LFM3-VL-2B vs WeVisOne-VL-4B: 2.5배 많은 파라미터가 실제로 무엇을 얻어내는가

텐센트 자체의 벤치마크 표는 당연해 보이는 구매에 반대하는 근거를 제시한다. WeVisOne-VL-4B는 2026년 10월 22일 WeChat Vision 팀이 공개한 두 지각 모델 중 더 큰 모델인데, 박스 프롬프트 기반 알파 매팅에서 자사의 2B 형제 모델보다 성능이 더 나쁘다. P3M-500-NP에서 평균 절대 차이는 7.3으로, 2B 모델의 6.6보다 높으며 여기서는 낮을수록 좋다. 하지만 대부분의 구매자가 실제로 이 모델과 비교하게 될 모델은 형제 모델이 아니라 LFM3-VL-2B — Liquid AI의 1.92B 온디바이스 비전 모델로, 가중치는 10월 19일에 공개되었고 10월 27일 LFM3 패밀리의 나머지와 함께 발표되었다.

그 둘을 나란히 놓고 보면, 흥미로운 질문은 어느 쪽이 더 똑똑한가가 아니다. 그것은 2.5배의 파라미터가 무엇을 얻어 주는지, 그리고 그 대가는 무엇인지다. 공급업체 자체 표에서 나온 짧은 답은 이렇다. 그것은 고밀도 검출, 지시 표현 정확도, 그리고 객체가 없을 때 답변을 거부하는 비율의 훨씬 큰 향상을 얻어 준다. 그것은 범용 모델을 얻어 주지 않고, 비디오를 얻어 주지 않으며, 휴대폰에 올릴 수 있는 모델을 얻어 주지도 않는다. 아래의 모든 내용은 이음새를 드러낸 채 공개된 두 표에서 나온 것이다 — 어떤 독립 하네스도 두 모델 중 어느 쪽의 수치도 재현하지 못했다.

각각이 실제로 무엇인지

LFM3-VL-2B는 1.92B의 dense 파라미터를 갖춘 모델입니다. 1.73B 언어 백본, 164M의 자체 개발 비전 인코더, 25M의 프로젝터로 구성됩니다. 백본은 Liquid의 트라이-하이브리드 스택으로, 24개 레이어가 13개의 게이트된 짧은 컨볼루션, 256토큰 윈도의 슬라이딩 윈도 어텐션 5개 레이어, 6개의 전역 어텐션 레이어로 나뉩니다. 텍스트, 이미지, 비디오를 원본 해상도로 입력받고, 비디오는 초당 2프레임으로 샘플링하며, 128K 토큰 컨텍스트를 수용하고, 16개 언어를 지원하며, 답변 전에 추론 과정을 생성하는 선택적 사고 모드를 갖추고 있습니다. 출력은 산문입니다.

WeVisOne-VL-4B는 Qwen3-VL 백본을 기반으로 구축되었고 이름은 4B이지만, Hugging Face 메타데이터는 이를 5B로 반올림하며 타사 글에서는 실제 수치를 약 4.83B로 제시합니다. 이 모델은 산문으로 답하기보다 기하학을 출력합니다. 즉, 0에서 1000까지의 정규화된 좌표 토큰으로서의 상자와 점, 각 예측 상자 뒤의 OBJ 마커(토큰 ID 152678), 그리고 대상이 없을 때는 리터럴 문자열 None입니다. 마스크와 알파 매트에는 두 번째 아티팩트인 mask_decoder.pt가 필요합니다. 이는 9.6M 파라미터의 픽셀 디코더로, 각 OBJ 토큰의 은닉 상태와 예측 상자를 입력받아 스트라이드 1에서 전체 해상도 알파를 반환합니다. 단일 턴이며 이미지 전용이고, 사고 연쇄 없이 구조화된 출력을 직접 생성합니다.

한 번에 보는 대비:

• 크기 — LFM3-VL-2B 1.92B 덴스 대 WeVisOne-VL-4B 약 4.83B, 그리고 마스크에 필수적인 9.6M 디코더가 추가로 포함됩니다

• 입력 — 2 fps의 텍스트, 이미지 및 동영상 대 텍스트와 단일 이미지

• 출력 — 산문과 사고 과정 대 좌표 토큰, 박스, 마스크, 매트, 또는 명시적 None

• 컨텍스트 — 128K 토큰 vs 카드에 공개된 추론 한도 없음; 논문에서는 4,096 및 8,192 토큰에서의 학습을 설명합니다

• 언어 지원 범위 — 16개 언어 명시됨 vs 명시되지 않음

• 라이선스 — LFM Open License v1.0, 연 매출 $10M 미만은 상업적 사용 무료 vs Tencent가 작성한 코드에는 Apache 2.0

• 런타임 — GGUF/llama.cpp, MLX 4비트, ONNX 및 Transformers, vLLM 또는 SGLang을 통한 BF16 대 BF16

업그레이드는 고르지 않으며, 논문은 어디가 그런지 보여준다.

WeVisOne-VL-2B와 WeVisOne-VL-4B는 동일한 아키텍처를 두 가지 규모로 구현한 모델로, 대략 1억 장의 동일한 이미지를 동일한 3단계 커리큘럼을 통해 학습했고 동일한 표에서 평가되었습니다. 따라서 이 형제 모델 간 비교는 추가 파라미터가 어떤 역할을 하는지에 관해 이용 가능한 가장 명확한 증거가 되며, 그 효과는 한 방향으로만 나타나지 않습니다.

Tencent의 수치로 볼 때 4B가 분명히 우세한 지점은:

• Dense200 탐지 — 평균 F1 71.3 vs 61.4, 가장 큰 단일 개선폭

• LVIS — 55.3 vs 53.3, 2포인트의 소폭 개선

• RefCOCOg 참조 검출 — 테스트 81.8 대 78.2

• RefCOCO 참조 분할 — testA에서 cIoU 84.5 대 82.9

• ReasonSeg — val에서 71.2 cIoU 대 60.9, reasoning segmentation에서 10포인트 상승

• PointBench 포인팅 — 71.9 vs 62.9

• WeRefMat referring matting — referring 분할에서 평균 절대 차이 9.8 대 15.8, 38% 오류 감소

그렇지 않은 경우:

• P3M-500-NP 박스 매팅 — 7.3 vs 2B의 6.6, 더 나쁨

• PPM-100 박스 매팅 — 6.1 vs 5.3, 더 나쁨

• Ref-ZOM cIoU — 테스트 72.2 vs 73.4, 2B가 다시 앞섰다

원인이 공개되지 않았더라도 패턴은 읽힌다. 4B는 어렵고 언어 조건이 필요한 작업 — 지시 분할, 추론 분할, 실제 장면에서의 지시 매팅 — 에서 앞서고, 두 모델 모두 이미 천장에 가까워 9.6M 디코더가 대부분의 작업을 하고 있을 수 있는 더 쉬운 박스 프롬프트 매팅 세트에서는 아무런 이점도 돌려주지 않는다. 세 개의 박스 프롬프트 매팅 벤치마크 중 두 개는 잘못된 방향으로 움직인다. 제공된 박스에 대한 알파 매팅이 유일한 작업이라면 4B는 업그레이드가 아니다. 그것은 같은 답을 얻는 더 비싼 방법이며, 약간 더 나쁘다.

없는 개체: 더 나아졌지만 아직 해결되지 않음

논문에서 가장 유용한 항목은 거의 어떤 비전 모델 카드도 공개하지 않는 것이다. RefCOCOg-Rej는 모든 표현이 이미지에 일치하는 객체가 존재하지 않도록 수정된 변형이다. ‘없다’라고 말할 수 없는 모델은 상자를 만들어낼 것이고, 모든 다운스트림 크롭, 카운트, 마스크는 그 날조를 물려받는다.

WeVisOne-VL-4B는 67.4%의 경우 올바르게 거부하며, 2B 모델은 50.2%입니다. 이는 실질적이고 큰 개선입니다. 17포인트 향상으로 파이프라인의 실패 양상이 동전 던지기에서 세 번 중 두 번으로 바뀌는 것입니다. 또한 이는 4B가 객체가 없는 질의 세 건 중 약 한 건에서는 여전히 확신에 찬 박스를 반환한다는 뜻이기도 합니다. 텐센트 자체 내부 WeRef-Bench에서는 거부율이 96.4%로 나타나지만, 이 벤치마크는 연구소가 직접 구축한 2,880개의 영어 및 중국어 질의로 구성되어 있어 공개 데이터셋보다 더 우호적인 분포를 측정합니다. 솔직히 요약하면, 이 모델은 쓸 만한 유보 동작을 갖추고 있지만 문제를 해결한 것은 아닙니다. 애플리케이션이 환각된 영역을 용납할 수 없다면, 어떤 모델을 선택하든 그 위에 임계값이나 추가 검증이 필요합니다.

비교 가능해 보이지만 실제로는 그렇지 않은 숫자

LFM3-VL-2B의 90.5 RefCOCO-avg를 WeVisOne-VL-4B의 81.8 RefCOCOg 옆에 놓고 더 작은 모델이 8.7점 앞선다고 선언하고 싶은 유혹이 든다. 그렇게 하지 마라. 이들은 서로 다른 split이고 서로 다른 지표다: Liquid는 RefCOCO 계열 전반의 평균을 보고하고, Tencent는 referring detection을 위한 RefCOCOg test F1을 보고한다. 이 둘을 빼면 지시 대상이 없는 숫자가 나온다.

OCR에도 같은 함정이 도사리고 있습니다. LFM3-VL-2B는 텍스트 인식, 스포팅, 추론을 종합한 OCRBench v1에서 86.3점을 기록하고, WeVisOne-VL-4B는 장면 텍스트 위치 파악 벤치마크인 TotalText에서 평균 F1 52.0을 기록합니다. 하나는 폭넓은 시험이고, 다른 하나는 밀집 예측 작업입니다. 이들은 같은 능력을 두 번 측정한 것이 아닙니다.

따라서 두 벤더 표는 동일 기준의 단일 수치에서 서로 맞물리지 않습니다. 정직하게 비교할 수 있는 것은 기능과 비용이며, 그래서 이 비교의 나머지는 순위가 아니라 적합성에 관한 것입니다. 이 두 표에서 승자를 내세우는 사람은 없는 승자를 만들어내는 것입니다.

기억이 진짜 대가다

{{1}}2026년 10월 28일 현재 두 모델 모두 공개된 토큰당 가격이 없습니다.{{/1}} Liquid의 카드는 콘솔을 통해 API 및 Playground 액세스를 연결하지만, {{2}}LFM3-VL-2B{{/2}}에 대해서는 요금표가 공개되지 않았습니다. Liquid 텍스트 모델 요금을 나열하는 타사 추적기는 비전 모델을 다루지 않습니다. Tencent에는 호스팅된 엔드포인트가 전혀 없습니다. 따라서 이 비교는 자체 호스팅 비교이며, 청구서는 메모리로 표시됩니다.

• LFM3-VL-2B — 매개변수 수로부터 산술적으로 계산한 BF16 기준 약 3.84 GB이며, 4비트 MLX, GGUF, ONNX 빌드도 함께 공개되었습니다

• WeVisOne-VL-4B — 제3자 추정 기준 BF16에서 약 9.7GB, F32에서는 약 19GB이며, 여기에 필수 mask_decoder.pt도 포함됩니다

그 2.5× 격차는 단순히 더 큰 GPU가 아닙니다. 그것은 전혀 다른 등급의 기기입니다. LFM3-VL-2B 카드는 이 모델이 온디바이스 작업—비디오, 문서, 차트, 앱 화면에 관한 질문, 객체 찾기, 로봇을 위한 공간 추론—을 위해 만들어졌음을 분명히 밝히고 있으며, MLX 4비트 및 GGUF 빌드는 바로 그 약속을 지키는 방식입니다: 노트북, 휴대폰, 로봇 섀시. WeVisOne-VL-4B의 문서화된 경로는 BF16 기반의 Transformers, vLLM, SGLang이며, 공식 양자화 빌드도 온디바이스 런타임도 없습니다. 이 모델은 서버 GPU를 원합니다.

프레임워크 지원 여부는 표보다는 자신의 경로를 기준으로 확인해 볼 가치가 있습니다. 2fps 영상은 LFM3-VL-2B의 모델 기능이지만, 특정 런타임이 비디오 그리드를 받아들이는지는 별개의 문제이며, 모델 카드와 포트, 업스트림 PR이 이 점에서 항상 일치하지는 않았습니다. 출시하려는 정확한 조합을 테스트하세요.

OrcaRouter는 두 모델 중 어느 것도 호스팅하지 않습니다. 이는 2026년 10월 28일 카탈로그와 대조해 확인한 사실이며 가정한 것이 아닙니다 — Liquid의 LFM3 라인도 Tencent의 WeVisOne도 모델 목록에 나타나지 않으므로, 여기 어떤 내용도 둘 중 어느 쪽으로 가는 경로로 해석되어서는 안 됩니다. 그런데 OrcaRouter 모델 카탈로그에 실제로 포함된 것은 Qwen3-VL-8B이며, instruct 및 thinking 변형으로 제공됩니다. 이는 실제 요구 사항이 오늘 공개된 가격이 있는 호스팅 비전 모델이고 자체 호스팅 체크포인트가 아니라면 실용적인 선택입니다. 하나의 키로 제공업체 정가에 마크업 없이 이 모든 것에 접근할 수 있으며, 아직 검증되지 않은 오픈 웨이트 모델을 대상으로 프로토타이핑 중이라면 페일오버가 있는 라우터를 통해 실행하는 것이 아직 독립적인 평가를 받지 못한 체크포인트에 프로덕션 경로를 연결하는 것보다 낫습니다.

어느 걸 고를까?

• 산출물이 정지 이미지 위의 기하학적 정보 — 마스크, 알파 매트, 조밀 박스, 개수, 포인팅 — 이고, 쿼리가 박스 프롬프트가 아닌 언어 조건이며, 사용할 GPU가 남아 있을 때는 WeVisOne-VL-4B를 선택하세요

• 일반 장면에서 박스 프롬프트 기반 매팅 작업이라면 4B 대신 WeVisOne-VL-2B를 선택하세요. 공개된 수치상 더 작은 모델이 이 작업을 더 잘하며 메모리도 절반 이하로 소모합니다.

• 입력에 동영상이 포함된 경우, 문서가 긴 경우, 답변이 다각형이 아니라 문장이어야 하는 경우, 또는 장치가 서버가 아닌 경우에는 LFM3-VL-2B를 선택하세요.

• 이번 주에 토큰당 가격이 공개된 호스팅 엔드포인트가 필요하다면 둘 다 선택하지 마세요 — 어느 공급업체도 이를 제공하지 않으며, 아무리 벤치마킹해도 그 격차는 메워지지 않습니다

• 두 출력 스키마와 두 통합 경로를 모두 받아들일 때만 둘 다 선택하세요; 공유된 “약 2B~5B” 매개변수 범위는 서로 다른 두 제품을 가리고 있습니다.

무엇이 이것을 바꿀까요?

세 가지입니다. 두 모델을 동일한 이미지와 동일한 프롬프트로 실행하는 독립적인 하네스 — 그때까지 위의 모든 내용은 벤더 표를 주의 깊게 읽은 것일 뿐이며, 부주의하게 읽은 벤더 표보다는 낫지만 품질의 증거는 아닙니다. 양자화된 WeVisOne 빌드 또는 온디바이스 런타임 — 이는 메모리 논쟁을 결정적인 것에서 협상 가능한 것으로 바꿀 것입니다. 그리고 어느 쪽이든 공개된 토큰당 가격 — 이는 기가바이트에 관한 산술을 예산을 세울 수 있는 숫자로 대체할 것입니다.

세 가지 중 가장 가능성이 낮은 것이 바로 이 특정 조합에서 가장 중요할 수 있는 항목입니다: WeVisOne의 픽셀 디코더에서의 비디오 지원입니다. 현재 2B 범용 모델은 비디오를 처리하지만 4B 계측 모델은 처리하지 못하며, 학습된 적 없는 모달리티는 파라미터 수로 해결할 수 없습니다.