Molmo2-4B vs WeVisOne-VL-4B: Punten, maskers en de vraag die niemand als eerste stelt

Als je beide modellen vraagt de hond te vinden, krijg je van elk een antwoord. Molmo2-4B retourneert een coördinaat. WeVisOne-VL-4B retourneert een bounding box, en als je om de matte vraagt, een alpha-kanaal op volledige resolutie waar de vacht nog op zit. Dat zijn drie verschillende producten die hetzelfde woord dragen — "grounding" — en welk je nodig hebt, bepaalt deze vergelijking al lang voordat welke benchmark dan ook dat doet. Molmo2-4B is een 4,85B generalistisch visie-taalmodel van het Allen Institute for AI met een puntoutput en een echte videoroute. WeVisOne-VL-4B is een 4,83B perceptiemodel van Tencent's WeChat Vision-team dat detectie, referring-localisatie, tellen, pointing, OCR, referring-segmentatie en promptbare alpha-matting verenigt achter één checkpoint plus een pixeldecoder van 9,6M parameters. Perceptiepijplijnen stoppen zelden bij één model. Prijsstelling met 0% opslag De lijstprijs van de provider wordt ongewijzigd doorgegeven, dus een korting van de leverancier is dezelfde dag live.

Geen van beide is nieuw. Molmo2-4B werd op 11 december 2025 aangekondigd en de gewichten verschenen op 14 december. De repository van WeVisOne-VL-4B verscheen op 22 oktober 2026 met een bijgevoegde arXiv-paper, 2610.31329. De recente verandering aan de Molmo-kant betreft infrastructuur, niet een model: native Transformers-ondersteuning werd op 9 oktober samengevoegd en kwam uit in v5.20.0 op 15 oktober, en Ai2 plaatste op 5 november een robotica-fine-tune van Molmo2-4B. Nuttig als je erop wachtte om het zonder remote code te draaien. Geen release, en geen reden om dit een lancering te noemen.

Het outputcontract is de hele beslissing

• Molmo2-4B — een punt, in 0–1000 van de beeldbreedte en -hoogte, verpakt in een tag met een gepubliceerde regex; in videomodus draagt elk punt een tijdstempel, en bij het aanwijzen in meerdere afbeeldingen wordt dit afgeplat tot drietallen van frame-index, x, y.

• WeVisOne-VL-4B — een box, een punt, een masker of een alfa-matte, geselecteerd door het taakargument; dense taken geven na elke box een instantietoken af en de pixeldecoder zet die om in maskers en mattes.

• Aanwijzen is de enige output die beide produceren, en het is de enige plek waar een eerlijke vergelijking mogelijk is.

• Molmo2-4B heeft geen segmentatiehoofd en kan geen matte produceren. WeVisOne-VL-4B heeft geen videopad: volgens de eigen documentatie worden videorasters afgewezen door de pixeldecoder.

• Molmo2-4B kan één beurt aan maar is native voor meerdere afbeeldingen; WeVisOne-VL-4B richt zich op beeldperceptie in één beurt en slaat expliciet chain-of-thought over voor latentie.

Die vierde rij beslecht het grootste deel van de discussie. Als je pipeline een alfakanaal nodig heeft — compositing, productuitsnedes, achtergrondvervanging, alles waarbij een haarrand ertoe doet — dan is Molmo2-4B geen kandidaat en is dat nooit geweest. Als je pipeline een object door 384 videoframes moet volgen, kan WeVisOne-VL-4B niet in de vergelijking worden betrokken. De rest van dit artikel gaat over de smalle band waarin beide plausibel zijn.

Beide zijn "4B" en geen van beide is precies dat.

• Parameters — Molmo2-4B heeft 4.850.869.200; WeVisOne-VL-4B heeft 4.830.581.248. Ze liggen binnen 0,4% van elkaar, en dat toeval maakt de confrontatie interessant.

• Architectuur — SigLIP 2 so400m plus Qwen3-4B-Instruct-2507 voor Molmo2-4B; een Qwen3-VL-backbone plus een aparte maskerdecoder met 9,6M parameters voor WeVisOne-VL-4B.

• Download — 19,42 GB aan float32-safetensors in vier shards voor Molmo2-4B; ongeveer 9,7 GB aan bfloat16-gewichten, inclusief de verplichte mask_decoder.pt voor WeVisOne-VL-4B.

• Context — 36.864 posities voor Molmo2-4B; een budget van 262.144 tokens is niet de operationele beperking voor WeVisOne, dat evalueert met maximaal 1.960 visuele tokens per afbeelding.

• Licentie — Apache 2.0 voor beide, waarbij de kaart van Molmo2-4B toevoegt dat de trainingsgegevens alleen voor academisch en niet-commercieel onderzoek mogen worden gebruikt.

• Runtime — Transformers met remote code (of native sinds v5.20.0) plus molmo_utils en decord2 voor Molmo2-4B; Tencents eigen inferencepakket met een transformers- of vLLM-backend voor WeVisOne-VL-4B.

De downloadregel is de praktische verrassing. Molmo2-4B is twee keer zo groot op schijf, ondanks hetzelfde aantal parameters, omdat AI2 het in float32 heeft gepubliceerd en Tencent in bfloat16. Een download van 19,42 GB die je meteen naar een lager formaat omzet, is niet hetzelfde object als een download van 9,7 GB die je serveert zoals geleverd, en slechts een van beide past comfortabel naast een reeks andere modellen op één machine.

Waar de cijfers vandaan komen, en waar ze stoppen

Geen van beide modellen heeft een onafhankelijk scorebord, dus alles hieronder is door de leverancier gerapporteerd. De twee leveranciers kozen bijna volledig van elkaar verschillende benchmarksets, en dat is precies waarom de vergelijking steeds verkeerd wordt gemaakt.

WeVisOne-VL-4B, uit het technische rapport: 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. Bij matting is de box-prompted MAD voor P3M-500-NP 7.3 en de text-prompted MAD voor WeRefMat 9.8 — lager is beter, en beide verslaan de SAM2-Matting-baselines waarmee het artikel vergelijkt.

Molmo2-4B, volgens de modelkaart: een gemiddelde van 62,8 over 15 academische benchmarks, achter zijn eigen 8B-broertje met 63,1 en vóór Qwen3-VL-4B met 58,1, InternVL3.5-4B met 53,4 en GLM-4.1V-9B met 56,9, met Gemini 3 Pro met 70,0 en GPT-5 met 70,6 in dezelfde tabel.

Geen enkele van die rijen wordt gedeeld. De enige benchmark waar beide überhaupt in dezelfde evaluatie voorkomen, is tellen, en zelfs daar komen de cijfers uit verschillende papers met verschillende protocollen.

De ongemakkelijke bevinding in het eigen paper van WeVisOne

Het meest bruikbare in WeVisOne's tabellen is niet de score van de 4B. Het is dat de 4B soms verliest van zijn eigen 2B-broertje.

• Beter bij 4B — Dense200 71,3 vs 61,4, LVIS 55,3 vs 53,3, RefCOCOg test 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.

• Slechter op 4B — P3M-500-NP box-matting MAD 7,3 vs 6,6, PPM-100 6,1 vs 5,3, Ref-ZOM-test cIoU 72,2 vs 73,4.

Lees die tweede bullet twee keer. Bij matting met box-prompts in gewone scènes levert de extra 2,8B aan taalmodel niets op en kost het een tiende van een MAD-punt, hoogstwaarschijnlijk omdat de verplichte 9,6M-decoder het dichte werk doet en het taalmodel alleen kiest waarop het moet richten. De 4B verdient zijn omvang bij moeilijke, taalgeconditioneerde taken — verwijzende segmentatie, dense counting, detectie in drukke scènes — en doet het op de makkelijke taken op de automatische piloot of gaat er licht op achteruit.

Dus "pak de grotere WeVisOne" is geen veilige standaard. Benoem de taak voordat je het checkpoint benoemt.

Valse positieven, die niemand benchmarkt

Beide modellen kan worden gevraagd naar iets dat er niet is. Hun gepubliceerde gedrag verschilt sterk, en dit is de rij die iedereen die een verificatielus bouwt, zorgen zou moeten baren.

Het rapport van WeVisOne geeft drie afwijzingspercentages die gewoonlijk tot één cijfer worden samengevoegd en dat mag niet: RefCOCOg-Rej 67,4, WeRef-Bench Rej 96,4 en PR-Bench Rej 52,6. Het gat tussen 96,4 en 52,6 is het verhaal. Op de interne benchmark weigert het model bijna altijd correct wanneer het bevraagde object afwezig is; op de publieke adversariële set verzint het ongeveer de helft van de tijd een antwoord.

Molmo2-4B publiceert helemaal geen afwijzingspercentage. De modelkaart rapporteert gemiddelden op 15 benchmarks en niets over onthouding. Als je applicatie erop vertrouwt dat het model "niet aanwezig" zegt, dan is dat een ongemeten eigenschap aan één kant van deze vergelijking, en dat verdient je eigen testset in plaats van een benchmarkverwijzing.

Waarvoor elk dient

Kies WeVisOne-VL-4B wanneer de oplevering een regio of een pixel is: open-vocabularydetectie, referring-segmentatie, promptbare matting, dichte OCR-lokalisatie op één afbeelding. Kies in plaats daarvan de 2B-variant wanneer de taak boxmatting voor eenvoudige scènes is, omdat het paper zegt dat de 4B daar geen verbetering oplevert. Kies geen van beide als video binnen scope valt, omdat de pixeldecoder videorasters weigert.

Kies Molmo2-4B wanneer het op te leveren resultaat een locatie in een stream is: wijs het object aan, volg het door de frames heen, tel instanties over de tijd en redeneer over een reeks afbeeldingen. Kies het wanneer een coördinaat plus een tijdstempel het nuttige artefact is en een masker overkill zou zijn. Houd rekening met de float32-download en de cast.

Er is een derde patroon dat in productie vaker opduikt dan een van beide zuivere keuzes: beide draaien, omdat de taken complementair zijn in plaats van concurrerend. Een detectiepass op een stilstaand beeld en een aanwijspass op de video die erop volgt, zijn twee aanroepen met twee verschillende uitvoervormen, en de plumbing daartussen is het dure deel. Die plumbing is waar een routinglaag voor dient — de routing-DSL stelt meerdere modellen samen tot één aanroep, zodat de overdracht tussen een mattingmodel en een aanwijsmmodel een configuratie is in plaats van een service. Noch WeVisOne-VL-4B noch Molmo2-4B staat in de OrcaRouter-catalogus; beide zijn gewichten die je zelf host, en de eerlijke voorstelling van zaken is dat routing boven hen zit.

Het antwoord in één regel

Als je pixels nodig hebt, is dit geen vergelijking — WeVisOne-VL-4B is de enige die ze produceert, en je moet controleren of zijn 2B-tegenhanger het op jouw specifieke matting-taak verslaat voordat je voor de 4B betaalt. Als je punten in de tijd nodig hebt, is het ook geen vergelijking — Molmo2-4B is de enige met een videopad. De confrontatie wordt pas echt wanneer de taak "het object in deze stilstaande afbeelding vinden" is, en daar is de beslissende factor niet nauwkeurigheid maar onthouding: WeVisOne heeft gepubliceerde rejectiecijfers, Molmo2-4B heeft er geen.