Molmo2-4B vs WeVisOne-VL-4B: punkty, maski i pytanie, którego nikt nie zadaje pierwszy

Poproś oba modele o znalezienie psa, a otrzymasz odpowiedź od każdego. Molmo2-4B zwraca współrzędną. WeVisOne-VL-4B zwraca ramkę ograniczającą, a jeśli poprosisz o maskę matową, kanał alfa w pełnej rozdzielczości z wciąż widocznym futrem. To trzy różne produkty noszące to samo słowo — „grounding” — i to, którego potrzebujesz, rozstrzyga to porównanie znacznie wcześniej niż jakikolwiek benchmark. Molmo2-4B to model wizyjno-językowy ogólnego przeznaczenia o 4,85 mld parametrów od Allen Institute for AI, z wyjściem punktowym i rzeczywistą obsługą wideo. WeVisOne-VL-4B to model percepcji o 4,83 mld parametrów od zespołu WeChat Vision Tencenta, który w ramach jednego checkpointu oraz dekodera pikseli o 9,6 mln parametrów łączy detekcję, lokalizację na podstawie opisu, zliczanie, wskazywanie, OCR, segmentację na podstawie opisu i matowanie alfa sterowane podpowiedziami. Potoki percepcji rzadko kończą się na jednym modelu. ceny z 0% narzutu Cena katalogowa dostawcy jest przekazywana bez zmian, więc obniżka u dostawcy obowiązuje tego samego dnia.

Ani jeden, ani drugi nie jest nowy. Molmo2-4B ogłoszono 11 grudnia 2025 r., a jego wagi udostępniono 14 grudnia. Repozytorium WeVisOne-VL-4B pojawiło się 22 października 2026 r. wraz z dołączonym artykułem arXiv 2610.31329. Najnowsza zmiana po stronie Molmo dotyczy infrastruktury, a nie modelu: natywne wsparcie Transformers scalono 9 października i wydano w v5.20.0 15 października, a Ai2 opublikowało 5 listopada dostrojenie Molmo2-4B do robotyki. Przydatne, jeśli czekałeś na uruchomienie go bez zdalnego kodu. To nie wydanie i nie powód, by nazywać to premierą.

Kontrakt wyjściowy to cała decyzja.

• Molmo2-4B — punkt, w skali 0–1000 szerokości i wysokości obrazu, ujęty w tag z opublikowanym wyrażeniem regularnym; w trybie wideo każdy punkt ma znacznik czasu, a wskazywanie na wielu obrazach sprowadza się do trójek: indeks klatki, x, y.

• WeVisOne-VL-4B — prostokąt, punkt, maska lub matte alfa, wybierane przez argument zadania; zadania gęste emitują token instancji po każdym prostokącie, a dekoder pikseli przekształca je w maski i matte.

• Wskazywanie to jedyny rezultat, który wytwarzają oba, i jedyne miejsce, w którym istnieje uczciwe porównanie.

• Molmo2-4B nie ma głowicy segmentacji i nie potrafi wygenerować matte. WeVisOne-VL-4B nie ma ścieżki wideo: jego własna dokumentacja podaje, że siatki wideo są odrzucane przez dekoder pikseli.

• Molmo2-4B obsługuje pojedynczą turę, ale natywnie obsługuje wiele obrazów; WeVisOne-VL-4B jest ukierunkowany na jednoetapową percepcję obrazu i celowo pomija łańcuch rozumowania ze względu na opóźnienie.

Ten czwarty wiersz kończy większość dyskusji. Jeśli Twój pipeline wymaga kanału alfa — komponowania, wycinania produktów, zastępowania tła, czegokolwiek, gdzie znaczenie ma krawędź włosa — Molmo2-4B nie jest kandydatem i nigdy nim nie był. Jeśli Twój pipeline musi śledzić obiekt przez 384 klatki wideo, WeVisOne-VL-4B nie może wejść do porównania. Reszta tego artykułu dotyczy wąskiego przedziału, w którym oba wchodzą w grę.

Oba są „4B” i żaden nie jest całkiem taki

• Parametry — Molmo2-4B: 4 850 869 200; WeVisOne-VL-4B: 4 830 581 248. Różnią się o mniej niż 0,4%, co jest zbiegiem okoliczności, który czyni ten pojedynek interesującym.

• Architektura — SigLIP 2 so400m oraz Qwen3-4B-Instruct-2507 dla Molmo2-4B; szkielet Qwen3-VL oraz osobny dekoder masek z 9,6 mln parametrów dla WeVisOne-VL-4B.

• Pobieranie — 19,42 GB plików safetensors w formacie float32 w czterech shardach dla Molmo2-4B; około 9,7 GB wag bfloat16, w tym obowiązkowy mask_decoder.pt dla WeVisOne-VL-4B.

• Kontekst — 36 864 pozycje dla Molmo2-4B; budżet 262 144 tokenów nie jest ograniczeniem operacyjnym dla WeVisOne, który ocenia przy maksymalnie 1960 tokenach wizualnych na obraz.

• Licencja — Apache 2.0 dla obu, przy czym karta Molmo2-4B dodaje, że jej dane treningowe podlegają wyłącznie akademickiemu i niekomercyjnemu wykorzystaniu badawczemu.

• {{1}}Środowisko uruchomieniowe{{/1}} — {{2}}Transformers{{/2}} ze zdalnym kodem (lub natywnie od wersji {{3}}v5.20.0{{/3}}) oraz {{4}}molmo_utils{{/4}} i {{5}}decord2{{/5}} dla {{6}}Molmo2-4B{{/6}}; własny pakiet inferencyjny {{7}}Tencent{{/7}} z backendem {{8}}transformers{{/8}} lub {{9}}vLLM{{/9}} dla {{10}}WeVisOne-VL-4B{{/10}}.

Wiersz pobierania to praktyczna niespodzianka. Molmo2-4B jest dwukrotnie większy na dysku mimo tej samej liczby parametrów, ponieważ AI2 opublikowało go w float32, a Tencent w bfloat16. Pobranie o rozmiarze 19,42 GB, które od razu konwertujesz do niższej precyzji, to nie ten sam obiekt co pobranie o rozmiarze 9,7 GB, które udostępniasz w postaci dostarczonej, i tylko jedno z nich mieści się wygodnie obok partii innych modeli na jednej maszynie.

Skąd pochodzą liczby i gdzie się kończą

Żaden z modeli nie ma niezależnej tablicy wyników, więc wszystko poniżej pochodzi od dostawców. Dwaj dostawcy wybrali niemal rozłączne zestawy benchmarków, i właśnie dlatego to porównanie wciąż jest przeprowadzane źle.

WeVisOne-VL-4B, z raportu technicznego: 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. W przypadku mattingu MAD dla P3M-500-NP z podpowiedzią w postaci ramki wynosi 7,3, a dla WeRefMat z podpowiedzią tekstową — 9,8; im niżej, tym lepiej, i oba wyniki przewyższają bazowe modele SAM2-Matting, z którymi porównuje je artykuł.

Molmo2-4B, zgodnie z jego kartą: średnia 62,8 na 15 akademickich benchmarkach, za własnym rodzeństwem 8B z wynikiem 63,1 i przed Qwen3-VL-4B z 58,1, InternVL3.5-4B z 53,4 i GLM-4.1V-9B z 56,9, przy Gemini 3 Pro z 70,0 i GPT-5 z 70,6 w tej samej tabeli.

Żaden z tych wierszy nie jest wspólny. Jedynym benchmarkiem, w którym oba w ogóle pojawiają się w tej samej ewaluacji, jest liczenie, i nawet tam liczby pochodzą z różnych prac z różnymi protokołami.

Niewygodne odkrycie w samym artykule WeVisOne

Najbardziej praktycznym wnioskiem z tabel WeVisOne nie jest wynik 4B. Jest nim to, że 4B czasami przegrywa ze swoim własnym rodzeństwem 2B.

• Lepsze wyniki przy 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.

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

Przeczytaj ten drugi punkt dwa razy. W mattingu zwykłych scen z podpowiedzią ramkową dodatkowe 2,8B modelu językowego nic nie daje i kosztuje jedną dziesiątą punktu MAD, najprawdopodobniej dlatego, że obowiązkowy dekoder 9,6M wykonuje gęstą pracę, a model językowy jedynie wybiera, na co wskazać. Model 4B uzasadnia swoją wielkość na trudnych zadaniach warunkowanych językowo — segmentacji na podstawie odniesień, gęstym liczeniu, detekcji w tłoku — a na łatwych radzi sobie bez wysiłku lub nieznacznie się cofa.

Więc „wzięcie większego WeVisOne” nie jest bezpiecznym ustawieniem domyślnym. Najpierw nazwij zadanie, potem checkpoint.

Fałszywe alarmy, których nikt nie mierzy w benchmarkach

Oba modele można zapytać o coś, czego nie ma. Ich publikowane zachowanie różni się wyraźnie i to jest wiersz, który powinien zaniepokoić każdego, kto buduje pętlę weryfikacji.

Raport WeVisOne podaje trzy wskaźniki odrzuceń, które rutynowo łączy się w jedną liczbę, a nie powinno: RefCOCOg-Rej 67,4, WeRef-Bench Rej 96,4 i PR-Bench Rej 52,6. Różnica między 96,4 a 52,6 jest tu kluczowa. W wewnętrznym benchmarku model niemal zawsze poprawnie odmawia, gdy pytany obiekt jest nieobecny; w publicznym zestawie adwersarialnym w około połowie przypadków wymyśla odpowiedź.

Molmo2-4B w ogóle nie publikuje wskaźnika odrzuceń. Jego karta podaje średnie dla 15 benchmarków i nic o wstrzymywaniu się od odpowiedzi. Jeśli Twoja aplikacja opiera się na tym, że model mówi „nie ma”, to jest to niezmierzona właściwość po jednej stronie tego porównania i zasługuje na własny zestaw testowy, a nie na powołanie się na benchmark.

Do czego służy każdy z nich

Wybierz WeVisOne-VL-4B, gdy rezultatem ma być region lub piksel: detekcja otwartego słownika, segmentacja według odniesienia, matting z podpowiedziami, gęsta lokalizacja OCR na pojedynczym obrazie. Zamiast tego wybierz model 2B, gdy zadaniem jest matting ramek w łatwej scenie, ponieważ artykuł mówi, że 4B nie daje tam poprawy. Nie wybieraj żadnego, jeśli w zakresie jest wideo, ponieważ dekoder pikseli odrzuca siatki wideo.

Wybierz Molmo2-4B, gdy rezultatem ma być lokalizacja w strumieniu: wskaż obiekt, śledź go między klatkami, zliczaj wystąpienia w czasie, wnioskuj na podstawie zestawu obrazów. Wybierz go, gdy użytecznym artefaktem jest współrzędna plus znacznik czasu, a maska byłaby przesadą. Uwzględnij w budżecie pobranie wersji float32 i rzutowanie typu.

Jest trzeci wzorzec, który w produkcji pojawia się częściej niż którykolwiek z czystych wyborów: uruchomić oba, ponieważ zadania są komplementarne, a nie konkurencyjne. Przebieg detekcji na nieruchomej klatce i przebieg wskazywania na następującym po niej wideo to dwa wywołania o dwóch różnych kształtach wyjścia, a kosztowną częścią jest połączenie między nimi. To połączenie jest tym, do czego służy warstwa routingu — DSL routingu składa wiele modeli w jedno wywołanie, dzięki czemu przekazanie między modelem mattingu a modelem wskazywania jest konfiguracją, a nie usługą. Ani WeVisOne-VL-4B, ani Molmo2-4B nie znajdują się w katalogu OrcaRouter; oba są wagami, które hostujesz, a uczciwe ujęcie jest takie, że routing znajduje się ponad nimi.

Jednowierszowa odpowiedź

Jeśli potrzebujesz pikseli, to nie jest porównanie — WeVisOne-VL-4B jest jedynym modelem, który je generuje, i przed zapłaceniem za 4B powinieneś sprawdzić, czy jego mniejszy wariant 2B bije go w Twoim konkretnym zadaniu mattingu. Jeśli potrzebujesz punktów w czasie, to również nie jest porównanie — Molmo2-4B jest jedynym modelem ze ścieżką wideo. Starcie staje się realne dopiero, gdy zadanie brzmi „znajdź obiekt na tym nieruchomym obrazie”, a tam czynnikiem decydującym nie jest dokładność, lecz wstrzymanie się od odpowiedzi: WeVisOne opublikował liczby odrzuceń, Molmo2-4B nie ma żadnych.