WeVisOne-VL-4B kontra LFM2.5-VL-3B: specjalista od mattingu przeciwko szybkiemu modelowi brzegowemu

Liquid AI publikuje wartość prędkości dla LFM2.5-VL-3B, a Tencent nie publikuje żadnej dla WeVisOne-VL-4B. To właśnie ta asymetria, bardziej niż jakikolwiek wynik z benchmarku, definiuje ten pojedynek. LFM2.5-VL-3B to model edge z 3,1 mld parametrów, dostrojony do udzielania odpowiedzi w jednym przebiegu: 228 tokenów na sekundę na Apple M5 Max, 20 tokenów na sekundę na Galaxy S26 Ultra, poniżej 3,3 GB pamięci, szesnaście języków. WeVisOne-VL-4B to model percepcji z 4,83 mld parametrów, który zużyje do 1960 tokenów wizualnych i dekoder z 9,6 mln parametrów, aby oddać maskę alfa w pełnej rozdzielczości. Jeden jest zbudowany tak, by był wystarczająco szybki, aby mieścić się w interfejsie telefonu; drugi jest zbudowany po to, by generować piksele. Pokrywają się na słowie „vision” i prawie nigdzie indziej.

To sprawia, że jest to porównanie warte przeprowadzenia starannie, ponieważ jego oczywista wersja — zestawić tabele benchmarków obok siebie, ogłosić zwycięzcę — byłaby błędna w konkretny i pouczający sposób.

Tabele benchmarków nie komunikują się ze sobą

Oba modele publikują wyniki liczbowe dla wyrażeń referencyjnych i obie te liczby wydają się porównywalne. Nie są. LFM2.5-VL-3B podaje RefCOCO-avg P@1 na poziomie 87.9. WeVisOne-VL-4B podaje RefCOCOg test F1 mean na poziomie 81.8. Inny podział zbioru danych, inna metryka, inny model błędów: P@1 sprawdza, czy prostokąt o najwyższym rankingu jest poprawny, natomiast F1 mean uśrednia precyzję i czułość w progach IoU od 0.5 do 0.95. Model może wygrać w jednej metryce i przegrać w drugiej z dużą różnicą, przy czym żaden z tych wyników nie musi być zaskakujący.

Ta sama pułapka tkwi w każdym pozostałym wierszu. Wynik Liquid 80,7 na ScreenSpot-v2 mierzy ugruntowanie elementów UI; Tencent nie ma wyniku ScreenSpot. Wskaźnik odrzuceń Tencent 96,4% na WeRef-Bench mierzy, czy model odmawia odpowiedzi, gdy obiektu nie ma; Liquid nie publikuje żadnej metryki odrzuceń. Żaden z dostawców nie oceniał modelu drugiego, więc żaden wiersz w żadnej z tabel nie jest bezpośrednim porównaniem.

To, co można uczciwie powiedzieć, ma charakter kierunkowy. LFM2.5-VL-3B jest silnym generalistą w swojej klasie rozmiaru — średnia 69,4 w 28 benchmarkach wizyjnych według własnego zestawienia Liquid, w granicach 0,7 punktu od Qwen3.5-4B — a jego skok w ScreenSpot-v2 z niemal zera w poprzedniej generacji do 80,7 to największa pojedyncza poprawa w jego tabeli. WeVisOne-VL-4B nie konkuruje na tej osi. Jego najmocniejsze twierdzenia dotyczą gęstego wykrywania małych obiektów, odrzucania i wyników na poziomie pikseli, czego LFM2.5-VL-3B w ogóle nie próbuje.

Czym fizycznie jest każdy model

• Parametry — WeVisOne-VL-4B 4,83B dense (checkpoint F32) vs LFM2.5-VL-3B 3,12B dense (BF16)

• Ścieżka wizyjna — szkielet Qwen3-VL plus dekoder 9,6 mln pikseli kontra hybrydowa baza tekstowa LFM2.5-2.6B oparta na konwolucji i uwadze plus enkoder SigLIP2 NaFlex 400M

• Pamięć — około 19 GB na dysku dla checkpointu F32 4B w porównaniu z poniżej 3,3 GB całkowitego rozmiaru dla 3B

Kontekst — brak publikowanej wartości dla WeVisOne-VL-4B w porównaniu z 32 768 tokenami dla LFM2.5-VL-3B

• Języki — nie podano dla WeVisOne-VL-4B w porównaniu z 16 dla LFM2.5-VL-3B, ze słownikiem 128K zbudowanym z myślą o pismach niełacińskich

• Typy wyjściowe — ramki, punkty, maski i maty alfa vs tylko ramki i tekst

• Licencja — Apache 2.0 dla kodu autorstwa Tencent vs LFM Open License v1.0

• Szybkość — niepublikowana w porównaniu z 228 tok/s na M5 Max, 116 tok/s na Ryzen AI Max+ 395, 20 tok/s na Galaxy S26 Ultra

Luka kompetencyjna, która tak naprawdę rozstrzyga sprawę

LFM2.5-VL-3B potrafi wskazać, gdzie na obrazie znajduje się osoba. WeVisOne-VL-4B potrafi wskazać, gdzie znajduje się osoba, zwrócić maskę binarną dla tej instancji oraz zwrócić ciągłą matę alfa z miękkimi krawędziami — włosy, futro, przejrzysta tkanina, rozmycie ruchu — w pełnej rozdzielczości. To różnica kategorialna, a nie różnica jakości. Jeśli Twój produkt wymaga komponowania obiektu na nowym tle, wycięcia produktu ze zdjęcia lub obsługi zastępowania tła w rozmowie wideo, LFM2.5-VL-3B nie ma Ci nic do zaoferowania i żadna ilość inżynierii promptów tego nie zmieni.

Przeprowadź porównanie w drugą stronę i dzieje się to samo. Jeśli Twój produkt musi znaleźć przycisk na ekranie telefonu w 40 milisekund, WeVisOne-VL-4B zupełnie się nie nadaje: to model 4,83B bez opublikowanej wartości opóźnienia, bez skwantyzowanych kompilacji brzegowych i z dekoderem, który zakłada jeden obraz na turę. Liquid dostarcza kompilacje GGUF, MLX, ONNX i natywne oraz kontekst 32K i benchmarki wywoływania narzędzi. Tencent dostarcza badawczy pakiet do wnioskowania oraz obsługę serwowania vLLM/SGLang.

Odrzucenie to niedoceniana kolumna

Jedna z umiejętności w tabeli Tencent zasługuje na uwagę, nawet jeśli nigdy nie zajmujesz się mattingiem. W WeRef-Bench WeVisOne-VL-4B poprawnie odrzuca 96,4% zapytań o obiekty, których nie ma na obrazie, wobec 73,0% dla najlepszego wymienionego przez autorów modelu bazowego; w PR-Bench odsetek odrzuceń wynosi 52,6% wobec 10,8% dla Qwen3-VL-4B. Model zwraca None zamiast wymyślać ramkę. Detektor, który halucynuje, jest gorszy niż brak detektora, ponieważ błąd jest cichy, a kod dalszego przetwarzania mu ufa.

Dokumentacja LFM2.5-VL-3B nie podaje liczby odrzuceń, więc nie ma z czym porównywać — i w tym właśnie rzecz. Brak dowodów nie oznacza porażki, ale jeśli budujesz agenta, który decyduje, czy coś kliknąć, obecność zmierzonego współczynnika odrzuceń jest rzeczywistym powodem, by najpierw przyjrzeć się modelowi Tencent.

Licencjonowanie to cichy wyróżnik

To tutaj oba rozwiązania rozchodzą się w sposób istotny dla każdego, kto komercyjnie dostarcza produkt. Wagi WeVisOne-VL-4B są objęte licencją Apache 2.0 w przypadku kodu autorstwa Tencent, a komponenty innych firm zachowują własne warunki. LFM2.5-VL-3B jest udostępniany na licencji LFM Open License v1.0, która jest bezpłatna do użytku komercyjnego poniżej progu przychodów i wymaga umowy komercyjnej powyżej niego. Jeśli jesteście małym zespołem, różnica jest akademicka. Jeśli nie, jedno z nich oznacza przegląd prawny, a drugie — wiersz w pliku zależności.

Żadna z licencji nie przyznaje Ci prawa do usługi hostowanej. WeVisOne-VL-4B nie ma żadnego API; LFM2.5-VL-3B to wydanie wag, a jakiekolwiek hostowanie przez strony trzecie to odrębna umowa. Mówienie tego wprost ma dziś większe znaczenie niż kiedyś, ponieważ model bez punktu końcowego to zobowiązanie do posiadania własnego stosu wnioskowania.

Gdzie OrcaRouter pasuje, a gdzie nie

Żaden z tych modeli nie znajduje się dziś w katalogu OrcaRouter, więc nic tutaj nie stanowi drogi do ich wywołania. Platforma oferuje natomiast szerszą decyzję. Większość zespołów oceniających 3B edge VLM nie zastępuje jednego modelu innym — dodaje drugi obok modelu ogólnego przeznaczenia, który już działa na produkcji, a koszt operacyjny drugiej umowy z dostawcą, drugiego klucza i drugiego trybu awarii zwykle zabija eksperyment, zanim zrobi to sam model.

Kierowanie obu intencji przez jeden punkt końcowy, z ponad 200 modelami za jednym kluczem przy 0% narzutu względem ceny katalogowej dostawcy, oznacza, że model percepcji może być decyzją o routingu, a nie projektem integracyjnym. Jeśli model brzegowy jest niedostępny, automatyczne przełączenie awaryjne kieruje żądanie gdzie indziej zamiast zwracać 503. To jest część, którą OrcaRouter faktycznie tutaj rozwiązuje; wagi i GPU nadal są Twoje.

Który wybrać?

Wybierz LFM2.5-VL-3B, jeśli zadanie jest ograniczone opóźnieniem i ma charakter tekstowy: rozumienie ekranu, agenci UI, OCR dokumentów z układem, tłumaczenie na urządzeniu, wywoływanie narzędzi. Jest szybszy niż niemal wszystko w swoim rozmiarze, mieści się w budżecie pamięci telefonu, a Liquid opublikował wystarczająco dużo liczb, abyś mógł zweryfikować te twierdzenia na własnym obciążeniu.

Wybierz WeVisOne-VL-4B, jeśli zadanie kończy się na pikselach. Segmentacja, matting, gęsta detekcja małych obiektów lub dowolny potok, w którym „model powiedział nie” musi być wiarygodną odpowiedzią. Zaakceptuj, że jesteś wczesnym użytkownikiem: nie istnieje niezależny przebieg benchmarku, nie istnieje hostowany endpoint, kod fine-tuningu wciąż znajduje się na liście TODO, a artykuł ma dwa dni.

Jedyne, czego nie należy robić, to wybierać między nimi na podstawie pojedynczego wyniku benchmarku. Nikt ich ze sobą nie porównywał na tych samych danych.