Molmo2-4B vs WeVisOne-VL-4B: 포인트, 마스크, 그리고 아무도 먼저 묻지 않는 질문

두 모델 모두에게 개를 찾아보라고 하면 각각 답이 나옵니다. Molmo2-4B는 좌표를 반환합니다. WeVisOne-VL-4B는 바운딩 박스를 반환하고, 매트를 요청하면 털까지 그대로 담긴 전체 해상도 알파 채널을 반환합니다. 이것들은 "그라운딩"이라는 같은 단어를 쓰는 세 가지 다른 결과물이며, 어떤 것이 필요한지가 어떤 벤치마크보다도 먼저 이 비교의 방향을 결정합니다. Molmo2-4B는 포인트 출력과 실제 비디오 경로를 갖춘 Allen Institute for AI의 4.85B 범용 비전-언어 모델입니다. WeVisOne-VL-4B는 Tencent의 WeChat Vision 팀이 만든 4.83B 지각 모델로, 탐지, 지시 대상 위치 추정, 계수, 포인팅, OCR, 지시 대상 분할, 프롬프트 기반 알파 매팅을 하나의 체크포인트와 9.6M 파라미터 픽셀 디코더 뒤에 통합합니다. 지각 파이프라인은 모델 하나에서 멈추는 경우가 거의 없습니다. 0% 마크업 가격 공급자의 정가가 그대로 전달되므로 공급업체의 가격 인하가 같은 날 바로 적용됩니다.

둘 다 새로운 것은 아니다. Molmo2-4B는 2025년 12월 11일에 발표되었고 가중치는 12월 14일에 공개되었다. WeVisOne-VL-4B의 저장소는 2026년 10월 22일에 arXiv 논문 2610.31329와 함께 등장했다. Molmo 쪽의 최근 변화는 모델이 아니라 인프라다: 네이티브 Transformers 지원이 10월 9일에 병합되어 10월 15일 v5.20.0에 포함되었고, Ai2는 11월 5일에 Molmo2-4B 로보틱스 파인튜닝을 게시했다. 원격 코드 없이 실행하기를 기다리고 있었다면 유용하다. 릴리스가 아니며, 이것을 출시라고 부를 이유도 아니다.

출력 계약이 결정의 전부다

• Molmo2-4B — 이미지 너비와 높이를 0–1000으로 나타낸 좌표 점으로, 공개된 정규식이 있는 태그로 감싸집니다. 비디오 모드에서는 각 점이 타임스탬프를 가지며, 다중 이미지 포인팅은 프레임 인덱스, x, y 트리플로 평탄화됩니다.

• WeVisOne-VL-4B — 박스, 포인트, 마스크 또는 알파 매트로, 작업 인자에 따라 선택됩니다. 밀집 작업은 각 박스 뒤에 인스턴스 토큰을 내보내고, 픽셀 디코더가 이를 마스크와 매트로 변환합니다.

• 지적은 두 결과물이 모두 산출하는 유일한 출력이며, 공정한 비교가 존재하는 유일한 지점이다.

• Molmo2-4B는 세그멘테이션 헤드가 없어 매트를 생성할 수 없습니다. WeVisOne-VL-4B는 비디오 경로가 없습니다: 자체 문서에 따르면 비디오 그리드는 픽셀 디코더에서 거부됩니다.

• Molmo2-4B는 단일 턴을 지원하지만 멀티 이미지 네이티브이며, WeVisOne-VL-4B는 단일 턴 이미지 인식을 목표로 하고 지연 시간을 위해 사고 연쇄를 명시적으로 생략한다.

그 네 번째 행에서 대부분의 논쟁이 끝납니다. 파이프라인에 알파 채널이 필요하다면 — 합성, 제품 누끼, 배경 교체, 머리카락 경계가 중요한 모든 작업 — Molmo2-4B는 후보가 아니며, 애초에 후보였던 적도 없습니다. 파이프라인이 비디오 384프레임 동안 객체를 추적해야 한다면, WeVisOne-VL-4B는 비교에 들어올 수 없습니다. 이 글의 나머지는 둘 다 그럴듯한 좁은 영역에 관한 것입니다.

둘 다 "4B"이지만 어느 쪽도 꼭 그렇지는 않다

• 매개변수 — Molmo2-4B는 4,850,869,200개, WeVisOne-VL-4B는 4,830,581,248개입니다. 서로 0.4% 이내 차이로, 이는 이 맞대결을 흥미롭게 만드는 우연입니다.

• 아키텍처 — Molmo2-4B의 경우 SigLIP 2 so400m에 Qwen3-4B-Instruct-2507을 결합; WeVisOne-VL-4B의 경우 Qwen3-VL 백본에 별도의 9.6M 파라미터 마스크 디코더를 결합.

• 다운로드 — Molmo2-4B용 float32 safetensors 19.42 GB(4개 샤드); WeVisOne-VL-4B용 필수 mask_decoder.pt를 포함한 bfloat16 가중치 약 9.7 GB.

• 맥락 — Molmo2-4B의 경우 36,864개 포지션; 262,144토큰 예산은 이미지당 최대 1,960개의 시각 토큰으로 평가하는 WeVisOne의 운영 제약이 아닙니다.

• 라이선스 — 둘 다 Apache 2.0이며, Molmo2-4B의 카드에는 학습 데이터가 학술 및 비상업적 연구 용도로만 사용될 수 있다고 추가로 명시되어 있습니다.

• 런타임 — Molmo2-4B의 경우 원격 코드를 사용하는 Transformers(v5.20.0부터는 네이티브)와 molmo_utils 및 decord2, WeVisOne-VL-4B의 경우 transformers 또는 vLLM 백엔드를 갖춘 Tencent 자체 추론 패키지.

다운로드 행이 실질적인 의외다. Molmo2-4B는 매개변수 수가 같은데도 디스크상 크기가 두 배인데, AI2는 float32로, Tencent는 bfloat16으로 배포했기 때문이다. 즉시 다운캐스트하는 19.42GB 다운로드는 배포된 그대로 서빙하는 9.7GB 다운로드와 같은 객체가 아니며, 단일 머신에서 다른 여러 모델 옆에 편안히 들어가는 것은 둘 중 하나뿐이다.

숫자는 어디에서 비롯되고, 어디에서 멈추는가

두 모델 모두 독립적인 스코어보드가 없으므로, 아래의 모든 내용은 벤더가 보고한 것입니다. 두 벤더는 거의 겹치지 않는 벤치마크 세트를 선택했는데, 바로 그 점 때문에 비교가 계속 잘못 이루어지는 것입니다.

WeVisOne-VL-4B, 기술 보고서 기준: Dense200 71.3, LVIS 55.3, RefCOCOg test 81.8, ReasonSeg val cIoU 71.2, PointBench 71.9, Ref-ZOM test cIoU 72.2, TotalText F1 52.0. 매팅에서는 P3M-500-NP 박스 프롬프트 MAD가 7.3이고 WeRefMat 텍스트 프롬프트 MAD가 9.8이며, 낮을수록 좋고 둘 다 논문이 비교하는 SAM2-Matting 베이스라인을 능가한다.

Molmo2-4B는 자사 카드 기준으로 15개 학술 벤치마크에서 평균 62.8을 기록했으며, 같은 제품군의 8B 모델인 63.1에는 뒤지고 Qwen3-VL-4B의 58.1, InternVL3.5-4B의 53.4, GLM-4.1V-9B의 56.9는 앞섰습니다. 같은 표에서 Gemini 3 Pro는 70.0, GPT-5는 70.6입니다.

그 행들 중 공유되는 행은 하나도 없습니다. 두 항목이 같은 평가에 함께 등장하는 유일한 벤치마크는 카운팅이며, 그마저도 수치는 서로 다른 프로토콜을 사용한 서로 다른 논문에서 나온 것입니다.

WeVisOne 자체 논문에서 나온 불편한 발견

WeVisOne의 표에서 가장 실행 가능한 점은 4B의 점수가 아니다. 그것은 4B가 때때로 자신의 2B 형제에게 뒤진다는 것이다.

• 4B에서 더 우수 — Dense200 71.3 vs 61.4, LVIS 55.3 vs 53.3, RefCOCOg 테스트 81.8 vs 78.2, ReasonSeg val cIoU 71.2 vs 60.9, PointBench 71.9 vs 62.9, WeRefMat MAD 9.8 vs 15.8.

• 4B에서 더 나쁨 — P3M-500-NP 박스 매팅 MAD 7.3 vs 6.6, PPM-100 6.1 vs 5.3, Ref-ZOM 테스트 cIoU 72.2 vs 73.4.

두 번째 글머리 기호를 두 번 읽어 보세요. 일반 장면의 박스 프롬프트 매팅에서는 추가된 2.8B 언어 모델이 얻는 것 없이 MAD 0.1포인트를 잃는다. 아마도 필수 9.6M 디코더가 고밀도 작업을 맡고 언어 모델은 무엇을 가리킬지만 고르기 때문일 것이다. 4B는 참조 분할, 밀집 계수, 혼잡 탐지 같은 어려운 언어 조건 작업에서 그 크기를 정당화하고, 쉬운 작업에서는 별 힘 없이 지나가거나 약간 성능이 떨어진다.

그러니까 "더 큰 WeVisOne을 선택하라"는 것이 안전한 기본값은 아니다. 체크포인트를 정하기 전에 과제부터 정하라.

아무도 벤치마킹하지 않는 오탐

두 모델 모두 존재하지 않는 것을 요청받을 수 있다. 공개된 동작은 크게 다르며, 검증 루프를 구축하는 사람이라면 누구나 우려해야 할 항목이 바로 이것이다.

WeVisOne의 보고서는 흔히 하나의 수치로 합쳐지지만 절대 합쳐서는 안 되는 세 가지 거부율을 제시한다: RefCOCOg-Rej 67.4, WeRef-Bench Rej 96.4, PR-Bench Rej 52.6. 96.4와 52.6 사이의 격차가 핵심이다. 사내 벤치마크에서는 질의된 객체가 없을 때 모델이 거의 항상 올바르게 답변을 거부하지만, 공개 적대적 세트에서는 절반 정도의 경우 답변을 만들어낸다.

Molmo2-4B는 거부율을 전혀 공개하지 않습니다. 모델 카드에는 15개 벤치마크의 평균만 보고되어 있고, 응답 보류에 관한 내용은 없습니다. 애플리케이션이 모델이 "없음"이라고 말하는 것에 의존한다면, 그것은 이 비교의 한쪽에서 측정되지 않은 속성이며, 벤치마크 인용보다는 직접 만든 테스트 세트가 필요합니다.

각각의 용도

WeVisOne-VL-4B는 결과물이 영역이나 픽셀일 때 선택하세요. 즉, 단일 이미지에서의 개방형 어휘 탐지, 지시 분할, 프롬프트 기반 매팅, 밀집 OCR 위치 지정에 적합합니다. 반면 쉬운 장면의 박스 매팅 작업에는 2B 모델을 선택하세요. 논문에 따르면 그런 작업에서는 4B가 더 나아지지 않는다고 합니다. 비디오가 범위에 포함된다면 둘 다 선택하지 마세요. 픽셀 디코더가 비디오 그리드를 거부하기 때문입니다.

스트림에서 위치를 산출물로 내야 할 때, 즉 객체를 가리키고, 프레임 전반에 걸쳐 추적하고, 시간에 따라 인스턴스를 세고, 여러 이미지 집합에 대해 추론해야 할 때 Molmo2-4B를 선택하세요. 좌표와 타임스탬프가 유용한 산출물이고 마스크는 과할 때 선택하세요. float32 다운로드와 캐스트를 위한 예산을 잡아두세요.

프로덕션에서는 두 순수한 선택지 어느 쪽보다도 더 자주 나타나는 세 번째 패턴이 있습니다: 둘 다 실행하는 것입니다. 작업이 경쟁적이기보다 상호 보완적이기 때문입니다. 정지 프레임에 대한 감지 패스와 그 뒤따르는 비디오에 대한 포인팅 패스는 서로 다른 출력 형태를 가진 두 번의 호출이며, 그 사이의 연결 배관이 비용이 큰 부분입니다. 그 배관이 바로 라우팅 계층의 존재 이유입니다 — 라우팅 DSL은 여러 모델을 하나의 호출로 구성하므로 매팅 모델과 포인팅 모델 사이의 핸드오프가 서비스가 아니라 구성이 됩니다. WeVisOne-VL-4B도 Molmo2-4B도 OrcaRouter 카탈로그에 없으며, 둘 다 직접 호스팅하는 가중치이고, 솔직히 말하면 라우팅은 그 위에 있습니다.

한 줄 답변

픽셀이 필요하다면 이건 비교가 아니다 — WeVisOne-VL-4B만이 픽셀을 생성하며, 4B 비용을 지불하기 전에 특정 매팅 작업에서 2B 형제 모델이 이를 능가하는지 확인해야 한다. 시간에 따른 포인트가 필요하다면 이것도 비교가 아니다 — Molmo2-4B만이 비디오 경로를 갖고 있다. 이 맞대결은 작업이 "이 정지 이미지에서 객체를 찾아라"일 때만 실제가 되며, 거기서 결정 요인은 정확도가 아니라 기권이다: WeVisOne은 거부 수치를 공개했지만 Molmo2-4B는 없다.