LFM3-VL-2B против WeVisOne-VL-2B: разница в три дня, противоположные ставки

LFM3-VL-2B появилась на Hugging Face 19 октября 2026 года. WeVisOne-VL-2B появилась 22 октября. Две модели, обе примерно с двумя миллиардами параметров, обе с открытыми весами, обе из известных лабораторий, опубликованы с интервалом менее 72 часов. Можно было бы ожидать, что они почти взаимозаменяемы. На деле они скорее противоположные ставки на то, что означает «зрение»: одна отвечает на вопросы о том, что видит, другая возвращает точную форму того, что видит.

Это различие легко упустить в спецификации, потому что обе карточки упоминают боксы, и обе карточки упоминают OCR. Разница — в формате вывода и цели обучения, и она определяет, можно ли встроить любую из этих моделей в пайплайн без слоя парсинга. Она же определяет, у какой из них есть причина существовать после того, как универсальные модели станут лучше.

Два определения видения

LFM3-VL-2B — универсальная модель от Liquid AI. Она принимает текст, изображения и видео с частотой 2 кадра в секунду, выдаёт текст, поддерживает пошаговое мышление, имеет контекст 128K и охватывает 16 языков. Архитектура представляет собой плотную модель на 1,92 млрд параметров — языковой бэкбон на 1,73 млрд, собственный визуальный энкодер на 164 млн и проектор на 25 млн — с опубликованными сборками BF16, GGUF, MLX 4-bit и ONNX. В публикации Liquid о семействе она позиционируется как модель, способная «наблюдать, рассуждать и понимать физический мир», а видеотракт действительно является новым для семейства.

WeVisOne-VL-2B — это модель зрения WeChat от Tencent. Она построена на базовой архитектуре Qwen3-VL с примерно 2,4 млрд параметров под лицензией Apache 2.0, а её назначение — унифицированное восприятие: обнаружение по открытому словарю, локализация по указанию, подсчёт, указание, локализация OCR, сегментация по указанию и альфа-маттинг по подсказкам. Она возвращает нормализованные координаты через специальные токены, а также маски через отдельный пиксельный декодер с 9,6 млн параметров, который необходимо загружать вместе с языковой моделью.

Одна модель — это читатель. Другая — измерительный прибор. Пересечение в их таблицах бенчмарков реально, но это пересечение двух разных продуктов, измеряющих одну и ту же сцену.

Формат вывода — это продукт

WeVisOne-VL-2B кодирует координаты как токены от <0> до <1000>, помечает каждый экземпляр токеном <OBJ> и возвращает None, когда запрошенный целевой объект отсутствует. Именно эту последнюю деталь замечают практики: в карточке модели указана доля отказов 50,2 на RefCOCOg против примерно 0,5 у Rex-Omni и LocateAnything. Её обучали говорить «здесь нет», а не галлюцинировать рамку.

Пиксельный декодер не является опциональным. Для сегментации и альфа-маттинга требуется mask_decoder.pt — модуль с 9,6 млн параметров, запускаемый объектным токеном. Если загрузить только языковую модель, вы получите координаты, но не маски. В репозитории GitHub поставляется пакет вывода, который связывает эти два компонента, а модель по своей конструкции является одноходовой и предназначена только для изображений — пиксельный декодер отклоняет видеосетки.

LFM3-VL-2B не имеет эквивалентного контракта. Она опишет область, посчитает объекты или рассуждает о сцене прозой, а её строка grounding (RefCOCO-avg 90.5) говорит о том, что она уверенно справляется с локализацией. Но на выходе — текст. Для пайплайна, которому нужна маска, разница между 90.5 и разбираемым полигоном — это разница между демо и продуктом.

Числа заземления, которые нельзя вычесть

Обе карточки приводят результаты семейства RefCOCO, и это не одно и то же измерение. LFM3-VL-2B указывает RefCOCO-avg 90.5, что является усреднением по сплитам референтных выражений. WeVisOne-VL-2B указывает RefCOCOg 77.1 — средний F1 для детекции по референтному выражению — и RefCOCO testA 82.9 cIoU для сегментации по референтному выражению. RefCOCOg — это другой сплит с более длинными и более разговорными выражениями; cIoU — это другая метрика, отличная от F1.

Вычитание 77,1 из 90,5 даёт число, которое ничего не значит. Честная интерпретация такова: обе модели сильны в локализации по описанию на собственных испытательных стендах, ни один из этих стендов не был независимо воспроизведён, а определения метрик различаются настолько, что рейтинг остаётся нерешённым. Та же осторожность применима к OCR: LFM3-VL-2B указывает результат 86,3 на OCRBench v1, тогда как WeVisOne-VL-2B указывает 30,5 на OCR HierText — это другой бенчмарк на более сложном наборе данных.

Там, где сравнение корректно, оно в пользу специалиста на его собственной территории: WeVisOne-VL-2B сообщает значения F1 для детекции — COCO 55,2, LVIS 53,3 и Dense200 61,4 — в сравнении с моделью, которая вообще не публикует F1 для детекции. Это не автоматическая победа. Это напоминание о том, что универсальная модель не обучалась тому, чтобы её оценивали таким образом.

Матовая поверхность — это защитный ров.

Promptable alpha matting — это функция, которую не предлагает ни LFM3-VL-2B, ни большинство моделей его размерного класса. WeVisOne-VL-2B сообщает о среднем абсолютном отклонении 6,6 на P3M-500-NP для мягких матов — полупрозрачной границы вокруг волос, стекла и меха, которую бинарная маска сегментации превращает в жёсткий обрез. Карточка модели откровенно говорит об ограничениях: тонкие альфа-границы деградируют при перекрытиях, низком разрешении и прозрачности. Но для вырезания товаров, композитинга и замены фона мат — это именно тот результат, который реально нужен пайплайну.

Это самый сильный аргумент в пользу существования модели. Универсальная модель на 2B может описать изображение; она не может выдать вам мягкий альфа-канал. Tencent создала небольшую модель вокруг пиксельного декодера, потому что такой результат дорого получать от большой универсальной модели, а версия на 4B существует для команд, которым нужна более высокая точность при той же задаче.

Видео и мышление — это другой ров

Ключевое отличие LFM3-VL-2B работает в противоположную сторону. Он принимает видео с частотой 2 кадра/с и показывает Video-MME 62.8 без субтитров, MVBench 69.4 и MMMB 85.2. WeVisOne-VL-2B поддерживает только один ход и работает только с изображениями; его пиксельный декодер отвергает видеосетки. Если на входе у вас видеоклип, сравнение заканчивается еще до того, как начнется таблица бенчмарков.

Режим мышления добавляет второй разрыв. LFM3-VL-2B показывает MathVista 84.2 с режимом мышления против 68.5 без него, а MMMU 55.7 против 48.6. WeVisOne-VL-2B по замыслу не имеет цепочки рассуждений — ради эффективности. Это законный инженерный выбор для компонента восприятия и жёсткое ограничение для модели, с помощью которой вы хотите рассуждать о диаграмме.

Память, лицензия и цена допуска

• Параметры — LFM3-VL-2B: плотная модель на 1.92B против WeVisOne-VL-2B — примерно 2.4B, плюс пиксельный декодер на 9.6M.

• Память — около 3,84 ГБ BF16 по расчёту для LFM3-VL-2B, с 4-битной сборкой MLX; примерно 9,1 ГБ весов в F32 и оценочно 4,9 ГБ в BF16 для WeVisOne-VL-2B, согласно сторонним заметкам о развёртывании, а не карточке.

• Ввод — текст, изображение и видео с частотой 2 кадра/с против только изображения и текста, один ход.

• Вывод — проза, при необходимости с рассуждениями или текстом, нормализованные координаты, маски и альфа-маски.

• Контекст — 128K против не указанного в качестве окна документного масштаба; ограничителем выступает пиксельный декодер.

• Лицензия — LFM Open License v1.0, коммерческое использование при годовом доходе ниже $10 млн, в отличие от Apache 2.0, разрешающей это при любом размере.

• Опубликовано — репозиторий 19 октября 2026 г., объявление семьи — 27 октября, а репозиторий — 22 октября 2026 г.

Строка лицензии — это обратная сторона обычной истории. Модель Tencent — та, что распространяется по разрешительной лицензии; модель Liquid — та, что имеет ограничение по выручке. Для компании, создающей коммерческий продукт в области восприятия, Apache 2.0 устраняет пункт проверки due diligence, который создаёт лицензия LFM. Это не делает модели взаимозаменяемыми, но означает, что меньшая, более общая модель несёт более крупное юридическое ограничение.

Ни у одной из моделей нет цены за хостинг.

Обе карточки публикуют веса, и ни одна не публикует тариф API за токен. Hugging Face не указывает ни одного провайдера инференса для LFM3-VL-2B; карточка WeVisOne-VL-2B также не имеет размещённой конечной точки, хотя существуют порты сообщества для LiteRT, Core AI, GGUF и Android. Вот как сейчас выглядит сегмент 2B-визуальных моделей: веса бесплатны, обслуживание — на вас, а реальная стоимость — это GPU и работы по интеграции.

Если вы предпочли бы арендовать этот уровень, а не владеть им, OrcaRouter направляет запросы к размещённым у провайдеров моделям компьютерного зрения — включая Qwen3-VL-8B — через единый API, передавая цену из прайс-листа провайдера без наценки (0%), а также поддерживает объединение моделей, если вы хотите, чтобы модель восприятия и модель рассуждения отвечали как панель. В этом сравнении мы не предоставляем ни один из этих чекпоинтов, и ничто здесь не подразумевает, что мы это делаем. Важно то, что аренда немного более крупной размещённой модели — законный третий вариант, когда ни одна из моделей с открытыми весами не поставляется с эндпоинтом.

Как выбрать

• Выберите WeVisOne-VL-2B, если результат — геометрия: рамки, маски, альфа-матты, счётчики или сигнал «отсутствует». Выбирайте его, если Apache 2.0 не подлежит обсуждению или если вы создаёте конвейер для вырезания, композитинга или робототехнического восприятия.

• Выберите LFM3-VL-2B, если входные данные включают видео, если требуется анализ диаграммы или формы, или если вы хотите, чтобы одна небольшая модель отвечала на общие вопросы, а не измеряла формы.

• Берите оба только если готовы вести два пайплайна. У них общий класс параметров и почти ничего больше, а стоимость интеграции, если делать вид, что это не так, выше стоимости второй модели.

Трёхдневный разрыв между их репозиториями — совпадение. А расхождение в том, что они возвращают, — нет. Две лаборатории посмотрели на один и тот же бюджет в 2 млрд и потратили его на разные выходные данные, и правильный вопрос не в том, какой из них лучше, — а в том, какие выходные данные действительно сможет использовать следующий этап вашего пайплайна.