LFM3-VL-2B против WeVisOne-VL-4B: что на самом деле даёт увеличение числа параметров в 2,5 раза

Собственная таблица бенчмарков Tencent свидетельствует против очевидного выбора при покупке. WeVisOne-VL-4B, более крупная из двух моделей восприятия, опубликованных командой WeChat Vision 22 октября 2026 г., хуже справляется с альфа-маттингом с подсказкой в виде рамки, чем её собственный 2B-собрат: средняя абсолютная разница 7,3 на P3M-500-NP против 6,6 у 2B-версии, где меньше — лучше. Однако модель, с которой большинство покупателей на самом деле будут её сравнивать, — это не её собрат, а LFM3-VL-2B — 1,92B-модель зрения Liquid AI для работы на устройстве, веса которой появились 19 октября и которая была представлена вместе с остальными моделями семейства LFM3 27 октября.

Поставьте эти две модели рядом — и интересный вопрос не в том, какая из них умнее. А в том, что вам дают в два с половиной раза больше параметров и во что они обходятся. Короткий ответ по собственным таблицам производителей: они дают плотное обнаружение, точность по референции и гораздо лучшую долю отказов от ответа, когда объекта нет. Они не дают универсальную модель, не дают видео и не дают модель, которую можно установить на телефон. Всё ниже взято из двух опубликованных таблиц, где швы оставлены на виду, — ни один независимый стенд не воспроизвёл показатели ни одной из моделей.

Что каждый из них на самом деле из себя представляет

LFM3-VL-2B — это 1,92 млрд плотных параметров: языковой бэкбон на 1,73 млрд, собственный визуальный энкодер на 164 млн и проектор на 25 млн. Бэкбон — три-гибридный стек Liquid: 24 слоя, разделённые на 13 стробированных коротких свёрток, 5 слоёв внимания со скользящим окном в 256 токенов и 6 слоёв глобального внимания. Он принимает текст, изображения и видео в нативном разрешении, сэмплируя видео с частотой 2 кадра в секунду, удерживает контекст в 128K токенов, покрывает 16 языков и имеет опциональный режим размышления, который выдаёт этап рассуждения перед ответом. Его вывод — прозаический текст.

WeVisOne-VL-4B построена на основе архитектуры Qwen3-VL и названа 4B, хотя метаданные Hugging Face округляют её до 5B, а в сторонних публикациях фактическое количество указывается около 4,83B. Она отвечает не столько прозой, сколько выдаёт геометрию: рамки и точки в виде нормализованных координатных токенов от 0 до 1000, маркер OBJ (id токена 152678) после каждой предсказанной рамки и буквальную строку None, когда целевой объект отсутствует. Для масок и альфа-матов требуется второй артефакт — mask_decoder.pt, пиксельный декодер на 9,6 млн параметров, который принимает скрытое состояние каждого токена OBJ и предсказанную рамку и возвращает альфа-значения полного разрешения с шагом 1. Она одноходовая и работает только с изображениями, а структурированный вывод генерирует напрямую, без цепочки рассуждений.

Контраст за один проход:

• Размер — LFM3-VL-2B 1.92B dense против WeVisOne-VL-4B примерно 4.83B, плюс декодер 9.6M, который обязателен для масок

• Ввод — текст, изображение и видео с частотой 2 кадра/с по сравнению с текстом и одним изображением

• Вывод — связный текст и проход рассуждения в сравнении с координатными токенами, рамками, масками, маттами или явным None

• Контекст — 128K токенов, при этом на карточке не опубликовано ограничение на инференс; в статье описано обучение при 4 096 и 8 192 токенах

• Языковой охват — указано 16 языков против «не указано»

Лицензия — LFM Open License v1.0, бесплатна для коммерческого использования при годовой выручке ниже $10 млн, в отличие от Apache 2.0 для кода, созданного Tencent

• Среда выполнения — GGUF/llama.cpp, MLX 4-bit, ONNX и BF16 против BF16 через Transformers, vLLM или SGLang

Модернизация идёт неравномерно, и статья показывает, где именно.

WeVisOne-VL-2B и WeVisOne-VL-4B — это одна и та же архитектура в двух масштабах, обученная на одних и тех же примерно 100 млн изображений по одной и той же трехэтапной программе обучения и оцененная по одной и той же таблице. Поэтому сравнение родственных моделей — самое чистое из доступных свидетельств о том, что дают дополнительные параметры, — и оно не однонаправленно.

Где 4B явно выигрывает, по данным Tencent:

• Детекция Dense200 — средний F1 71,3 против 61,4, наибольший единичный прирост

• LVIS — 55,3 против 53,3, скромное улучшение на 2 пункта

• Детекция референтных выражений RefCOCOg — 81.8 на тесте против 78.2

• Сегментация по референту RefCOCO — 84.5 cIoU на testA против 82.9

• ReasonSeg — 71,2 cIoU на val против 60,9, скачок на 10 пунктов в сегментации на основе рассуждений

• PointBench pointing — 71,9 против 62,9

• WeRefMat referring-маттинг — средняя абсолютная разница 9,8 на referring-разбиении против 15,8, сокращение ошибки на 38%

Где это не так:

• Матовая отделка корпуса P3M-500-NP — 7,3 против 6,6 у 2B, хуже

• PPM-100 матирование коробки — 6.1 против 5.3, хуже

• Ref-ZOM cIoU — 72.2 на тесте против 73.4, 2B снова впереди

Закономерность читается, даже если причина не опубликована: 4B вырывается вперёд на задачах, которые сложны и обусловлены языком, — сегментация по указанию, сегментация с рассуждением, маттинг по указанию на реальных сценах — и ничего не даёт взамен на более простых наборах маттинга с подсказкой в виде рамки, где обе модели уже близки к потолку и, возможно, основную работу выполняет декодер на 9,6M. Два из трёх бенчмарков маттинга с подсказкой в виде рамки показывают ухудшение. Если альфа-маттинг по заданной рамке — ваша единственная задача, 4B не является улучшением; это более дорогой способ получить тот же ответ, только чуть хуже.

Отсутствующие объекты: лучше, но всё ещё не решено

Самая полезная колонка в статье — та, которую почти ни одна карточка модели зрения не публикует. RefCOCOg-Rej — это вариант, в котором каждое выражение изменено так, что не существует подходящего объекта на изображении. Модель, которая не умеет сказать «нет», придумает рамку, и каждый последующий кроп, подсчёт и маска наследуют эту выдумку.

WeVisOne-VL-4B корректно отказывается отвечать в 67,4% случаев против 50,2% у 2B. Это реальное и крупное улучшение — прирост на 17 процентных пунктов, который меняет режим отказа пайплайна с «орёл или решка» на «два из трёх». Это также означает, что 4B по-прежнему возвращает уверенно предсказанную рамку примерно для одного из трёх запросов об отсутствующем объекте. На собственном внутреннем WeRef-Bench от Tencent доля отказов составляет 96,4%, но этот бенчмарк состоит из 2880 англоязычных и китайскоязычных запросов, которые лаборатория построила сама, поэтому он измеряет более удобное распределение, чем публичный. Честный вывод таков: у модели есть работоспособное поведение отказа от ответа, но проблему она не решила; если ваше приложение не может допустить галлюцинированную область, поверх нужен порог или дополнительная проверка — какую бы модель вы ни выбрали.

Число, которое выглядит сопоставимым, но таковым не является.

Так и тянет поставить 90.5 RefCOCO-avg у LFM3-VL-2B рядом с 81.8 RefCOCOg у WeVisOne-VL-4B и объявить победу меньшей модели с преимуществом в 8,7 пункта. Не делайте этого. Это разные разбиения и разные метрики: Liquid сообщает среднее по семейству RefCOCO, Tencent сообщает F1 на тесте RefCOCOg для referring detection. Вычитание одного из другого даёт число, у которого нет референта.

Та же ловушка кроется и в OCR. LFM3-VL-2B набирает 86,3 балла на OCRBench v1 — комплексном бенчмарке, объединяющем распознавание текста, обнаружение и рассуждение; WeVisOne-VL-4B показывает среднее значение F1 52,0 на TotalText — бенчмарке локализации текста на сцене. Один — широкий экзамен, другой — задача плотного предсказания. Это не один и тот же навык, измеренный дважды.

Итак, две таблицы поставщиков не совпадают ни по одному сопоставимому показателю. Честно сравнивать можно только возможности и стоимость — поэтому оставшаяся часть этого сравнения посвящена соответствию, а не рейтингу. Тот, кто объявляет победителя на основании этих двух таблиц, просто выдумывает его.

Память — вот настоящая цена.

Ни у одной из моделей нет опубликованной цены за токен по состоянию на 28 октября 2026 года. Карточка Liquid содержит ссылки на доступ к API и Playground через её консоль, но тарифная карта для LFM3-VL-2B не опубликована; сторонние трекеры, в которых перечислены тарифы на текстовые модели Liquid, не охватывают эту визуальную модель. У Tencent вообще нет хостируемого эндпоинта. Таким образом, это сравнение вариантов самостоятельного хостинга, и затраты измеряются в памяти.

• LFM3-VL-2B — около 3,84 ГБ в BF16, рассчитано арифметически исходя из количества параметров; вместе с ним опубликованы 4-битные сборки MLX, GGUF и ONNX

• WeVisOne-VL-4B — примерно 9,7 ГБ в BF16 по оценкам третьих сторон, около 19 ГБ в F32, плюс требуемый mask_decoder.pt

Этот разрыв в 2,5 раза — не просто более мощный GPU. Это другой класс устройства. В карточке LFM3-VL-2B прямо указано, что модель создана для работы на устройстве — вопросы о видео, документах, графиках и экранах приложений, поиск объектов, пространственные рассуждения для роботов, — и сборки MLX 4-bit и GGUF как раз обеспечивают выполнение этого обещания: ноутбук, телефон, шасси робота. Задокументированные пути WeVisOne-VL-4B — Transformers, vLLM и SGLang на BF16, без официальной квантованной сборки и без среды выполнения на устройстве. Ему нужен серверный GPU.

Поддержку со стороны фреймворков стоит проверять для своего конкретного пути, а не по таблице. Видео с частотой 2 кадра/с — это возможность модели в LFM3-VL-2B, но принимает ли конкретная среда выполнения видеосетку — отдельный вопрос, и карточка модели, порты и upstream-PR не всегда согласовывались в этом. Тестируйте именно ту комбинацию, которую собираетесь выпускать.

OrcaRouter не размещает ни одну из этих моделей. Это проверено по каталогу 28 октября 2026 года, а не принято на веру — ни линейка LFM3 от Liquid, ни WeVisOne от Tencent не фигурируют в списке моделей — поэтому ничто здесь не следует воспринимать как маршрут к любой из них. каталог моделей OrcaRouter действительно содержитQwen3-VL-8B в вариантах instruct и thinking, что является прагматичным выбором, если ваша фактическая потребность — хостируемая визуальная модель с опубликованной на сегодня ценой, а не самостоятельно развёрнутый чекпоинт. Один ключ даёт доступ ко всему этому по прайс-листу провайдера без наценки, и если вы создаёте прототип на непроверенной модели с открытыми весами, запуск через маршрутизатор с отказоустойчивостью лучше, чем привязка производственного пути к чекпоинту, который ещё не прошёл независимую оценку.

Какой выбрать?

• Выбирайте WeVisOne-VL-4B, когда результат — это геометрия — маски, альфа-маски, плотные рамки, подсчёты, указание — на статичных изображениях, когда запросы обусловлены языком, а не подсказками в виде рамок, и когда у вас есть свободный GPU

• Выбирайте {{1}}WeVisOne-VL-2B{{/1}} вместо 4B, когда ваша задача — матирование по подсказке в виде рамки на обычных сценах; согласно опубликованным данным, меньшая модель лучше справляется с этим и занимает менее половины памяти

• Выбирайте LFM3-VL-2B, когда входные данные включают видео, когда документ длинный, когда ответ должен быть предложением, а не полигоном, или когда устройство не является сервером

• Не выбирайте ни одного, если на этой неделе вам нужен хостируемый endpoint с опубликованной ценой за токен — ни один из поставщиков такого не предлагает, и никакой объём бенчмаркинга не закроет этот разрыв

• Выбирайте оба, только если вы принимаете две схемы выходных данных и два пути интеграции; общий диапазон параметров «около 2B–5B» маскирует два разных продукта.

Что могло бы это изменить?

Три вещи. Независимый тестовый стенд, который прогоняет обе модели на одних и тех же изображениях с одними и теми же промптами, — до тех пор всё вышесказанное остаётся внимательно прочитанной таблицей от вендора, что лучше небрежно прочитанной таблицы от вендора, но не является доказательством качества. Квантизованная сборка WeVisOne или среда выполнения на устройстве — это перевело бы довод о памяти из решающего в обсуждаемый. И опубликованная цена за токен от любой из сторон — она заменила бы арифметику с гигабайтами на число, под которое можно планировать бюджет.

Наименее вероятное из трёх — то, что имело бы наибольшее значение для этой конкретной пары: поддержка видео в пиксельном декодере WeVisOne. Сейчас 2B-генералист принимает видео, а 4B-инструмент — нет, и никакое количество параметров не исправит модальность, которая никогда не обучалась.