SingVL_S1_4B vs WeVisOne VL 4B: O Lançamento Discreto Contra o Finalizado

A equipe WeChat Vision da Tencent publicou o artigo, os pesos, o pacote de inferência e a demonstração em outubro de 2026 sob Apache 2.0. É assim que um lançamento finalizado se parece. A inclusionAI enviou dois fragmentos safetensors em 11 de novembro de 2026, sem anúncio, sem artigo, sem licença e sem endpoint hospedado, e deu o assunto por encerrado. WeVisOne VL 4B e SingVL_S1_4B têm ambos cerca de quatro bilhões e meio a cinco bilhões de parâmetros, ambos construídos sobre backbones de visão Qwen, ambos preocupados em obter algo mais preciso do que um parágrafo a partir de uma imagem — e estão fazendo metades opostas desse trabalho. Um desenha máscaras sobre pixels. O outro retorna uma probabilidade sobre as respostas que você achou que deveria oferecer a ele. Compará-los tem menos a ver com qual é melhor do que com quanto vale um lançamento antes de estar concluído.

As duas capacidades, ditas sem floreio

WeVisOne-VL-4B — o nome é uma contração de WeChat Vision All-in-One — unifica a percepção em nível de objeto e a percepção em nível de pixel em um único modelo. Concretamente, ele realiza detecção de objetos com vocabulário aberto, localização de expressões referenciais, contagem de objetos, apontamento, localização de OCR, segmentação referencial e alpha matting promptável, que é a tarefa de produzir uma máscara suave e contínua ao redor de algo como cabelo ou um galho fino, onde uma fronteira rígida pareceria errada. O mecanismo é a predição estruturada do próximo token sobre tokens de coordenadas dedicados, além de um decodificador de pixels de 9,6 milhões de parâmetros enviado junto com o checkpoint como mask_decoder.pt. Ele retorna None quando um alvo consultado está ausente, o que parece trivial e é o comportamento mais útil em produção de grounding.

SingVL_S1_4B é um modelo de decisão. Ele recebe um estado — texto, JSON, até quatro imagens — e um dicionário de perguntas nomeadas, cada uma com um tipo declarado e respostas candidatas. Choice retorna uma probabilidade por opção, noul retorna a probabilidade de que uma afirmação de sim/não seja verdadeira, score retorna uma probabilidade por nível em dois a dez níveis ordenados e o nível esperado. Uma passagem forward, sem geração, sem coordenadas. O repositório inclui um servidor FastAPI na porta 8173 que responde em /v1/systemone, e o card do modelo é escrito inteiramente no vocabulário desse protocolo.

Portanto, a divisão é clara. O WeVisOne diz onde a coisa está e que forma ela tem. O SingVL_S1_4B diz qual é a probabilidade de a coisa ser o que você suspeita. Um pipeline que precisa recortar uma pessoa de uma fotografia não tem utilidade para uma probabilidade sobre três opções, e um pipeline que precisa saber se uma imagem ultrapassa um limiar de política não tem utilidade para uma máscara.

O que a versão refinada colocou em seu próprio cartão

A tabela de destaque do WeVisOne-VL-4B o compara com o baseline aberto mais forte em cada benchmark, proveniente de Qwen3-VL e Qwen3.5 até 9B, Rex-Omni, LocateAnything e modelos de segmentação e matting específicos para a tarefa. As linhas que sustentam o argumento:

• Detecção de LVIS — média de F1 de 55,3 contra uma linha de base de 50,7.

• Detecção densa Dense200 — 71,3 contra 58,7.

• Teste de referência do RefCOCOg — média de F1 de 81,8 contra 77,6.

• Taxa de rejeição do WeRef-Bench — 96,4 contra 73,0, a linha que mais importa para grounding em produção.

• Precisão de contagem do PixMo-Count — 89,6 contra 82,8.

• TotalText OCR — média F1 de 52,0 contra 43,3.

• Segmentação por referência ReasonSeg — gIoU 71,2 contra 65,0.

• P3M-500-NP box matting — MAD 7,3 contra 15,4, sendo menor melhor.

• Matting de texto WeRefMat — MAD 9,8 contra 22,4.

Esses são números do fornecedor sobre o pipeline de avaliação do fornecedor, executado com decodificação greedy e no máximo 1.960 tokens visuais por imagem, em comparação com baselines selecionadas pelo fornecedor. A leitura honesta é que eles estabelecem que o modelo funciona e, aproximadamente, onde ele se posiciona em relação à alternativa aberta mais forte em cada tarefa — não que as diferenças sejam exatas. A linha da taxa de rejeição é a mais confiável em essência, porque 96,4 contra 73,0 é uma diferença grande o suficiente para que detalhes do harness dificilmente a expliquem, e rejeitar alvos ausentes é o modo de falha que arruína sistemas de grounding em produção.

Há também uma variante 2B com coluna própria, o que é útil: 78,2 no teste RefCOCOg, 50,2 em rejeição, 62,9 na linha de detecção densa. O fornecedor publicou os números mais fracos do modelo menor ao lado dos mais fortes do modelo maior, que é o tipo de divulgação que sugere que a tabela não foi montada para um post de lançamento.

O que o lançamento silencioso colocou em seu próprio cartão

SingVL_S1_4B publica uma tabela “Public Decision Index 0.3”: 69,76 em Texto, 73,94 em Visão, contra TypeSafe Jev 1.14 com 60,70 em texto, StartLux-Decision v1.1 4B com 67,8 e 67,90, e Perplexity Decider Flash v1.2 com 60,1 e 72,5. O detalhamento por trás do agregado de visão vai de InfographicVQA com 96,31 e Winoground com 93,12 até MMMU-Pro vision com 50,17 e R-Bench-M com 49,77.

Esses números têm três problemas que os da WeVisOne não têm. Eles têm dois dias. Estão em um ranking cujo kit de pontuação é público, mas cuja metade privada não é, produzido por um laboratório que não submeteu uma execução ao kit público de reprodução — embora o cartão inclua instruções para registrar uma. E o repositório não traz licença, o que significa que os números não são a restrição vinculante para a adoção; a papelada é.

O que o card estabelece de forma incontestável é a interface: uma probabilidade por pergunta e por opção a partir de uma única passagem direta, com os detalhes internos do protocolo enviados como hashes SHA-256 em config.json para que uma execução possa ser verificada em relação ao código que a produziu. Essa é uma decisão de engenharia de verdade e é a coisa mais crível no lançamento.

O placar honesto tem uma linha compartilhada e ela está vazia

Esses dois modelos não têm nenhum benchmark em comum. WeVisOne mede F1 em limiares de IoU, gIoU e diferença absoluta média em mattes. SingVL_S1_4B mede acurácia corrigida pelo acaso sobre conjuntos de opções. Não há nenhuma linha em que a mesma medição tenha sido feita para ambos, e construir uma exigiria executar os dois nos mesmos dados — o que ninguém fez, porque um dos checkpoints tem dois dias.

O que pode ser comparado é o formato das evidências. O lançamento do WeVisOne inclui um relatório técnico no arXiv, uma página do projeto, um repositório no GitHub com um pipeline de avaliação, um cookbook, dois espaços de demonstração e instruções de reprodução que terceiros podem seguir. O lançamento do SingVL_S1_4B inclui um model card e uma pasta de inferência. Um deles permite que um desconhecido verifique as alegações; o outro pede que o desconhecido confie nelas.

O licenciamento, que decide mais do que qualquer um dos dois benchmarks

O WeVisOne-VL-4B é Apache 2.0. Isso cobre o código e os pesos de autoria da T​encent, com componentes de terceiros mantendo seus próprios termos, e é por isso que já existem quantizações GGUF, um nó do ComfyUI, uma compilação GGUF para uma NPU Rockchip e um pacote de integração em chinês circulando em até duas semanas após o lançamento. A redistribuição é permitida, então a redistribuição aconteceu.

SingVL_S1_4B não declara licença alguma em seus metadados e não distribui nenhum arquivo LICENSE. A inclusionAI usou licenças explícitas em seus outros lançamentos — Apache 2.0 no LemonDecider, a licença comunitária do Q​wen nos modelos SingProbe —, então a lacuna parece um upload inacabado. Mas “parece um descuido” não é uma licença, e uma revisão de conformidade não pode aprovar um modelo com base no fato de que seu publicador provavelmente pretendia que fosse permissivo.

Para qualquer pessoa para quem a resposta a “podemos lançar isto” importa, a comparação termina aqui. O WeVisOne pode ser lançado; o SingVL_S1_4B ainda não. Todo o resto é uma discussão sobre capacidade entre dois modelos em que apenas um está atualmente disponível para que a discussão importe.

Qual deles se encaixa em qual pipeline

• Recortar algo de uma imagem — WeVisOne-VL-4B, e não está nem perto, porque SingVL_S1_4B não tem saída de segmentação alguma.

• Contar objetos em um quadro lotado — WeVisOne-VL-4B. Ele reporta 57,1 na linha de detecção densa, onde a melhor linha de base é 47,9, e a contagem é uma tarefa de primeira classe, e não um comportamento induzido por prompt.

• Saber que um alvo está ausente — WeVisOne-VL-4B, com base na linha de rejeição e no retorno explícito None. Esta é a capacidade que separa uma demonstração de um sistema.

• {{1}}Condicionar uma chamada dispendiosa a uma confiança{{/1}} — {{2}}a forma do SingVL_S1_4B{{/2}}, {{3}}se o conseguir alojar e a licença chegar{{/3}}. {{4}}Uma probabilidade por opção é o que um limiar deseja{{/4}}.

• Classificar segundo uma taxonomia fixa — SingVL_S1_4B, em princípio; seus tipos de escolha e de pontuação mapeiam diretamente para taxonomias, ao passo que um modelo generativo precisa ser restringido de volta a uma.

• Ler uma página e obter tanto os campos quanto as suas posições — WeVisOne-VL-4B, que faz OCR com localização na mesma passagem que a detecção.

• Qualquer coisa implantada comercialmente este mês — WeVisOne-VL-4B, apenas pelo licenciamento.

E uma linha que não pertence a nenhum dos dois: se o que você precisa é uma explicação escrita do que está na imagem, ambos os modelos são a ferramenta errada. WeVisOne retorna percepção estruturada e SingVL_S1_4B retorna probabilidades; nenhum dos dois escreve um parágrafo.

O que a comparação ensina sobre o mercado, e não sobre os modelos

O interessante aqui não é que um modelo seja melhor. É que dois laboratórios de porte comparável lançaram um modelo de visão de 4 a 5 bilhões de parâmetros no mesmo trimestre e trataram o lançamento de forma completamente diferente. A Tencent publicou um artigo, um checkpoint do decodificador com contagem de parâmetros declarada, um pipeline de avaliação, uma licença e uma página do projeto, e o ecossistema criou quantizações e integrações em duas semanas. A inclusionAI publicou os pesos, um script de inferência e uma tabela de benchmarks, e o ecossistema não pode tocar em nada disso até a licença aparecer.

Ambas as estratégias são legítimas. Um lançamento discreto permite que um laboratório disponibilize um checkpoint sem uma narrativa de lançamento, e o model card aqui é genuinamente bem escrito — os exemplos de API funcionam, os tipos de pergunta estão documentados com cálculos demonstrados, e a configuração inclui hashes que tornam a verificação possível. Mas um checkpoint sem licença é uma demonstração, não um produto, e a diferença aparece exatamente no ponto para o qual esta comparação sempre retorna: se qualquer pessoa além do autor pode construir sobre ele.

Se você quiser testar o padrão de decisão antes que a papelada chegue, o próprio padrão é invocável. O OrcaRouter oferece o TypeSafe Jev 1.14 a US$ 0,042 por milhão de tokens de entrada ao lado de mais de 200 modelos sob uma única chave, repassando os preços de tabela dos provedores com 0% de margem, com failover automático entre provedores. O Sing VL S1 não está no OrcaRouter e não tem hospedagem em lugar algum, então isto não é uma alegação de disponibilidade sobre ele — é a maneira mais barata de descobrir se as saídas de probabilidade superam as máscaras nas suas próprias etiquetas, antes de você gastar uma GPU em um checkpoint cujos termos estão em branco.

WeVisOne-VL-4B você pode simplesmente baixar. Essa, no fim, é a comparação: um deles é um modelo que você pode usar, e o outro é um modelo sobre o qual você pode ler.