平均はIoU閾値0.5から0.95にわたって適合率と再現率を平均する。一方の指標で勝ち、もう一方で大差で負けても、どちらの結果も不思議ではない。

同じ罠が他のすべての行にも潜んでいます。LiquidのScreenSpot-v2における80.7はUI要素のグラウンディングを測定したものです。TencentにはScreenSpotの数値がありません。TencentのWeRef-Benchにおける96.4%の拒否率は、対象物が存在しない場合にモデルが回答を拒否するかどうかを測定したものです。Liquidは拒否指標を一切公表していません。どちらのベンダーも他方のモデルを評価していないため、どちらの表にも直接対決となる行はありません。

正直に言えるのは方向性の話までだ。LFM2.5-VL-3Bはそのサイズにしては強力な汎用モデルであり、Liquid自身の集計によれば28の視覚ベンチマークで平均69.4、Qwen3.5-4Bとの差は0.7ポイント以内に収まる。そしてScreenSpot-v2が前世代のほぼゼロから80.7へと跳ね上がったことは、その表の中で単一最大の改善幅である。WeVisOne-VL-4Bはその軸で競っているわけではない。その最も強い主張は、密な小物体検出、棄却判定、ピクセルレベルの出力にあり、LFM2.5-VL-3Bはいずれも試みていない。

各モデルが物理的に何であるか

• パラメータ — WeVisOne-VL-4B 4.83B dense（F32チェックポイント）vs LFM2.5-VL-3B 3.12B dense（BF16）

• 視覚経路 — Qwen3-VLバックボーン＋9.6Mピクセルデコーダー 対 LFM2.5-2.6Bハイブリッド畳み込み-アテンション型テキストベース＋SigLIP2 NaFlex 400Mエンコーダー

• メモリ — F32 の 4B チェックポイントではディスク上で約 19 GB なのに対し、3B では総フットプリントが 3.3 GB 未満

• コンテキスト — WeVisOne-VL-4B 対 LFM2.5-VL-3B の 32,768 トークンについて、公開された数値はありません

• 言語 — WeVisOne-VL-4B では明記されていないのに対し、LFM2.5-VL-3B では16言語。非ラテン文字体系向けに構築された128K語彙を備える

• 出力タイプ — ボックス、ポイント、マスク、アルファマット vs ボックスとテキストのみ

• ライセンス — Tencent が作成したコードに対する Apache 2.0 と LFM Open License v1.0 の比較

• 速度 — 未公表 vs M5 Maxで228 tok/s、Ryzen AI Max+ 395で116 tok/s、Galaxy S26 Ultraで20 tok/s

実際に決め手となる能力格差

LFM2.5-VL-3Bは、画像内で人物がどこにいるかを教えることができます。WeVisOne-VL-4Bは、人物がどこにいるかを教えるだけでなく、そのインスタンスのバイナリマスクを返し、さらに髪、毛皮、薄手の布地、モーションブラーといったソフトエッジを備えた連続アルファマットをフル解像度で返すことができます。これは品質の違いではなく、カテゴリーの違いです。あなたの製品で被写体を新しい背景にコンポジットする必要がある場合、商品写真を切り抜く必要がある場合、またはビデオ通話の背景置き換えを機能させる必要がある場合、LFM2.5-VL-3Bには提供できるものが何もなく、どれだけプロンプトエンジニアリングを駆使してもそれは変わりません。

逆方向から比較しても、同じことが起こります。製品がスマートフォン画面上のボタンを40ミリ秒で見つける必要があるなら、WeVisOne-VL-4Bはまったく的外れです。これは4.83Bモデルで、公開されたレイテンシ数値も、量子化されたエッジ向けビルドもなく、1ターンにつき1画像を前提とするデコーダを備えています。LiquidはGGUF、MLX、ONNX、ネイティブビルドを提供し、さらに32Kコンテキストとツール呼び出しのベンチマークもあります。Tencentは研究用推論パッケージとvLLM/SGLangによるサービングを提供しています。

拒絶は過小評価されているコラムだ

Tencentの表にある一つの能力は、マッティングに一切触れないとしても注目に値する。WeRef-Benchでは、WeVisOne-VL-4Bは画像に存在しないオブジェクトに関するクエリの96.4%を正しく拒否する。これは著者らが挙げる最良のベースラインの73.0%に対する数値だ。PR-Benchでは拒否率が52.6%なのに対し、Qwen3-VL-4Bは10.8%だ。モデルが返すのはNoneだ。ボックスをでっち上げることはない。ハルシネーションを起こす検出器は、検出器がないより悪い。失敗が表に出ず、下流のコードがそれを信用してしまうからだ。

LFM2.5-VL-3Bのドキュメントは拒否率の数値を報告していないため、比較対象が存在しない——それ自体が要点だ。証拠がないことは失敗ではないが、何かをクリックすべきかどうかを判断するエージェントを構築しているなら、測定された拒否率が存在することは、Tencentのモデルをまず検討する正当な理由になる。

ライセンスは静かな差別化要因である

ここが、商用で出荷する人にとって重要な形で両者が分かれる点です。WeVisOne-VL-4Bの重みは、Tencentが作成したコードについてはApache 2.0で、第三者コンポーネントはそれぞれ独自の条件を維持します。LFM2.5-VL-3BはLFM Open License v1.0の下で提供され、売上高が閾値未満なら商用利用は無料、それを超える場合は商用契約が必要です。小規模チームなら、その差は理論上のものです。そうでなければ、一方は法務レビュー、もう一方は依存関係ファイルの1行です。

どちらのライセンスも、ホステッドサービスを提供するものではありません。WeVisOne-VL-4B には API が一切ありません。LFM2.5-VL-3B は重みのリリースであり、サードパーティによるホスティングは別個の取り決めです。これをはっきり述べることは以前よりも重要です。なぜなら、エンドポイントを持たないモデルは、推論スタックを自ら所有するというコミットメントだからです。

OrcaRouterが適する場面と、適さない場面

現在、これらのモデルはいずれもOrcaRouterのカタログには含まれていないため、ここにそれらを呼び出す経路はありません。このプラットフォームが提供しているのは、その周辺の意思決定です。3BエッジVLMを評価しているチームの多くは、あるモデルを別のモデルに置き換えようとしているのではなく、すでに本番稼働している汎用モデルの隣に2つ目のモデルを追加しようとしています。そして、2つ目のベンダー契約、2つ目のキー、2つ目の障害モードにかかる運用コストが、モデルそのものが実験を頓挫させるより前に、実験を頓挫させるのが通常です。

両方のインテントを1つのエンドポイント経由でルーティングし、プロバイダー定価に対して0%のマークアップで、1つのキーの背後に200以上のモデルを配置することは、知覚モデルを統合プロジェクトではなくルーティング上の判断にできることを意味します。エッジモデルが利用できない場合、自動フェイルオーバーによってリクエストは503を返す代わりに別の場所へ送信されます。OrcaRouterがここで実際に解決するのはその部分です。重みとGPUは依然としてあなたのものです。

どちらを選ぶべきですか

レイテンシー重視でテキスト中心の作業、つまり画面理解、UIエージェント、レイアウト付き文書OCR、オンデバイス翻訳、ツール呼び出しなら、LFM2.5-VL-3Bを選んでください。同サイズのほぼあらゆるモデルより高速で、スマートフォンのメモリ予算内で動作し、Liquidはその主張を自分のワークロードに照らして妥当性確認できるだけの数値を公開しています。

ピクセル単位で終わる仕事なら、WeVisOne-VL-4Bを選んでください。セグメンテーション、マッティング、小さな物体の密な検出、あるいは「モデルがノーと言った」ことが信頼できる答えである必要があるあらゆるパイプラインです。ただし、自分がアーリーアダプターであることは受け入れてください。独立したベンチマークの実行結果は存在せず、ホスト型エンドポイントもなく、ファインチューニングのコードはまだTODOリスト上にあり、論文は2日前に出たばかりです。

絶対に避けるべきなのは、単一のベンチマークスコアで両者を選ぶことだ。誰も、同じデータ上で両者を互いに比較して測定したわけではない。