SingVL_S1_4B vs WeVisOne VL 4B: cicha premiera kontra wersja dopracowana

Zespół WeChat Vision firmy Tencent opublikował artykuł, wagi, pakiet inferencyjny i demo w październiku 2026 r. na licencji Apache 2.0. Tak wygląda ukończone wydanie. inclusionAI przesłał dwa fragmenty safetensors 11 listopada 2026 r. — bez zapowiedzi, bez artykułu, bez licencji i bez hostowanego endpointu — i na tym poprzestał. WeVisOne VL 4B i SingVL_S1_4Bmają oba od około czterech i pół do pięciu miliardów parametrów, oba są zbudowane na backbone'ach wizyjnych Q​wen, oba dotyczą wyciągania z obrazu czegoś precyzyjniejszego niż akapit — i wykonują przeciwne połowy tego zadania. Jeden nakłada maski na piksele. Drugi zwraca prawdopodobieństwo dla odpowiedzi, które uznałeś za warte podsunięcia mu. Porównywanie ich dotyczy mniej tego, który jest lepszy, a bardziej tego, ile warte jest wydanie, zanim zostanie ukończone.

Dwie zdolności, wyrażone bez ozdobników

WeVisOne-VL-4B — nazwa jest skrótem od WeChat Vision All-in-One — łączy percepcję na poziomie obiektów i percepcję na poziomie pikseli w jednym modelu. Konkretnie wykonuje detekcję obiektów w otwartym słowniku, lokalizację wyrażeń referencyjnych, zliczanie obiektów, wskazywanie, lokalizację OCR, segmentację na podstawie wyrażeń referencyjnych oraz promptowalne matowanie alfa, czyli zadanie polegające na wytworzeniu miękkiej, ciągłej maski wokół czegoś takiego jak włosy lub cienka gałąź, gdzie twarda granica wyglądałaby źle. Mechanizm opiera się na ustrukturyzowanym przewidywaniu następnego tokenu na dedykowanych tokenach współrzędnych oraz 9,6-milionowym dekoderze pikseli dostarczanym razem z checkpointem jako mask_decoder.pt. Zwraca None, gdy pytany cel jest nieobecny, co brzmi trywialnie i jest najbardziej użytecznym zachowaniem w produkcyjnym groundingu.

SingVL_S1_4B to model decyzyjny. Przyjmuje stan — tekst, JSON, do czterech obrazów — oraz słownik nazwanych pytań, z których każde ma zadeklarowany typ i kandydujące odpowiedzi. Choice zwraca prawdopodobieństwo dla każdej opcji, noul zwraca prawdopodobieństwo, że stwierdzenie typu tak/nie jest prawdziwe, a score zwraca prawdopodobieństwo dla każdego poziomu w ramach od dwóch do dziesięciu uporządkowanych poziomów oraz oczekiwany poziom. Jedno przejście w przód, bez generowania, bez współrzędnych. Repozytorium zawiera serwer FastAPI na porcie 8173 odpowiadający pod /v1/systemone, a karta modelu jest napisana w całości słownictwem tego protokołu.

Podział jest więc czysty. WeVisOne mówi, gdzie znajduje się obiekt i jaki ma kształt. SingVL_S1_4B mówi, jak prawdopodobne jest, że obiekt jest tym, czego się domyślasz. W pipeline, w którym trzeba wyciąć osobę ze zdjęcia, prawdopodobieństwo rozłożone na trzy opcje się nie przyda, a w pipeline, w którym trzeba wiedzieć, czy obraz spełnia próg zgodności z polityką, maska się nie przyda.

Co dopracowane wydanie umieściło na swojej własnej karcie

Tabela główna WeVisOne-VL-4B porównuje go z najsilniejszym otwartym baseline'em w każdym benchmarku, wybranym spośród Qwen3-VL i Qwen3.5 do 9B, Rex-Omni, LocateAnything oraz modeli segmentacji i mattingu dedykowanych zadaniom. Wiersze, które niosą argument:

• Detekcja LVIS — średnia F1 55,3 wobec wartości bazowej 50,7.

• Dense200 — gęsta detekcja — 71,3 wobec 58,7.

• RefCOCOg test referring — średnia F1 81,8 wobec 77,6.

• Wskaźnik odrzuceń WeRef-Bench — 96,4 wobec 73,0, czyli wiersz, który ma największe znaczenie dla ugruntowania produkcyjnego.

• PixMo-Count — dokładność liczenia — 89,6 wobec 82,8.

• TotalText OCR — średnia F1 52,0 wobec 43,3.

• Segmentacja referencyjna ReasonSeg — gIoU 71,2 wobec 65,0.

• Matowanie pudełka P3M-500-NP — MAD 7,3 w porównaniu z 15,4; im niższa wartość, tym lepiej.

• WeRefMat matting tekstu — MAD 9,8 w porównaniu z 22,4.

To dane liczbowe dostawcy z jego potoku ewaluacji, uruchomionego z dekodowaniem zachłannym przy co najwyżej 1 960 tokenach wizualnych na obraz, względem modeli referencyjnych wybranych przez dostawcę. Uczciwa interpretacja jest taka, że pokazują one, iż model działa, oraz mniej więcej, gdzie plasuje się względem najsilniejszej otwartej alternatywy w każdym zadaniu — a nie że różnice są dokładne. Wiersz współczynnika odrzuceń jest najbardziej wiarygodny w swej istocie, ponieważ 96,4 wobec 73,0 to wystarczająco duża różnica, by szczegóły harnessu raczej jej nie wyjaśniały, a odrzucanie nieobecnych celów to tryb awarii, który w produkcji rujnuje systemy groundingowe.

Jest też wariant 2B z własną kolumną, co się przydaje: 78,2 w teście RefCOCOg, 50,2 w przypadku odrzucania, 62,9 w wierszu gęstej detekcji. Producent opublikował słabsze wyniki mniejszego modelu obok mocniejszych wyników większego, co jest tego rodzaju ujawnieniem, które sugeruje, że tabeli nie zestawiono na potrzeby wpisu premierowego.

Co ciche wydanie umieściło na swojej własnej karcie

SingVL_S1_4B publikuje tabelę „Public Decision Index 0.3”: 69,76 w kategorii Text, 73,94 w kategorii Vision, w porównaniu z TypeSafe Jev 1.14 z wynikiem 60,70 w kategorii text, StartLux-Decision v1.1 4B z wynikami 67,8 i 67,90 oraz Perplexity Decider Flash v1.2 z wynikami 60,1 i 72,5. Rozbicie stojące za agregatem wyników dla Vision rozciąga się od InfographicVQA z 96,31 i Winoground z 93,12 aż po MMMU-Pro vision z 50,17 i R-Bench-M z 49,77.

Te liczby mają trzy problemy, których nie mają liczby WeVisOne. Mają dwa dni. Znajdują się na tablicy wyników, której zestaw do oceny jest publiczny, ale którego prywatna połowa już nie; tablica została przygotowana przez laboratorium, które nie zgłosiło przebiegu do publicznego zestawu do reprodukcji — choć karta zawiera instrukcje, jak go zgłosić. A repozytorium nie ma licencji, co oznacza, że wiążącym ograniczeniem dla adopcji nie są liczby; są nim formalności.

To, co karta przesądza ponad wszelką wątpliwość, to interfejs: prawdopodobieństwo dla każdego pytania i każdej opcji z pojedynczego przejścia w przód, przy czym wewnętrzne mechanizmy protokołu są dostarczane jako skróty SHA-256 w config.json, dzięki czemu przebieg można zweryfikować względem kodu, który go wygenerował. To realna decyzja inżynierska i najbardziej wiarygodna rzecz w tym wydaniu.

Uczciwa tablica wyników ma jeden wspólny wiersz i jest on pusty

Te dwa modele nie mają wspólnego benchmarku. WeVisOne mierzy F1 przy progach IoU, gIoU oraz średnią różnicę bezwzględną na matach. SingVL_S1_4B mierzy dokładność skorygowaną o poziom przypadku w zestawach opcji. Nie ma wiersza, w którym ten sam pomiar wykonano dla obu, a skonstruowanie takiego wymagałoby uruchomienia obu na tych samych danych — czego nikt nie zrobił, ponieważ jeden z checkpointów ma dwa dni.

To, co można porównać, to forma dowodów. Wydanie WeVisOne obejmuje raport techniczny na arXiv, stronę projektu, repozytorium GitHub z pipeline’em ewaluacyjnym, cookbook, dwie przestrzenie demonstracyjne oraz instrukcje reprodukcji, które osoba trzecia może wykonać. Wydanie SingVL_S1_4B obejmuje kartę modelu i folder inferencji. Jedno z nich pozwala postronnej osobie sprawdzić twierdzenia; drugie prosi postronną osobę, by im zaufała.

Licencjonowanie, które decyduje o więcej niż którykolwiek z tych dwóch benchmarków

WeVisOne-VL-4B jest objęty licencją Apache 2.0. Obejmuje to kod i wagi autorstwa T​encent, przy czym komponenty firm trzecich zachowują własne warunki, i dlatego już w ciągu dwóch tygodni od wydania krążą kwantyzacje GGUF, węzeł ComfyUI, kompilacja GGUF dla NPU Rockchip oraz pakiet integracyjny w języku chińskim. Redystrybucja jest dozwolona, więc do redystrybucji doszło.

SingVL_S1_4B nie deklaruje żadnej licencji w swoich metadanych i nie zawiera pliku LICENSE. inclusionAI stosował jednoznacznie określone licencje w swoich innych wydaniach — Apache 2.0 w przypadku LemonDecider, licencję społecznościową Q​wen w modelach SingProbe — więc ta luka wygląda na niedokończone wgranie. Jednak „wygląda na przeoczenie” to nie licencja, a przegląd zgodności nie może zatwierdzić modelu tylko dlatego, że jego wydawca prawdopodobnie zamierzał udzielić licencji permisywnej.

Dla każdego, dla kogo odpowiedź na pytanie „czy możemy to wdrożyć?” ma znaczenie, porównanie kończy się tutaj. WeVisOne można wdrożyć; SingVL_S1_4B jeszcze nie. Wszystko inne to dyskusja o możliwościach między dwoma modelami, z których tylko jeden jest obecnie dostępny, by ta dyskusja miała znaczenie.

Który z nich pasuje do którego pipeline'u?

• Wycinanie czegoś z obrazu — WeVisOne-VL-4B i nie jest nawet blisko, ponieważ SingVL_S1_4B w ogóle nie ma wyników segmentacji.

• Liczenie obiektów w zatłoczonej klatce — WeVisOne-VL-4B. Osiąga 57,1 w wierszu gęstej detekcji, gdzie najlepszy wynik bazowy to 47,9, a liczenie jest zadaniem pierwszorzędnym, a nie zachowaniem wywoływanym promptem.

• Wiedza o braku celu — WeVisOne-VL-4B, na podstawie wiersza odrzucenia i jawnego zwrotu None. To zdolność, która odróżnia demo od systemu.

• Uzależnianie kosztownego wywołania od poziomu pewności — kształt SingVL_S1_4B, jeśli możesz go hostować i licencja dotrze. Próg potrzebuje prawdopodobieństwa dla każdej opcji.

• Klasyfikowanie według ustalonej taksonomii — w zasadzie SingVL_S1_4B; jego typy wyboru i punktacji bezpośrednio przekładają się na taksonomie, podczas gdy model generatywny musi zostać z powrotem do niej ograniczony.

• Odczyt strony i uzyskanie zarówno pól, jak i ich pozycji — WeVisOne-VL-4B, który wykonuje OCR z lokalizacją w tym samym przebiegu co detekcję.

• Cokolwiek w tym miesiącu wdrożono komercyjnie — WeVisOne-VL-4B, wyłącznie z uwagi na licencjonowanie.

A wiersz, który nie należy do żadnego z nich: jeśli potrzebujesz pisemnego wyjaśnienia, co znajduje się na obrazie, oba modele są niewłaściwym narzędziem. WeVisOne zwraca ustrukturyzowaną percepcję, a SingVL_S1_4B zwraca prawdopodobieństwa; żaden z nich nie pisze akapitu.

Czego porównanie uczy o rynku, a nie o modelach

Interesujące jest tutaj nie to, że jeden model jest lepszy. Chodzi o to, że dwa laboratoria o porównywalnej wielkości udostępniły model wizyjny z 4–5 miliardami parametrów w tym samym kwartale i potraktowały to wydanie zupełnie inaczej. Tencent udostępnił artykuł, checkpoint dekodera z podaną liczbą parametrów, pipeline ewaluacyjny, licencję i stronę projektu, a ekosystem zbudował kwantyzacje i integracje w ciągu dwóch tygodni. inclusionAI udostępnił wagi, skrypt do wnioskowania i tabelę benchmarków, a ekosystem nie może z tego skorzystać, dopóki nie pojawi się licencja.

Obie strategie są uzasadnione. Ciche wydanie pozwala laboratorium opublikować checkpoint bez narracji premierowej, a karta modelu jest tu naprawdę dobrze napisana — przykłady API działają, typy pytań są udokumentowane wraz z przykładowymi obliczeniami, a konfiguracja zawiera hashe umożliwiające weryfikację. Ale checkpoint bez licencji to demonstracja, a nie produkt, a ta różnica ujawnia się dokładnie tam, gdzie to porównanie nieustannie powraca: czy ktokolwiek inny niż autor może na nim budować.

Jeśli chcesz przetestować wzorzec decyzyjny, zanim dotrą papiery, sam wzorzec można wywołać. OrcaRouter udostępnia TypeSafe Jev 1.14 w cenie $0.042 za milion tokenów wejściowych obok ponad 200 modeli w ramach jednego klucza, przekazując ceny katalogowe dostawców bez marży (0%), z automatycznym przełączaniem awaryjnym między dostawcami. Sing VL S1 nie występuje w OrcaRouter i nie jest nigdzie hostowany, więc nie jest to twierdzenie o jego dostępności — to najtańszy sposób, aby sprawdzić, czy na Twoich własnych etykietach wyniki probabilistyczne biją maski, zanim wydasz GPU na checkpoint, którego warunki są puste.

WeVisOne-VL-4B możesz po prostu pobrać. To ostatecznie jest sedno porównania: jeden z nich to model, którego możesz użyć, a drugi to model, o którym możesz poczytać.