Molmo2-4B vs WeVisOne-VL-4B: Pontos, Máscaras e a Pergunta Que Ninguém Faz Primeiro

Peça aos dois modelos para encontrar o cachorro e você receberá uma resposta de cada. O Molmo2-4B retorna uma coordenada. O WeVisOne-VL-4B retorna uma bounding box e, se você pedir o matte, um canal alfa em resolução total com o pelo ainda presente. Esses são três produtos diferentes usando a mesma palavra — "grounding" — e qual deles você precisa decide esta comparação muito antes de qualquer benchmark. O Molmo2-4B é um modelo generalista de visão-linguagem de 4,85B do Allen Institute for AI, com saída por ponto e um caminho real para vídeo. O WeVisOne-VL-4B é um modelo de percepção de 4,83B da equipe WeChat Vision da Tencent que unifica detecção, localização por referência, contagem, apontamento, OCR, segmentação por referência e alpha matting promptável em um único checkpoint, além de um decodificador de pixels de 9,6M de parâmetros.Pipelines de percepção raramente param em um único modelo. Preços com 0% de markup O preço de tabela do provedor é repassado sem alteração, então um corte do fornecedor entra em vigor no mesmo dia.

Nenhum dos dois é novo. O Molmo2-4B foi anunciado em 11 de dezembro de 2025 e seus pesos foram disponibilizados em 14 de dezembro. O repositório do WeVisOne-VL-4B surgiu em 22 de outubro de 2026 com um artigo no arXiv, 2610.31329, anexado. A mudança recente do lado do Molmo é de infraestrutura, não de modelo: o suporte nativo ao Transformers foi integrado em 9 de outubro e disponibilizado na v5.20.0 em 15 de outubro, e a Ai2 publicou um fine-tune de robótica do Molmo2-4B em 5 de novembro. Útil se você estava esperando para executá-lo sem código remoto. Não é um lançamento, nem um motivo para chamar isto de lançamento.

O contrato de saída é a decisão por inteiro.

• Molmo2-4B — um ponto, em 0–1000 da largura e altura da imagem, envolto em uma tag com uma regex publicada; no modo vídeo, cada ponto carrega um timestamp, e o apontamento multi-imagem é reduzido a triplas de índice de quadro, x, y.

• WeVisOne-VL-4B — uma caixa, um ponto, uma máscara ou um alpha matte, selecionado pelo argumento da tarefa; tarefas densas emitem um token de instância após cada caixa e o decodificador de pixels os transforma em máscaras e mattes.

• Apontar é o único resultado que ambos produzem, e é o único ponto em que existe uma comparação justa.

• O Molmo2-4B não possui cabeça de segmentação e não consegue produzir um matte. O WeVisOne-VL-4B não tem caminho de vídeo: sua própria documentação afirma que grades de vídeo são rejeitadas pelo decodificador de pixels.

• O Molmo2-4B é capaz de turno único, mas nativo para múltiplas imagens; o WeVisOne-VL-4B visa a percepção de imagens em turno único e dispensa explicitamente a cadeia de pensamento em prol da latência.

Essa quarta linha encerra a maior parte do argumento. Se o seu pipeline precisa de um canal alfa — composição, recortes de produtos, substituição de fundo, qualquer coisa em que a borda do cabelo importe —, o Molmo2-4B não é candidato e nunca foi. Se o seu pipeline precisa acompanhar um objeto ao longo de 384 quadros de vídeo, o WeVisOne-VL-4B não pode entrar na comparação. O restante deste artigo trata da faixa estreita em que ambos são plausíveis.

Ambos são "4B" e nenhum dos dois é exatamente isso

Parâmetros — Molmo2-4B tem 4.850.869.200; WeVisOne-VL-4B tem 4.830.581.248. Uma diferença de 0,4% entre si, o que é o acaso que torna o confronto interessante.

• Arquitetura — SigLIP 2 so400m mais Qwen3-4B-Instruct-2507 para o Molmo2-4B; um backbone Qwen3-VL mais um decodificador de máscara separado de 9,6M de parâmetros para o WeVisOne-VL-4B.

• Download — 19,42 GB de safetensors float32 em quatro fragmentos para o Molmo2-4B; aproximadamente 9,7 GB de pesos bfloat16, incluindo o mask_decoder.pt obrigatório para o WeVisOne-VL-4B.

• Contexto — 36.864 posições para o Molmo2-4B; um orçamento de 262.144 tokens não é a restrição operacional do WeVisOne, que avalia até 1.960 tokens visuais por imagem.

• Licença — Apache 2.0 para ambos, com o cartão do Molmo2-4B acrescentando que seus dados de treinamento estão sujeitos a uso exclusivo para pesquisa acadêmica e não comercial.

• Runtime — Transformers com código remoto (ou nativo desde a v5.20.0) mais molmo_utils e decord2 para o Molmo2-4B; o pacote de inferência próprio da Tencent com backend transformers ou vLLM para o WeVisOne-VL-4B.

A linha de download é a surpresa prática. O Molmo2-4B ocupa o dobro do espaço em disco, apesar de ter a mesma contagem de parâmetros, porque a AI2 o publicou em float32 e a Tencent o publicou em bfloat16. Um download de 19,42 GB que você converte imediatamente para menor precisão não é o mesmo objeto que um download de 9,7 GB que você serve como enviado, e apenas um deles cabe confortavelmente ao lado de um lote de outros modelos em uma única máquina.

De onde vêm os números e onde eles param

Nenhum dos modelos tem um placar independente, então tudo abaixo é informado pelos fornecedores. Os dois fornecedores escolheram conjuntos de benchmarks quase disjuntos, e é exatamente por isso que a comparação continua sendo feita de forma equivocada.

WeVisOne-VL-4B, do relatório técnico: 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. Em matting, o MAD com prompt de caixa do P3M-500-NP é 7,3 e o MAD com prompt de texto do WeRefMat é 9,8 — quanto menor, melhor, e ambos superam as baselines SAM2-Matting com as quais o artigo compara.

Molmo2-4B, segundo seu card: uma média de 62,8 em 15 benchmarks acadêmicos, atrás de seu próprio irmão 8B com 63,1 e à frente do Qwen3-VL-4B com 58,1, do InternVL3.5-4B com 53,4 e do GLM-4.1V-9B com 56,9, com Gemini 3 Pro em 70,0 e GPT-5 em 70,6 na mesma tabela.

Nem uma dessas linhas é compartilhada. O único benchmark em que ambos aparecem na mesma avaliação é contagem, e mesmo aí os números vêm de artigos diferentes com protocolos diferentes.

A descoberta desconfortável dentro do próprio artigo da WeVisOne

O dado mais acionável nas tabelas do WeVisOne não é a pontuação do 4B. É que o 4B às vezes perde para o seu próprio irmão 2B.

• Melhor em 4B — Dense200 71,3 vs 61,4, LVIS 55,3 vs 53,3, RefCOCOg teste 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.

• Pior em 4B — matting de caixa P3M-500-NP MAD 7,3 vs 6,6, PPM-100 6,1 vs 5,3, cIoU do teste Ref-ZOM 72,2 vs 73,4.

Leia esse segundo item duas vezes. Em matting com prompts de caixa em cenas comuns, os 2,8B extras de modelo de linguagem não compram nada e custam um décimo de ponto de MAD, provavelmente porque o decodificador obrigatório de 9,6M está fazendo o trabalho denso e o modelo de linguagem está apenas escolhendo para onde apontar. O 4B justifica seu tamanho em tarefas difíceis condicionadas por linguagem — segmentação por referência, contagem densa, detecção em aglomerações — e vai no piloto automático ou regride levemente nas fáceis.

Então, "pegar o WeVisOne maior" não é um padrão seguro. Nomeie a tarefa antes de nomear o checkpoint.

Falsos positivos, que ninguém avalia em benchmarks

Pode-se pedir a ambos os modelos algo que não está lá. O comportamento publicado deles difere acentuadamente, e esta é a linha que deveria preocupar qualquer pessoa que esteja construindo um ciclo de verificação.

O relatório da WeVisOne apresenta três taxas de rejeição que costumam ser fundidas numa única cifra e que não devem ser: RefCOCOg-Rej 67,4, WeRef-Bench Rej 96,4 e PR-Bench Rej 52,6. A diferença entre 96,4 e 52,6 é o que importa. No benchmark interno, o modelo quase sempre recusa corretamente quando o objeto consultado está ausente; no conjunto adversarial público, ele inventa uma resposta em cerca de metade dos casos.

O Molmo2-4B não publica nenhuma taxa de rejeição. Seu card informa médias em 15 benchmarks e nada sobre abstenção. Se sua aplicação depende de o modelo dizer "não presente", essa é uma propriedade não medida em um dos lados desta comparação, e ela merece um conjunto de testes próprio, em vez de uma citação de benchmark.

Para que serve cada um

Use o WeVisOne-VL-4B quando o entregável for uma região ou um pixel: detecção de vocabulário aberto, segmentação por referência, matting promptável, localização densa de OCR em uma única imagem. Use o irmão 2B em vez disso quando a tarefa for matting de caixas em cena fácil, porque o artigo diz que o 4B não melhora nesse caso. Não use nenhum dos dois se vídeo estiver no escopo, porque o decodificador de pixels rejeita grades de vídeo.

Use o Molmo2-4B quando o entregável for uma localização em um fluxo: aponte para o objeto, rastreie-o entre quadros, conte instâncias ao longo do tempo, raciocine sobre um conjunto de imagens. Use-o quando uma coordenada mais um carimbo de data/hora for o artefato útil e uma máscara seria exagero. Reserve orçamento para o download em float32 e para a conversão de tipo.

Há um terceiro padrão que aparece em produção com mais frequência do que qualquer uma das escolhas puras: executar ambos, porque as tarefas são complementares e não concorrentes. Uma passada de detecção em um quadro estático e uma passada de apontamento no vídeo que vem depois são duas chamadas com dois formatos de saída diferentes, e a conexão entre elas é a parte cara. É para isso que serve uma camada de roteamento — a DSL de roteamento compõe vários modelos em uma única chamada, de modo que a passagem entre um modelo de matting e um modelo de apontamento seja uma configuração, e não um serviço. Nem o WeVisOne-VL-4B nem o Molmo2-4B estão no catálogo do OrcaRouter; ambos são pesos que você hospeda, e a forma honesta de dizer é que o roteamento fica acima deles.

A resposta de uma linha.

Se você precisa de pixels, isto não é uma comparação — WeVisOne-VL-4B é o único que os produz, e você deve verificar se seu irmão 2B o supera na sua tarefa específica de matting antes de pagar pelo 4B. Se você precisa de pontos ao longo do tempo, também não é uma comparação — Molmo2-4B é o único com um caminho de vídeo. A disputa só se torna real quando a tarefa é "encontrar o objeto nesta imagem estática", e aí o fator decisivo não é a precisão, mas a abstenção: WeVisOne publicou números de rejeição, Molmo2-4B não tem nenhum.