LFM3-VL-2B vs WeVisOne-VL-2B: Trzy dni różnicy, przeciwstawne zakłady

LFM3-VL-2B pojawił się na Hugging Face 19 października 2026. WeVisOne-VL-2B pojawił się 22 października. Oba modele, każdy z około dwoma miliardami parametrów, oba z otwartymi wagami, oba ze znanych laboratoriów, opublikowano w odstępie 72 godzin od siebie. Można by oczekiwać, że będą niemal substytutami. Są raczej przeciwstawnymi zakładami dotyczącymi tego, co oznacza „widzenie”: jeden odpowiada na pytania o to, co widzi, drugi zwraca dokładny kształt tego, co widzi.

Tę różnicę łatwo przeoczyć w karcie specyfikacji, ponieważ obie karty wymieniają ramki i obie wymieniają OCR. Różnica tkwi w formacie wyjściowym i celu treningowym, i decyduje o tym, czy którykolwiek z modeli można wstawić do potoku bez warstwy parsującej. Decyduje też o tym, który z nich ma powód istnieć, gdy modele ogólnego przeznaczenia staną się lepsze.

Dwie definicje widzenia

LFM3-VL-2B to model generalistyczny od Liquid AI. Przyjmuje tekst, obrazy i wideo z szybkością 2 kl./s, generuje tekst, obsługuje myślenie krok po kroku, dysponuje kontekstem 128K i obejmuje 16 języków. Architektura to gęsty model o 1,92 mld parametrów — 1,73 mld w szkielecie językowym, 164 mln w wewnętrznym enkoderze wizyjnym i 25 mln w projekcji — z opublikowanymi wersjami BF16, GGUF, MLX 4-bit i ONNX. W komunikacie o rodzinie Liquid przedstawia go jako model, który potrafi „obserwować, rozumować i rozumieć świat fizyczny”, a ścieżka wideo jest rzeczywiście nowością w tej rodzinie.

WeVisOne-VL-2B to model WeChat Vision firmy Tencent. Jest zbudowany na szkielecie Qwen3-VL o około 2,4 mld parametrów na licencji Apache 2.0, a jego celem jest ujednolicona percepcja: detekcja ze słownikiem otwartym, lokalizacja na podstawie odniesienia, zliczanie, wskazywanie, lokalizacja OCR, segmentacja na podstawie odniesienia i matowanie alfa sterowane promptem. Zwraca znormalizowane współrzędne poprzez dedykowane tokeny oraz maski poprzez osobny dekoder pikseli o 9,6 mln parametrów, który należy załadować razem z modelem językowym.

Jeden model jest czytelnikiem. Drugi jest instrumentem pomiarowym. Pokrywanie się ich tabel benchmarkowych jest rzeczywiste, ale to pokrywanie się dwóch różnych produktów mierzących tę samą scenę.

Format wyjściowy jest produktem.

WeVisOne-VL-2B koduje współrzędne jako tokeny od <0> do <1000>, oznacza każdą instancję tokenem <OBJ> i zwraca None, gdy żądany cel jest nieobecny. Ten ostatni szczegół jest tym, który dostrzegają praktycy: karta modelu podaje współczynnik odrzuceń na poziomie 50,2 na RefCOCOg, w porównaniu z około 0,5 dla Rex-Omni i LocateAnything. Jest trenowany, by mówić „nie ma tutaj”, zamiast halucynować ramkę.

Dekoder pikseli nie jest opcjonalny. Segmentacja i alpha matting wymagają mask_decoder.pt, modułu z 9,6 mln parametrów uruchamianego przez token obiektu. Jeśli załadujesz tylko model językowy, otrzymasz współrzędne, ale nie maski. Repozytorium GitHub zawiera pakiet do wnioskowania, który łączy te dwa elementy, a model jest z założenia jednoturowy i obsługuje wyłącznie obrazy — dekoder pikseli odrzuca siatki wideo.

LFM3-VL-2B nie ma równoważnego kontraktu. Opisze region, policzy obiekty albo przedstawi rozumowanie o scenie prozą, a jego wiersz groundingu (RefCOCO-avg 90,5) sugeruje, że dobrze radzi sobie z lokalizacją. Ale na wyjściu jest tekst. Dla potoku, który potrzebuje maski, różnica między 90,5 a polygonem możliwym do sparsowania to różnica między demem a produktem.

Uziemianie liczb, których nie można odjąć

Obie karty podają wyniki z rodziny RefCOCO i nie są to te same pomiary. LFM3-VL-2B podaje RefCOCO-avg 90,5, co stanowi średnią z podziałów wyrażeń referencyjnych. WeVisOne-VL-2B podaje RefCOCOg 77,1 średniego F1 dla detekcji referencyjnej i RefCOCO testA 82,9 cIoU dla segmentacji referencyjnej. RefCOCOg to inny podział z dłuższymi, bardziej konwersacyjnymi wyrażeniami; cIoU to inna metryka niż F1.

Odjęcie 77,1 od 90,5 daje liczbę, która nic nie znaczy. Uczciwa interpretacja jest taka, że oba modele dobrze radzą sobie z lokalizacją wskazywanych obiektów we własnych środowiskach ewaluacyjnych, że żadne z tych środowisk nie zostało niezależnie odtworzone i że definicje metryk różnią się na tyle, że ranking pozostaje nierozstrzygnięty. Ta sama ostrożność dotyczy OCR: LFM3-VL-2B podaje OCRBench v1 86,3, natomiast WeVisOne-VL-2B podaje OCR HierText 30,5, co stanowi inny benchmark na trudniejszym zbiorze danych.

Tam, gdzie porównanie jest jednoznaczne, wypada ono na korzyść specjalisty na jego własnym terenie: WeVisOne-VL-2B podaje F1 detekcji COCO 55,2, LVIS 53,3 i Dense200 61,4, w zestawieniu z modelem, który w ogóle nie publikuje F1 detekcji. To nie jest zwycięstwo z automatu. To przypomnienie, że model ogólnego przeznaczenia nie był trenowany pod taki sposób oceniania.

Mat to fosa

Matting alfa sterowany podpowiedziami to funkcja, której nie oferuje ani LFM3-VL-2B, ani większość modeli w jego klasie rozmiarowej. WeVisOne-VL-2B podaje średnią różnicę bezwzględną 6,6 na P3M-500-NP dla mat o miękkich krawędziach — półprzezroczystej granicy wokół włosów, szkła i futra, którą binarna maska segmentacji zamienia w twarde cięcie. Karta uczciwie mówi o ograniczeniach: delikatne granice alfa pogarszają się przy przesłonięciach, niskiej rozdzielczości i przezroczystości. Jednak w przypadku wycinania produktów, komponowania i zastępowania tła mat jest tym wynikiem, którego pipeline faktycznie potrzebuje.

To najsilniejszy argument za istnieniem tego modelu. Generalistyczny model 2B potrafi opisać obraz; nie potrafi jednak dostarczyć miękkiego kanału alfa. Tencent zbudował mały model wokół dekodera pikseli, ponieważ uzyskanie takiego wyniku z dużego modelu ogólnego przeznaczenia jest kosztowne, a wersja 4B istnieje dla zespołów, które potrzebują większej dokładności w tym samym zadaniu.

Wideo i myślenie to druga fosa.

Wyróżnik LFM3-VL-2B działa w drugą stronę. Obsługuje wideo z częstotliwością 2 fps i osiąga Video-MME 62.8 bez napisów, MVBench 69.4 oraz MMMB 85.2. WeVisOne-VL-2B jest jednoturowy i obsługuje wyłącznie obrazy; jego dekoder pikseli odrzuca siatki wideo. Jeśli Twoje dane wejściowe to klip, porównanie kończy się, zanim zacznie się tabela benchmarków.

Tryb rozumowania dodaje drugą lukę. LFM3-VL-2B podaje MathVista 84,2 z rozumowaniem wobec 68,5 bez niego, a MMMU 55,7 wobec 48,6. WeVisOne-VL-2B z założenia nie ma łańcucha rozumowania — dla wydajności. To uzasadniony wybór inżynierski w przypadku komponentu percepcji i twarde ograniczenie dla modelu, który ma rozumować o wykresie.

Pamięć, licencja i cena wstępu

• Parametry — LFM3-VL-2B gęsty 1,92B vs WeVisOne-VL-2B około 2,4B, oraz dekoder pikselowy 9,6M.

• Pamięć — około 3,84 GB w BF16 z obliczeń arytmetycznych dla LFM3-VL-2B, z wersją 4-bitową MLX; około 9,1 GB wag w F32 i szacunkowo 4,9 GB w BF16 dla WeVisOne-VL-2B, według notatek wdrożeniowych podmiotów trzecich, a nie karty.

• Dane wejściowe — tekst, obraz i wideo przy 2 fps w porównaniu z samym obrazem i tekstem, pojedyncza tura.

• Dane wyjściowe — proza, opcjonalnie z rozumowaniem vs tekst, znormalizowane współrzędne, maski i maty alfa.

• Kontekst — 128K w porównaniu z nieokreślonym jako okno skali dokumentu; ograniczeniem jest dekoder pikseli.

• Licencja — LFM Open License v1.0, użycie komercyjne poniżej 10 mln USD rocznego przychodu w porównaniu z Apache 2.0 bez względu na rozmiar.

• Opublikowano — repozytorium 19 października 2026, komunikat rodzinny 27 października vs repozytorium 22 października 2026.

Wiersz dotyczący licencji wygląda odwrotnie niż zwykle. Model Tencenta jest objęty licencją permisywną; model Liquid ma pułap przychodowy. Dla firmy budującej komercyjny produkt percepcji Apache 2.0 usuwa element due diligence, który tworzy licencja LFM. To nie czyni modeli wymiennymi, ale oznacza, że mniejszy, bardziej ogólny model wiąże się z większym ograniczeniem prawnym.

Żaden z modeli nie ma ceny hostowanej.

Obie karty publikują wagi i żadna nie publikuje stawki API za token. Hugging Face nie wymienia żadnego dostawcy inferencji dla LFM3-VL-2B; karta WeVisOne-VL-2B również nie ma hostowanego endpointu, choć istnieją społecznościowe porty dla LiteRT, Core AI, GGUF i Android. Taki jest obecny kształt poziomu wizyjnego 2B: wagi są darmowe, obsługa należy do ciebie, a rzeczywisty koszt to GPU i praca integracyjna.

Jeśli wolisz wynająć ten poziom zamiast go posiadać, OrcaRouter kieruje hostowane modele wizyjne — w tym Qwen3-VL-8B — przez jedno API, z ceną katalogową dostawcy przekazywaną bez narzutu (0%), a także fuzją modeli, jeśli chcesz, aby model percepcji i model rozumowania odpowiadały jako panel. W tym porównaniu nie udostępniamy żadnego z tych checkpointów i nic tutaj nie sugeruje, że to robimy. Istotne jest to, że wynajęcie nieco większego hostowanego modelu jest uzasadnioną trzecią opcją, gdy żaden z modeli open-weight nie jest dostarczany z endpointem.

Jak wybrać

• Wybierz WeVisOne-VL-2B, jeśli wynikiem jest geometria: prostokąty, maski, maty alfa, zliczenia lub sygnał „nieobecne”. Wybierz go, jeśli Apache 2.0 jest nie do negocjacji lub jeśli budujesz potok wycinania, komponowania albo percepcji robotycznej.

• Wybierz LFM3-VL-2B jeśli dane wejściowe obejmują wideo, jeśli potrzebujesz rozumowania na wykresie lub formularzu albo jeśli chcesz, aby jeden mały model odpowiadał na ogólne pytania, a nie mierzył kształty.

• Weź oba tylko wtedy, gdy jesteś gotów uruchomić dwa potoki. Dzielą klasę parametrów i prawie nic więcej, a koszt integracji wynikający z udawania, że jest inaczej, jest wyższy niż koszt drugiego modelu.

Trzydniowa przerwa między ich repozytoriami to zbieg okoliczności. Rozbieżność w tym, co zwracają, już nie. Dwa laboratoria spojrzały na ten sam budżet 2B i wydały go na różne wyniki, a właściwe pytanie nie brzmi, który z nich jest lepszy — lecz który wynik może faktycznie wykorzystać następny etap Twojego potoku.