LFM3-VL-2B vs WeVisOne-VL-2B: Três Dias de Diferença, Apostas Opostas

LFM3-VL-2B surgiu no Hugging Face em 19 de outubro de 2026. WeVisOne-VL-2B surgiu em 22 de outubro. Dois modelos, ambos com cerca de dois bilhões de parâmetros, ambos de pesos abertos, ambos de laboratórios conhecidos, publicados com 72 horas de diferença entre si. Seria de esperar que fossem quase substitutos. Estão mais próximos de apostas opostas sobre o que significa "visão": um responde a perguntas sobre o que vê, o outro devolve a forma precisa daquilo que vê.

Essa distinção é fácil de passar despercebida em uma ficha técnica, porque ambos os cards listam caixas e ambos listam OCR. A diferença está no formato de saída e no objetivo de treinamento, e isso determina se você pode inserir qualquer um dos modelos em um pipeline sem uma camada de parsing. Também determina qual deles tem motivo para existir depois que os modelos de propósito geral melhorarem.

Duas definições de ver

LFM3-VL-2B é o modelo generalista da Liquid AI. Ele recebe texto, imagens e vídeo a 2 fps, gera texto, oferece suporte a raciocínio passo a passo, tem contexto de 128K e cobre 16 idiomas. A arquitetura é um modelo denso de 1,92B — um backbone de linguagem de 1,73B, um codificador de visão próprio de 164M e um projetor de 25M — com builds BF16, GGUF, MLX 4-bit e ONNX publicados. O post da família da Liquid o descreve como um modelo capaz de "observar, raciocinar e compreender o mundo físico", e o caminho de vídeo é genuinamente novo para a família.

O WeVisOne-VL-2B é o modelo WeChat Vision da Tencent. É construído sobre uma base Qwen3-VL com cerca de 2,4 mil milhões de parâmetros sob Apache 2.0, e o seu propósito é a perceção unificada: deteção de vocabulário aberto, localização por referência, contagem, apontamento, localização de OCR, segmentação por referência e alpha matting promptável. Devolve coordenadas normalizadas através de tokens dedicados, além de máscaras através de um descodificador de píxeis separado de 9,6M de parâmetros que tem de ser carregado juntamente com o modelo de linguagem.

Um modelo é um leitor. O outro é um instrumento de medição. A sobreposição em suas tabelas de benchmark é real, mas é a sobreposição de dois produtos diferentes medindo a mesma cena.

O formato de saída é o produto

O WeVisOne-VL-2B codifica coordenadas como tokens de <0> a <1000>, marca cada instância com um token <OBJ> e retorna None quando o alvo solicitado está ausente. Esse último detalhe é o que os profissionais notam: o card informa uma taxa de rejeição de 50,2 no RefCOCOg, contra cerca de 0,5 para Rex-Omni e LocateAnything. Ele é treinado para dizer "não está aqui" em vez de alucinar uma caixa.

O decodificador de pixels não é opcional. A segmentação e o matting alfa exigem mask_decoder.pt, um módulo de 9,6 M de parâmetros acionado pelo token de objeto. Se você carregar apenas o modelo de linguagem, obterá coordenadas, mas não máscaras. O repositório do GitHub inclui o pacote de inferência que conecta os dois, e o modelo é de turno único e apenas para imagens por design — o decodificador de pixels rejeita grades de vídeo.

O LFM3-VL-2B não tem contrato equivalente. Ele descreverá uma região, contará objetos ou raciocinará sobre uma cena em prosa, e sua linha de grounding (RefCOCO-avg 90.5) sugere que ele é competente em localização. Mas a saída é texto. Para um pipeline que precisa de uma máscara, a diferença entre 90.5 e um polígono interpretável é a diferença entre uma demonstração e um produto.

Fundamentando números que você não pode subtrair

Os dois cartões relatam resultados da família RefCOCO, e não se trata da mesma medição. O LFM3-VL-2B relata RefCOCO-avg 90,5, que calcula a média dos subconjuntos de expressões referenciais. O WeVisOne-VL-2B relata RefCOCOg 77,1 de F1 médio para detecção referencial e RefCOCO testA 82,9 cIoU para segmentação referencial. RefCOCOg é um subconjunto diferente, com expressões mais longas e mais conversacionais; cIoU é uma métrica diferente de F1.

Subtrair 77,1 de 90,5 produz um número que não significa nada. A leitura honesta é que ambos os modelos são fortes em localização por referência em seus próprios harnesses, que nenhum dos harnesses foi reproduzido de forma independente e que as definições das métricas diferem o suficiente para que o ranking permaneça indefinido. A mesma cautela se aplica ao OCR: o LFM3-VL-2B reporta OCRBench v1 86,3, enquanto o WeVisOne-VL-2B reporta OCR HierText 30,5, que é um benchmark diferente em um conjunto de dados mais difícil.

Onde a comparação é limpa, ela favorece o especialista em seu próprio terreno: o WeVisOne-VL-2B reporta F1 de detecção no COCO de 55,2, no LVIS de 53,3 e no Dense200 de 61,4, contra um modelo que não publica nenhum F1 de detecção. Isso não é uma vitória automática. É um lembrete de que o generalista não foi treinado para ser avaliado dessa forma.

O fosco é o fosso

O alpha matting promptável é o recurso que nem o LFM3-VL-2B nem a maior parte de sua classe de tamanho oferecem. O WeVisOne-VL-2B relata uma diferença absoluta média de 6,6 no P3M-500-NP para mattes de bordas suaves — a fronteira semitransparente ao redor de cabelo, vidro e pelos que uma máscara de segmentação binária transforma em um corte rígido. O card é franco sobre os limites: fronteiras finas de alpha se degradam sob oclusão, baixa resolução e transparência. Mas, para recortes de produtos, composição e substituição de fundo, um matte é a saída de que o pipeline realmente precisa.

Este é o argumento mais forte para a existência do modelo. Um generalista de 2B consegue descrever uma imagem; ele não consegue entregar um canal alfa suave. A Tencent construiu um modelo pequeno em torno de um decodificador de pixels porque essa saída é cara de se obter de um modelo grande de propósito geral, e o irmão de 4B existe para equipes que precisam de mais precisão na mesma tarefa.

Vídeo e pensamento são o outro fosso competitivo.

O diferencial do LFM3-VL-2B segue a direção oposta. Ele aceita vídeo a 2 fps e reporta Video-MME 62,8 sem legendas, MVBench 69,4 e MMMB 85,2. O WeVisOne-VL-2B é de turno único e somente imagens; seu decodificador de pixels rejeita grades de vídeo. Se a sua entrada for um clipe, a comparação acaba antes mesmo de a tabela de benchmarks começar.

O modo de pensamento acrescenta uma segunda lacuna. O LFM3-VL-2B reporta MathVista 84,2 com pensamento contra 68,5 sem, e MMMU 55,7 contra 48,6. O WeVisOne-VL-2B não tem cadeia de pensamento por design, por eficiência. Essa é uma escolha legítima de engenharia para um componente de percepção e um limite rígido para um modelo que você quer que raciocine sobre um gráfico.

Memória, licença e o preço de entrada

• Parâmetros — LFM3-VL-2B denso com 1,92B vs WeVisOne-VL-2B com aproximadamente 2,4B, além de um decodificador de pixels de 9,6M.

• Memória — cerca de 3,84 GB em BF16 por cálculo para o LFM3-VL-2B, com uma build MLX de 4 bits; aproximadamente 9,1 GB de pesos em F32 e estimados 4,9 GB em BF16 para o WeVisOne-VL-2B, segundo notas de implantação de terceiros, e não a ficha.

• Entrada — texto, imagem e vídeo a 2 fps vs. apenas imagem e texto, turno único.

• Saída — prosa, opcionalmente com raciocínio vs texto, coordenadas normalizadas, máscaras e alpha mattes.

• Contexto — 128K vs não declarado como uma janela em escala de documento; o decodificador de pixels é a restrição.

• Licença — LFM Open License v1.0, uso comercial abaixo de $10M de receita anual vs Apache 2.0 em qualquer porte.

• Publicado — repositório em 19 de outubro de 2026, anúncio da família em 27 de outubro versus repositório em 22 de outubro de 2026.

A linha da licença é o inverso da história habitual. O modelo da Tencent é o de licença permissiva; o da Liquid é o que tem um teto de receita. Para uma empresa que desenvolve um produto comercial de percepção, o Apache 2.0 elimina um item de due diligence que a licença LFM cria. Isso não torna os modelos intercambiáveis, mas significa que o modelo menor e mais geral carrega a maior restrição legal.

Nenhum dos modelos tem preço para hospedagem

Os dois cards publicam pesos e nenhum publica uma tarifa de API por token. O Hugging Face não lista nenhum provedor de inferência para o LFM3-VL-2B; o card do WeVisOne-VL-2B também não tem endpoint hospedado, embora existam portes da comunidade para LiteRT, Core AI, GGUF e Android. Esta é a configuração atual do segmento de visão 2B: os pesos são gratuitos, o serviço de inferência é por sua conta, e o custo real é a GPU e o trabalho de integração.

Se você preferir alugar esse nível em vez de possuí-lo, o OrcaRouter encaminha modelos de visão hospedados — entre eles o Qwen3-VL-8B — por meio de uma única API, com o preço de tabela do provedor repassado com 0% de markup, e fusão de modelos caso você queira que um modelo de percepção e um modelo de raciocínio respondam como um painel. Não oferecemos nenhum dos dois checkpoints nesta comparação, e nada aqui implica que o fazemos. O ponto relevante é que alugar um modelo hospedado um pouco maior é uma terceira opção legítima quando nenhum dos modelos de pesos abertos é disponibilizado com um endpoint.

Como escolher

• Use o WeVisOne-VL-2B se a saída for geometria: caixas, máscaras, mattes alfa, contagens ou um sinal de "não presente". Use-o se o Apache 2.0 for inegociável, ou se estiver construindo um pipeline de recorte, composição ou percepção robótica.

• Escolha o LFM3-VL-2B se a entrada incluir vídeo, se precisar raciocinar sobre um gráfico ou formulário, ou se quiser um único modelo pequeno para responder a perguntas gerais em vez de medir formas.

• Use os dois apenas se estiver preparado para executar dois pipelines. Eles compartilham uma classe de parâmetros e quase nada mais, e o custo de integração de fingir o contrário é maior do que o custo do segundo modelo.

O intervalo de três dias entre seus repositórios é uma coincidência. A divergência no que eles retornam não é. Dois laboratórios olharam para o mesmo orçamento de 2B e o gastaram em resultados diferentes, e a pergunta certa não é qual deles é melhor — é qual resultado a próxima etapa do seu pipeline consegue de fato consumir.