WeVisOne-VL-2B vs LFM2.5-VL-3B: Twórca masek kontra czytnik ekranu

Podaj obu modelom to samo zdjęcie i to samo zdanie — „pies po lewej” — a otrzymasz dwie różne odpowiedzi. LFM2.5-VL-3B odpowiada lokalizacją, a jeśli zapytasz, opisem: ramką, punktem lub krótkim zdaniem o tym, co znalazł. WeVisOne-VL-2B również odpowiada ramką, a następnie mały dekoder zamienia tę ramkę w maskę alfa o miękkich krawędziach, którą można skomponować na nowym tle bez obwódki wokół sierści. Jeden model zbudowano po to, by czytał interfejs i odpowiadał. Drugi — by podawać ci piksele.

Ta różnica to całe porównanie i utrzymuje się w każdej tabeli benchmarków opublikowanej przez któregokolwiek z dostawców. Wyjaśnia to również, dlaczego te dwa modele rzadko są oceniane w zestawieniu ze sobą: karta Liquid AI nie wspomina o WeVisOne, artykuł Tencent nie wspomina o Liquid, a żadna strona trzecia nie uruchomiła ich obok siebie. Dalej przedstawiono, co każda publikacja faktycznie odnotowała, które z ich liczb można zestawić ze sobą, a których nie.

Dwa wydania, dwie bardzo różne ilości dowodów

LFM2.5-VL-3B został opublikowany przez Liquid AI 11 sierpnia 2026 r. — najpierw wagi, a ogłoszenie następnego dnia — i pojawił się z tabelą liczbowych benchmarków, nazwanym punktem odniesienia dla każdego wiersza oraz sekcją szybkości zmierzoną na nazwanym sprzęcie. To gęsty model o 3,12 mld parametrów: szkielet językowy LFM2.5-2.6B połączony z enkoderem wizji SigLIP2 NaFlex 400M, kontekst 32 768 tokenów, słownik 128 000 tokenów i szesnaście nazwanych języków. Jego licencją jest własna licencja Liquid LFM Open License v1.0, która jest bezpłatna do użytku komercyjnego poniżej progu przychodów, a nie bezwarunkowo bezpłatna.

WeVisOne-VL-2B został opublikowany przez zespół WeChat Vision Tencent 22 października 2026 r., a jego karta modelu nie zawiera żadnej tabeli benchmarków — żadnych wyników, żadnej długości kontekstu, żadnych danych o przepustowości, żadnych wymagań sprzętowych. Liczby istnieją, ale znajdują się w towarzyszącym artykule, który przedstawia siedem tabel zadań obejmujących to, co autorzy opisują jako ponad trzydzieści benchmarków. Tak więc te dwa wydania to nie tylko różne modele; to różne rodzaje dokumentów. Liquid opublikował specyfikację produktu. Tencent opublikował wynik badań i pozostawił kartę specyfikacji w większości pustą.

Ta asymetria ma znaczenie, gdy czytasz porównanie takie jak to. Liczby Liquid zestawiono tak, by odczytywać je na tle jej własnych punktów odniesienia. Liczby Tencenta zestawiono tak, by wygrać w akademickiej tabeli. Żaden z dostawców nie dobierał swoich liczb z myślą o drugim modelu, i właśnie dlatego liczby się nie zgadzają.

Liczba, która wygląda na porównywalną, ale nią nie jest.

Oba modele podają wynik RefCOCO, a zestawienie ich obok siebie daje ładnie wyglądający nagłówek: LFM2.5-VL-3B z 87,9 wobec WeVisOne-VL-2B z 79,7. To porównanie jest bez znaczenia i warto przeanalizować, dlaczego, ponieważ ten sam błąd jest właśnie teraz popełniany w arkuszach kalkulacyjnych.

• Liquid raportuje RefCOCO precision@1 uśrednioną po podziałach. Jest to statystyka detekcji: czy przewidywane pole o najwyższej pozycji wystarczająco pokrywało się z polem rzeczywistym, aby uznać je za poprawne.

• Wartość 79,7 firmy Tencent dotyczy tabeli segmentacji, a w artykule wprost stwierdzono, że podane tam wyniki dla rodziny RefCOCO to skumulowany IoU — łączna wartość przecięcia podzielona przez łączną wartość sumy w całym zbiorze ewaluacyjnym.

• Tabela Tencenta dotycząca detekcji referencyjnej w ogóle nie podaje RefCOCO. Podaje RefCOCOg, gdzie model 2B uzyskuje średnią F1 na poziomie 77,1.

Zatem 87,9 i 79,7 mierzą trzy różne rzeczy w dwóch różnych zadaniach. Prostokąt, który ledwie zachodzi na cel, może uzyskać dobry wynik w precision@1 i słaby w cIoU; maska, która dobrze pokrywa duży obiekt, może uzyskać wysoki wynik w cIoU, podczas gdy jej prostokąt ograniczający jest niedokładny. Żadne działania arytmetyczne ich nie pogodzą.

Ta sama pułapka występuje w OCR. Liquid publikuje OCRBench v1 z wynikiem 84,2 i OCRBench v2 English z wynikiem 47,5 — to benchmarki transkrypcji. Tencent publikuje OCR jako lokalizację F1 przy progu IoU 0,5: 62,1 na SROIE, 42,6 na ICDAR2015, 42,5 na TotalText, 30,5 na HierText. Mierzą one, czy model znalazł i otoczył ramką tekst, a nie czy odczytał go poprawnie. Cytowanie „84,2 kontra 62,1” byłoby porównywaniem testu czytania z testem wskazywania.

Co właściwie jest uczciwym porównaniem

Usuń wyniki, a oba modele pokryją się w wymiarach, które nie wymagają środowiska testowego:

• Rozmiar — około 3,12 mld gęstych parametrów dla LFM2.5-VL-3B w porównaniu z około 2 mld dla WeVisOne-VL-2B, plus dekoder o 9,5 mln parametrów, który trzeba pobrać osobno i jest wymagany do generowania gęstych wyników.

• Baza — własny hybrydowy szkielet Liquid LFM2.5-2.6B vs Qwen3-VL.

• Kontekst — 32 768 tokenów podanych na karcie kontra brak jakiejkolwiek publikowanej długości kontekstu. Etapy treningowe opisane w artykule WeVisOne przebiegały przy 4096 i 8192 tokenach, a wnioskowanie ogranicza każdy obraz do 1960 tokenów wizualnych, ale nic z tego nie stanowi okna wdrożeniowego.

• Typy wyników — ramki, punkty i tekst kontra ramki, punkty, maski binarne i ciągłe maty alfa.

• Rozumowanie — LFM2.5-VL-3B celowo nie prowadzi rozumowania i odpowiada bezpośrednio, aby utrzymać niskie opóźnienia; WeVisOne również nie prowadzi rozumowania, ale z innego powodu — generuje ustrukturyzowane dane wyjściowe bez łańcucha myśli, aby zapewnić wydajność wnioskowania. Żaden z modeli nie „myśli” przed udzieleniem odpowiedzi i żaden dostawca nie udaje, że jest inaczej.

• Wywoływanie narzędzi — obsługiwane i poddane testom porównawczym w LFM (ToolSandbox 59,5, BFCL v4 32,5) w porównaniu z brakiem zadeklarowanej funkcji w WeVisOne.

• Języki — szesnaście wymienionych na karcie LFM vs nieokreślone na karcie WeVisOne.

• Licencja — LFM Open License v1.0, z progiem przychodowym, w porównaniu z Apache 2.0 dla kodu autorstwa Tencent.

• Buildy skwantyzowane — eksporty GGUF, ONNX i MLX oferowane przez Liquid kontra brak jakichkolwiek ogłoszonych przez Tencent.

• Niezależna ocena — na moment pisania tego artykułu żaden z modeli nie ma wpisu w Artificial Analysis. Wszystkie liczby w tym artykule, pochodzące od obu dostawców, są danymi podanymi przez dostawców.

Luka wdrożeniowa jest szersza niż luka parametrowa.

LFM2.5-VL-3B zaprojektowano do działania na telefonie, a karta dowodzi tego liczbami: poniżej 3.3GB pamięci, 20 tokenów na sekundę na Galaxy S26 Ultra, 228 tokenów na sekundę na Apple M5 Max, 116 na AMD Ryzen AI Max+ 395 oraz około 11 000 tokenów wyjściowych na sekundę przy wysokiej współbieżności na pojedynczym H100. Jest dostarczany w formatach, które konsumenckie środowiska uruchomieniowe są w stanie faktycznie wczytać.

WeVisOne-VL-2B nie publikuje nic z tego. To, co publikuje, implikuje inny rachunek. Końcowy etap dekodera tworzy matę alfa o pełnej rozdzielczości i kroku 1, co oznacza, że gęste wyjście ma rozmiar obrazu wejściowego, a nie wektora o stałym rozmiarze — koszt, który skaluje się z rozdzielczością, a nie z liczbą parametrów. Dla modelu 2B na nowoczesnym GPU jest to do opanowania. W przypadku telefonu wcale nie jest to oczywiście do opanowania, a Tencent nie twierdził, że jest.

Praktyczna konsekwencja jest taka, że te dwa modele nie konkurują o to samo miejsce wdrożenia. Jeden jest komponentem, który można dostarczyć w aplikacji. Drugi to komponent, który uruchamiałbyś na serwerze lub na stacji roboczej, obok wszystkiego innego, co wymaga maskowania.

Wybieraj według typu danych wyjściowych, nie według punktacji.

Jeśli zadaniem jest odczytywanie ekranu — analiza przepływu zakupu, znalezienie przycisku oznaczonego „Continue”, wyodrębnienie tabeli ze sfotografowanego dokumentu — LFM2.5-VL-3B jest oczywistym kandydatem. Osiąga 80,7 w ScreenSpot-v2, 91,1 w DocVQA, 81,3 w ChartQA oraz wynik w ToolSandbox, który sugeruje, że potrafi działać na podstawie tego, co widzi, a nie tylko to opisywać. Ma też średnią 69,4 z 28 benchmarków, którą Liquid publikuje w zestawieniu z nazwanymi modelami siostrzanymi, co przynajmniej mówi, jak dostawca postrzega własne otoczenie.

Jeśli zadaniem jest wyizolowanie obiektu — wycięcie produktu, osoba na zatłoczonym tle, pierwszy plan z odstającymi włosami lub przezroczystą krawędzią — LFM2.5-VL-3B nie tworzy takiego wyniku i żadne podpowiedzi tego nie zmienią. WeVisOne-VL-2B to robi, a przewaga w tabelach mattingu jest duża: 6,6 średniej różnicy bezwzględnej wobec 15,4 dla SAM2-Matting na P3M-500-NP, 15,8 wobec 23,0 dla potoku Qwen3-VL-8B plus SAM2 w podziale WeRefMat z podpowiedziami językowymi.

Jest jeszcze jeden przypadek, w którym WeVisOne ma godne odnotowania twierdzenie: brak. Tencent podaje współczynnik odrzuceń na poziomie 50,2 w RefCOCOg dla zapytań, których cel nie znajduje się na obrazie, w porównaniu z 0,5 i 0,6 dla dwóch wyspecjalizowanych modeli groundingowych w tej samej tabeli. Jeśli Twój pipeline przetwarza tysiące wycinków i większość z nich nie zawiera niczego, na czym Ci zależy, model, który wiarygodnie mówi „nie ma tego”, oszczędza Ci klasyfikatora downstream. Karta LFM2.5-VL-3B nie podaje porównywalnego współczynnika odrzuceń, więc nie ma czego postawić obok — to luka w dowodach, a nie strata.

Nic z tego nie jest powodem, by wybierać jeden i rezygnować z drugiego, i warto uczciwie powiedzieć, gdzie mieści się router. OrcaRouter nie obsługuje żadnego z tych modeli; żaden nie znajduje się w naszym katalogu i żaden nie jest hostowany nigdzie, co moglibyśmy zweryfikować – w szczególności w przypadku WeVisOne. Oferujemy natomiast otaczający stos: jeśli Twój pipeline wykorzystuje hostowany model wizyjny do części odczytującej, a model hostowany we własnym zakresie do części maskującej, wywołania hostowane przechodzą przez jeden klucz API w cenie katalogowej dostawcy, bez narzutów, przełączanie awaryjne przenosi je do innego dostawcy, gdy jeden z nich zawodzi, a DSL routingu pozwala umieścić obie części za jednym punktem końcowym, dzięki czemu Twoja aplikacja nigdy nie dowiaduje się, który z nich odpowiedział.

Co by to właściwie rozstrzygnęło

Jedno niezależne stanowisko testowe, uruchomione przez kogoś, kto nie jest żadnym z dostawców, na tych samych obrazach, raportujące zarówno statystykę detekcji, jak i statystykę segmentacji dla obu modeli. To nie istnieje. Dopóki nie powstanie, możliwe do obrony stanowisko jest tym nudnym: te modele odpowiadają na różne pytania, ich publikowane liczby są mierzone różnymi przyrządami, a wybór między nimi rozstrzyga to, czego oczekuje twój dalszy kod — zdania czy maski.

Jeśli z tego porównania masz wynieść tylko jedną rzecz, niech będzie nią kształt dowodów. Liquid AI dało ci tabelę, którą możesz sfalsyfikować. Tencent dało ci artykuł, który możesz przeczytać, oraz kartę, która szczerze mówi, czego model nie zrobi. Żadne z nich nie dało ci liczby, którą można porównać z drugą, a każdy artykuł, który drukuje 87,9 obok 79,7 bez tego zastrzeżenia, sprzedaje ci ranking, który nie istnieje.