WeVisOne-VL-4B vs LFM2.5-VL-3B: Um Especialista em Matting Contra um Velocista de Borda

A Liquid AI publica um número de velocidade para o LFM2.5-VL-3B e a Tencent não publica nenhum para o WeVisOne-VL-4B. Essa assimetria, mais do que qualquer linha de benchmark, é o confronto. O LFM2.5-VL-3B é um modelo de borda de 3,1 bilhões de parâmetros ajustado para responder em uma única passada: 228 tokens por segundo em um Apple M5 Max, 20 tokens por segundo em um Galaxy S26 Ultra, menos de 3,3 GB de memória, dezesseis idiomas. O WeVisOne-VL-4B é um modelo de percepção de 4,83 bilhões de parâmetros que gastará até 1.960 tokens visuais e um decodificador de 9,6 milhões de parâmetros para entregar uma máscara alfa em resolução total. Um foi feito para ser rápido o suficiente para caber dentro da interface de um celular; o outro foi feito para produzir pixels. Eles se sobrepõem na palavra "visão" e praticamente em nenhum outro lugar.

Isso faz com que esta seja uma comparação que vale a pena fazer com cuidado, porque a versão óbvia dela — colocar as tabelas de benchmark lado a lado e declarar um vencedor — estaria errada de uma maneira específica e instrutiva.

As tabelas de benchmark não se comunicam entre si

Ambos os modelos publicam números de expressões de referência e ambos os números parecem comparáveis. Não são. O LFM2.5-VL-3B reporta RefCOCO-avg P@1 de 87,9. O WeVisOne-VL-4B reporta RefCOCOg test F1 mean de 81,8. Divisão de conjunto de dados diferente, métrica diferente, modelo de falha diferente: P@1 pergunta se a caixa mais bem classificada está correta; F1 mean calcula a média de precisão e recall em limiares de IoU de 0,5 a 0,95. Um modelo pode vencer em uma e perder na outra por uma margem ampla sem que nenhum dos resultados seja surpreendente.

A mesma armadilha está em todas as demais linhas. O 80,7 da Liquid no ScreenSpot-v2 mede a localização de elementos de UI; a Tencent não tem número no ScreenSpot. A taxa de rejeição de 96,4% da Tencent no WeRef-Bench mede se o modelo se recusa a responder quando o objeto não está presente; a Liquid não publica nenhuma métrica de rejeição. Nenhum dos fornecedores avaliou o modelo do outro, portanto nenhuma linha em nenhuma das tabelas é uma comparação direta.

O que pode ser dito com honestidade é direcional. O LFM2.5-VL-3B é um forte generalista em seu tamanho — média de 69,4 em 28 benchmarks de visão na própria contagem da Liquid, dentro de 0,7 ponto do Qwen3.5-4B — e seu salto no ScreenSpot-v2 de quase zero na geração anterior para 80,7 é a maior melhoria individual em sua tabela. O WeVisOne-VL-4B não compete nesse eixo. Suas alegações mais fortes são em detecção densa de pequenos objetos, rejeição e saída em nível de pixel, nenhuma das quais o LFM2.5-VL-3B tenta.

O que cada modelo é fisicamente

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

• Caminho de visão — um backbone Qwen3-VL mais um decodificador de 9,6M de pixels vs uma base textual híbrida de convolução-atenção LFM2.5-2.6B mais um codificador SigLIP2 NaFlex 400M

• Memória — aproximadamente 19 GB em disco para o checkpoint F32 4B versus menos de 3,3 GB de ocupação total para o 3B

• Contexto — nenhum valor publicado para o WeVisOne-VL-4B vs 32.768 tokens para o LFM2.5-VL-3B

• Idiomas — não especificado para WeVisOne-VL-4B vs. 16 para LFM2.5-VL-3B, com um vocabulário de 128K criado para escritas não latinas

• Tipos de saída — caixas, pontos, máscaras e mattes alfa vs caixas e somente texto

• Licença — Apache 2.0 para código de autoria da Tencent vs a LFM Open License v1.0

• Velocidade — não divulgado vs 228 tok/s em um M5 Max, 116 tok/s em um Ryzen AI Max+ 395, 20 tok/s em um Galaxy S26 Ultra

A lacuna de capacidade que realmente decide a questão

O LFM2.5-VL-3B consegue indicar onde uma pessoa está numa imagem. O WeVisOne-VL-4B consegue indicar onde uma pessoa está, devolver uma máscara binária para essa instância e devolver um alpha matte contínuo com bordas suaves — cabelo, pelo, tecido transparente, desfocagem de movimento — em resolução total. Trata-se de uma diferença categórica, não de uma diferença de qualidade. Se o seu produto precisa de compor um sujeito sobre um novo fundo, recortar a foto de um produto ou alimentar a substituição de fundo de uma videochamada, o LFM2.5-VL-3B não tem nada para lhe oferecer e nenhuma quantidade de prompt engineering muda isso.

Faça a comparação na direção oposta e acontece a mesma coisa. Se o seu produto precisa encontrar um botão na tela de um celular em 40 milissegundos, o WeVisOne-VL-4B é totalmente inadequado: é um modelo de 4,83B sem número de latência publicado, sem builds quantizados para edge e com um decoder que pressupõe uma imagem por turno. A Liquid oferece builds GGUF, MLX, ONNX e nativos, além de contexto de 32K e benchmarks de chamada de ferramentas. A Tencent oferece um pacote de inferência para pesquisa e serving com vLLM/SGLang.

A rejeição é a coluna subestimada

Uma capacidade na tabela da Tencent merece atenção mesmo que você nunca use recorte de imagem. No WeRef-Bench, o WeVisOne-VL-4B rejeita corretamente 96,4% das consultas por objetos que não estão na imagem, contra 73,0% do melhor baseline listado pelos autores; no PR-Bench, a taxa de rejeição é de 52,6% contra 10,8% do Qwen3-VL-4B. O modelo retorna None em vez de inventar uma caixa. Um detector que alucina é pior do que nenhum detector, porque a falha é silenciosa e o código subsequente confia nela.

A documentação do LFM2.5-VL-3B não reporta um índice de rejeição, então não há nada com que comparar — o que é justamente o ponto. A ausência de evidência não é uma falha, mas, se você está construindo um agente que decide se deve clicar em algo, a presença de uma taxa de rejeição medida é um motivo legítimo para olhar primeiro para o modelo da Tencent.

O licenciamento é o diferencial silencioso

É aqui que os dois divergem de uma forma que importa para qualquer pessoa que lance produtos comercialmente. Os pesos do WeVisOne-VL-4B estão sob Apache 2.0 para código de autoria da Tencent, com componentes de terceiros mantendo seus próprios termos. O LFM2.5-VL-3B é distribuído sob a LFM Open License v1.0, que é gratuita para uso comercial abaixo de um limite de receita e exige um acordo comercial acima dele. Se você é uma equipe pequena, a diferença é acadêmica. Se não for, uma dessas opções é uma revisão jurídica e a outra é uma linha em um arquivo de dependências.

Nenhuma das licenças concede a você um serviço hospedado. O WeVisOne-VL-4B não tem API alguma; o LFM2.5-VL-3B é um lançamento de pesos, e qualquer hospedagem por terceiros é um acordo à parte. Dizer isso claramente importa mais do que costumava, porque um modelo sem endpoint é um compromisso de assumir a própria pilha de inferência.

Onde o OrcaRouter se encaixa, e onde não

Nenhum desses modelos está no catálogo da OrcaRouter hoje, portanto nada aqui é um caminho para chamá-los. O que a plataforma oferece é a decisão em torno disso. A maioria das equipes que avalia um VLM de borda de 3B não está substituindo um modelo por outro — está adicionando um segundo ao lado do modelo de propósito geral já em produção, e o custo operacional de um segundo contrato com fornecedor, uma segunda chave e um segundo modo de falha geralmente mata o experimento antes do modelo.

Roteando ambas as intenções por um único endpoint, com mais de 200 modelos por trás de uma única chave com 0% de markup sobre o preço de tabela do provedor, isso significa que o modelo de percepção pode ser uma decisão de roteamento em vez de um projeto de integração. Se o modelo de borda estiver indisponível, o failover automático envia a solicitação para outro lugar em vez de retornar um 503. Essa é a parte que o OrcaRouter realmente resolve aqui; os pesos e a GPU ainda são seus.

Qual escolher

Escolha o LFM2.5-VL-3B se a tarefa for limitada por latência e centrada em texto: compreensão de tela, agentes de UI, OCR de documentos com layout, tradução no dispositivo e chamada de ferramentas. Ele é mais rápido que quase tudo em seu tamanho, roda dentro do orçamento de memória de um celular, e a Liquid publicou números suficientes para você validar as alegações em relação à sua própria carga de trabalho.

Escolha o WeVisOne-VL-4B se o trabalho termina em pixels. Segmentação, matting, detecção densa de objetos pequenos ou qualquer pipeline em que “o modelo disse não” precise ser uma resposta confiável. Aceite que você é um early adopter: não existe nenhuma execução independente de benchmark, não existe endpoint hospedado, o código de fine-tuning ainda está na lista de TODO e o artigo tem dois dias de idade.

A única coisa que não se deve fazer é escolher entre eles com base em uma única pontuação de benchmark. Eles não foram medidos uns contra os outros, nos mesmos dados, por ninguém.