LFM3-VL-2B vs WeVisOne-VL-2B: 사흘 간격, 상반된 베팅

LFM3-VL-2B는 2026년 10월 19일에 Hugging Face에 등장했습니다. WeVisOne-VL-2B는 10월 22일에 등장했습니다. 두 모델 모두 약 20억 개의 파라미터 규모이고, 둘 다 오픈 웨이트이며, 둘 다 유명 연구소에서 나왔고, 서로 72시간 이내에 공개되었습니다. 이 두 모델이 거의 대체재일 것이라고 기대하게 됩니다. 하지만 이들은 "비전"이 무엇을 의미하는지에 대한 정반대의 베팅에 더 가깝습니다. 하나는 보이는 것에 관한 질문에 답하고, 다른 하나는 보이는 것의 정확한 형태를 반환합니다.

그 차이는 스펙 시트에서는 놓치기 쉽습니다. 두 카드 모두 박스와 OCR을 명시하고 있기 때문입니다. 차이는 출력 형식과 학습 목표에 있으며, 이는 두 모델 중 하나를 파싱 계층 없이 파이프라인에 넣을 수 있는지를 결정합니다. 또한 범용 모델이 더 좋아진 뒤에도 어느 쪽이 존재할 이유가 있는지를 결정합니다.

보기의 두 가지 정의

LFM3-VL-2B는 Liquid AI의 범용 모델입니다. 텍스트, 이미지, 동영상을 2 fps로 입력받고 텍스트를 출력하며, 단계별 사고를 지원하고 128K 컨텍스트를 갖추며 16개 언어를 지원합니다. 아키텍처는 1.92B 규모의 덴스 모델로, 1.73B 언어 백본, 164M 자체 비전 인코더, 25M 프로젝터로 구성되며 BF16, GGUF, MLX 4비트, ONNX 빌드가 공개되어 있습니다. Liquid의 패밀리 게시물은 이 모델을 "관찰하고 추론하며 물리적 세계를 이해"할 수 있는 모델로 규정하며, 비디오 경로는 이 패밀리에서 정말로 새로운 부분입니다.

WeVisOne-VL-2B는 Tencent의 WeChat Vision 모델입니다. 약 2.4B 파라미터의 Qwen3-VL 백본을 기반으로 Apache 2.0 하에 구축되었으며, 그 목적은 통합 인식입니다: 개방형 어휘 탐지, 지시 대상 지역화, 계수, 포인팅, OCR 지역화, 지시 대상 분할 및 프롬프트 가능한 알파 매팅. 전용 토큰을 통해 정규화된 좌표를 반환하고, 별도의 9.6M 파라미터 픽셀 디코더를 통해 마스크를 반환하며, 이 디코더는 언어 모델과 함께 로드해야 합니다.

한 모델은 읽는 주체이고, 다른 모델은 측정 도구다. 두 모델의 벤치마크 표에서 겹치는 부분은 실제로 존재하지만, 그것은 같은 장면을 측정하는 서로 다른 두 제품이 겹치는 부분일 뿐이다.

출력 형식이 곧 제품입니다.

WeVisOne-VL-2B는 좌표를 <0>부터 <1000>까지의 토큰으로 인코딩하고, 각 인스턴스를 <OBJ> 토큰으로 표시하며, 요청된 대상이 없을 때는 None을 반환합니다. 마지막 세부 사항은 실무자들이 주목하는 부분입니다: 카드는 RefCOCOg에서 50.2의 거부율을 보고하며, 이는 Rex-Omni와 LocateAnything의 약 0.5와 대조됩니다. 이 모델은 상자를 환각하기보다 "not here"라고 말하도록 훈련되었습니다.

픽셀 디코더는 선택 사항이 아닙니다. 세그멘테이션과 알파 매팅에는 객체 토큰으로 트리거되는 9.6M 매개변수 모듈인 mask_decoder.pt가 필요합니다. 언어 모델만 로드하면 좌표는 얻지만 마스크는 얻지 못합니다. GitHub 저장소에는 이 둘을 연결하는 추론 패키지가 포함되어 있으며, 모델은 설계상 단일 턴 및 이미지 전용입니다 — 픽셀 디코더는 비디오 그리드를 거부합니다.

{{1}}LFM3-VL-2B{{/1}}에는 이에 상응하는 계약이 없습니다. 영역을 설명하고, 객체 수를 세고, 장면에 대해 산문으로 추론합니다. 그리고 그라운딩 행(RefCOCO-avg 90.5)은 위치 추정에 능숙함을 시사합니다. 그러나 출력은 텍스트입니다. 마스크가 필요한 파이프라인에서 90.5와 파싱 가능한 폴리곤의 차이는 데모와 제품의 차이입니다.

뺄 수 없는 기준 숫자

두 카드 모두 RefCOCO 계열 결과를 보고하지만, 이는 동일한 측정값이 아닙니다. LFM3-VL-2B는 RefCOCO-avg 90.5를 보고하며, 이는 referring-expression 분할들의 평균입니다. WeVisOne-VL-2B는 referring detection에 대해 RefCOCOg 77.1 mean F1을, referring segmentation에 대해 RefCOCO testA 82.9 cIoU를 보고합니다. RefCOCOg는 더 길고 더 대화체에 가까운 표현들로 구성된 다른 분할이며, cIoU는 F1과 다른 지표입니다.

90.5에서 77.1을 빼면 아무 의미 없는 숫자가 나온다. 정직하게 해석하면 두 모델 모두 자체 평가 하네스에서 참조 기반 위치 지정 성능이 강하지만, 어느 하네스도 독립적으로 재현된 적이 없고, 지표 정의가 충분히 달라 순위는 아직 결론이 나지 않았다는 것이다. 같은 주의가 OCR에도 적용된다. LFM3-VL-2B는 OCRBench v1 86.3을 보고하지만, WeVisOne-VL-2B는 OCR HierText 30.5를 보고하는데, 이는 더 어려운 데이터셋에서 수행된 다른 벤치마크다.

비교가 공정하게 이루어지는 경우, 그것은 전문 모델의 자체 영역에서 전문 모델에 유리하게 작용한다: WeVisOne-VL-2B는 COCO 탐지 F1 55.2, LVIS 53.3, Dense200 61.4를 보고하는 반면, 탐지 F1을 아예 공개하지 않는 모델과 비교된다. 그것은 부전승이 아니다. 그것은 범용 모델이 그런 방식으로 평가받도록 훈련되지 않았다는 점을 상기시켜 준다.

무광이 곧 해자다

프롬프트 기반 알파 매팅은 LFM3-VL-2B도, 동급 크기 모델 대부분도 제공하지 않는 기능입니다. WeVisOne-VL-2B는 부드러운 경계의 매트—머리카락, 유리, 털 주변의 반투명 경계로, 이진 분할 마스크에서는 딱딱한 절단면이 되는 부분—에서 P3M-500-NP 기준 평균 절대 차이 6.6을 보고합니다. 카드는 한계도 솔직히 밝힙니다: 미세한 알파 경계는 가림, 낮은 해상도, 투명도에서 품질이 저하됩니다. 하지만 제품 누끼, 합성, 배경 교체에서는 매트가 파이프라인이 실제로 필요로 하는 출력입니다.

이것이 해당 모델의 존재에 대한 가장 강력한 논거입니다. 2B 범용 모델은 이미지를 설명할 수 있지만, 소프트 알파 채널을 제공할 수는 없습니다. Tencent가 픽셀 디코더를 중심으로 소형 모델을 구축한 이유는 그러한 출력을 대형 범용 모델에서 얻는 것이 비용이 많이 들기 때문이며, 4B 형제 모델은 동일한 작업에서 더 높은 정확도가 필요한 팀을 위해 존재합니다.

비디오와 사고는 또 다른 해자입니다

LFM3-VL-2B의 차별점은 반대 방향에 있습니다. 2fps로 비디오를 입력받고 자막 없이 Video-MME 62.8, MVBench 69.4, MMMB 85.2를 보고합니다. WeVisOne-VL-2B는 단일 턴 및 이미지 전용이며, 픽셀 디코더가 비디오 그리드를 거부합니다. 입력이 클립이라면 벤치마크 표가 시작되기도 전에 비교는 끝난 것입니다.

사고 모드는 두 번째 격차를 추가합니다. LFM3-VL-2B는 사고 모드를 사용할 때 MathVista 84.2, 사용하지 않을 때 68.5를 보고하며, MMMU는 55.7 대 48.6입니다. WeVisOne-VL-2B는 효율성을 위해 설계상 사고의 연쇄(chain-of-thought)가 없습니다. 이는 인식 구성 요소로서는 정당한 엔지니어링 선택이지만, 차트에 대해 추론하기를 원하는 모델에게는 엄격한 한계입니다.

기억, 라이선스, 그리고 입장의 대가

• 파라미터 — LFM3-VL-2B 1.92B 덴스 vs WeVisOne-VL-2B 약 2.4B, 그리고 9.6M 픽셀 디코더.

• 메모리 — LFM3-VL-2B의 경우 산술적으로 약 3.84GB BF16이며 4비트 MLX 빌드가 있고, WeVisOne-VL-2B의 경우 F32 가중치가 약 9.1GB, BF16 기준 추정치가 약 4.9GB로, 카드가 아닌 타사 배포 노트에 따른 수치입니다.

• 입력 — 텍스트, 이미지 및 2fps 동영상 대 이미지와 텍스트만, 단일 턴.

• 출력 — 산문, 선택적으로 추론 대 텍스트, 정규화된 좌표, 마스크 및 알파 매트.

• 컨텍스트 — 128K 대 문서 규모의 창으로는 명시되지 않음; 픽셀 디코더가 제약 조건입니다.

• 라이선스 — LFM Open License v1.0은 연 매출 1,000만 달러 미만일 때 상업적 사용이 가능하며, Apache 2.0은 규모에 관계없이 사용할 수 있습니다.

• 게시됨 — 2026년 10월 19일 리포지토리, 10월 27일 가족 측 발표 vs 2026년 10월 22일 리포지토리.

라이선스 행은 일반적인 이야기와 반대다. Tencent의 모델은 허용적 라이선스가 적용된 쪽이고, Liquid의 모델은 매출 상한이 있는 쪽이다. 상용 인지 제품을 만드는 회사에게 Apache 2.0은 LFM 라이선스가 만들어내는 실사 항목 하나를 없애준다. 그렇다고 두 모델이 상호 교환 가능해지는 것은 아니지만, 더 작고 더 범용적인 모델이 더 큰 법적 제약을 안고 있다는 뜻이기는 하다.

두 모델 모두 호스팅 가격이 없습니다.

두 카드 모두 가중치를 공개하지만 토큰당 API 요금은 어느 쪽도 공개하지 않는다. Hugging Face에는 LFM3-VL-2B의 추론 제공자가 등록되어 있지 않고, WeVisOne-VL-2B의 카드에도 마찬가지로 호스팅 엔드포인트가 없으며, 다만 LiteRT, Core AI, GGUF, Android용 커뮤니티 포팅은 존재한다. 이것이 현재 2B 비전 계층의 모습이다. 가중치는 무료이고, 서빙은 직접 맡아야 하며, 실제 비용은 GPU와 통합 작업이다.

해당 티어를 소유하기보다 임대하는 편이 낫다면, OrcaRouter는 호스팅된 비전 모델—Qwen3-VL-8B 포함—을 하나의 API로 라우팅하며, 공급자 정가를 0% 마크업으로 그대로 전달하고, 인식 모델과 추론 모델이 패널처럼 답하게 하려면 모델 퓨전도 제공합니다. 우리는 이 비교에서 두 체크포인트 중 어느 것도 서비스하지 않으며, 여기 어떤 내용도 우리가 서비스한다는 것을 암시하지 않습니다. 관련 요점은 두 오픈 웨이트 모델 모두 엔드포인트와 함께 제공되지 않을 때 약간 더 큰 호스팅 모델을 임대하는 것이 합당한 세 번째 옵션이라는 것입니다.

선택하는 방법

• WeVisOne-VL-2B를 선택하세요 출력이 기하학 정보(박스, 마스크, 알파 매트, 개수 또는 "존재하지 않음" 신호)라면 선택하세요. Apache 2.0이 타협 불가이거나 컷아웃, 합성 또는 로봇 인식 파이프라인을 구축 중이라면 선택하세요.

• LFM3-VL-2B를 선택하세요 입력에 비디오가 포함되어 있거나, 차트나 양식 전반에 걸친 추론이 필요하거나, 도형을 측정하는 대신 일반적인 질문에 답할 하나의 작은 모델을 원하는 경우.

• 둘 다 선택하세요 단, 두 파이프라인을 운영할 준비가 되어 있을 때만 가능합니다. 둘은 매개변수 클래스를 공유할 뿐 그 외에는 거의 공유하는 것이 없으며, 그렇지 않은 척할 때의 통합 비용은 두 번째 모델의 비용보다 더 큽니다.

두 저장소 사이의 사흘 간격은 우연이다. 하지만 두 저장소가 반환하는 내용의 차이는 우연이 아니다. 두 연구실은 동일한 2B 예산을 보고서 서로 다른 결과물에 예산을 썼으며, 올바른 질문은 어느 쪽이 더 나은가가 아니라 다음 파이프라인 단계에서 실제로 소비할 수 있는 결과물이 어느 쪽인가이다.