Molmo2-4B vs WeVisOne-VL-4B: точки, маски и вопрос, который никто не задаёт первым

Попросите обе модели найти собаку — и получите ответ от каждой. Molmo2-4B возвращает координату. WeVisOne-VL-4B возвращает ограничивающий прямоугольник, а если попросить маску, — альфа-канал полного разрешения, на котором всё ещё видна шерсть. Это три разных продукта под одним словом — «grounding», — и то, какой из них вам нужен, определяет это сравнение задолго до любого бенчмарка. Molmo2-4B — это универсальная видеоязыковая модель с 4.85B параметров от Allen Institute for AI, выдающая точку и имеющая полноценную поддержку видео. WeVisOne-VL-4B — это модель восприятия с 4.83B параметров от команды WeChat Vision компании Tencent, которая объединяет детекцию, локализацию по описанию, подсчёт, указание точек, OCR, сегментацию по описанию и alpha matting по запросу за одним чекпоинтом плюс пиксельный декодер с 9.6M параметров. Конвейеры восприятия редко останавливаются на одной модели. Ценообразование с наценкой 0% Прайс-лист провайдера передаётся без изменений, поэтому снижение цены поставщиком вступает в силу в тот же день.

Ни то, ни другое не ново. Molmo2-4B была анонсирована 11 декабря 2025 года, а её веса выложили 14 декабря. Репозиторий WeVisOne-VL-4B появился 22 октября 2026 года вместе с приложенной статьёй на arXiv 2610.31329. Недавнее изменение на стороне Molmo относится к инфраструктуре, а не к модели: нативная поддержка Transformers была влита 9 октября и вошла в v5.20.0 15 октября, а Ai2 5 ноября опубликовала дообученную под робототехнику версию Molmo2-4B. Полезно, если вы ждали возможности запустить её без удалённого кода. Это не релиз и не повод называть это запуском.

Контракт вывода — это и есть всё решение.

• Molmo2-4B — точка в диапазоне 0–1000 по ширине и высоте изображения, обёрнутая в тег с опубликованным регулярным выражением; в режиме видео каждая точка несёт временную метку, а указание на нескольких изображениях сводится к тройкам «индекс кадра, x, y».

• WeVisOne-VL-4B — рамка, точка, маска или альфа-матте, выбираемые аргументом задачи; в плотных задачах после каждой рамки выдаётся токен экземпляра, и пиксельный декодер превращает их в маски и матте.

• Указывание — это единственный результат, который производят оба, и единственное место, где возможно справедливое сравнение.

• У Molmo2-4B нет головки сегментации, и она не может создавать маску. У WeVisOne-VL-4B нет видеотракта: в её собственной документации сказано, что видеосетки отвергаются пиксельным декодером.

• Molmo2-4B способна работать в одноходовом режиме, но нативно поддерживает несколько изображений; WeVisOne-VL-4B ориентирована на одноходовое восприятие изображений и явно пропускает цепочку рассуждений ради снижения задержки.

Эта четвёртая строка снимает большую часть вопросов. Если вашему пайплайну нужен альфа-канал — композитинг, вырезание продуктов, замена фона, всё, где важна кромка волос — Molmo2-4B не является кандидатом и никогда им не был. Если вашему пайплайну нужно отслеживать объект через 384 кадра видео, WeVisOne-VL-4B не может участвовать в сравнении. Остальная часть этой статьи посвящена узкой области, где оба варианта правдоподобны.

Оба — «4B», и ни один не совсем таков.

• Параметры — Molmo2-4B: 4 850 869 200; WeVisOne-VL-4B: 4 830 581 248. Разница между ними в пределах 0,4 % — и это совпадение делает сравнение интересным.

• Архитектура — SigLIP 2 so400m плюс Qwen3-4B-Instruct-2507 для Molmo2-4B; магистраль Qwen3-VL плюс отдельный декодер масок с 9,6 млн параметров для WeVisOne-VL-4B.

Загрузка — 19,42 ГБ float32 safetensors в четырёх шардах для Molmo2-4B; примерно 9,7 ГБ весов bfloat16, включая обязательный mask_decoder.pt для WeVisOne-VL-4B.

• Контекст — 36 864 позиции для Molmo2-4B; бюджет в 262 144 токена не является рабочим ограничением для WeVisOne, который выполняет оценку при объёме до 1 960 визуальных токенов на изображение.

• Лицензия — Apache 2.0 для обоих, при этом в карточке Molmo2-4B указано, что его обучающие данные предназначены только для академического и некоммерческого исследовательского использования.

• Среда выполнения — Transformers с удалённым кодом (или нативная поддержка начиная с v5.20.0) плюс molmo_utils и decord2 для Molmo2-4B; собственный пакет инференса Tencent с бэкендом transformers или vLLM для WeVisOne-VL-4B.

Строка загрузки — это практический сюрприз. Molmo2-4B занимает вдвое больше места на диске, несмотря на одинаковое число параметров, потому что AI2 опубликовала её в float32, а Tencent — в bfloat16. Загрузка на 19,42 ГБ, которую вы сразу же приводите к пониженной точности, — не тот же объект, что загрузка на 9,7 ГБ, которую вы используете как есть, и только одна из них комфортно помещается рядом с набором других моделей на одной машине.

Откуда берутся числа и где они заканчиваются

Ни у одной из моделей нет независимой системы оценки, поэтому всё ниже — данные производителей. Два производителя выбрали почти непересекающиеся наборы бенчмарков, и именно поэтому сравнение постоянно проводят некорректно.

WeVisOne-VL-4B, из технического отчёта: 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. В матировании MAD с подсказкой в виде рамки на P3M-500-NP составляет 7.3, а MAD с текстовой подсказкой на WeRefMat — 9.8; чем ниже, тем лучше, и оба показателя превосходят базовые решения SAM2-Matting, с которыми сравнивает статья.

Molmo2-4B, согласно его карточке: средний балл 62,8 по 15 академическим бенчмаркам — позади своего 8B-собрата с 63,1 и впереди Qwen3-VL-4B с 58,1, InternVL3.5-4B с 53,4 и GLM-4.1V-9B с 56,9, при этом Gemini 3 Pro — 70,0, а GPT-5 — 70,6 в той же таблице.

Ни одна из этих строк не является общей. Единственный бенчмарк, где оба вообще появляются в одной и той же оценке, — это подсчёт, и даже там числа взяты из разных статей с разными протоколами.

Неудобный вывод в собственной статье WeVisOne

Самое практически ценное в таблицах WeVisOne — не оценка 4B. А то, что 4B иногда проигрывает своему собственному собрату 2B.

• Лучше на 4B — Dense200 71,3 против 61,4, LVIS 55,3 против 53,3, тест RefCOCOg 81,8 против 78,2, ReasonSeg val cIoU 71,2 против 60,9, PointBench 71,9 против 62,9, WeRefMat MAD 9,8 против 15,8.

• Хуже при 4B — MAD для box matting P3M-500-NP: 7,3 против 6,6; PPM-100: 6,1 против 5,3; cIoU на тесте Ref-ZOM: 72,2 против 73,4.

Перечитайте второй пункт дважды. При матировании обычных сцен с подсказкой в виде рамки дополнительные 2,8B языковой модели ничего не дают и стоят десятую долю пункта MAD — скорее всего, потому что обязательный декодер на 9,6M выполняет всю плотную работу, а языковая модель лишь выбирает, на что указывать. 4B оправдывает свой размер на сложных задачах, обусловленных языком, — referring-сегментации, плотном подсчёте, детекции в условиях скопления — и на легких задачах работает наравне или немного ухудшается.

Итак, «взять WeVisOne побольше» — не безопасный вариант по умолчанию. Сначала назовите задачу, а уже потом — чекпоинт.

Ложные срабатывания, которые никто не бенчмаркает

Обе модели можно попросить о том, чего нет. Их опубликованное поведение резко различается, и именно эта строка должна беспокоить любого, кто строит цикл верификации.

В отчёте WeVisOne приводятся три показателя отказов, которые обычно объединяют в один, а делать этого нельзя: RefCOCOg-Rej 67.4, WeRef-Bench Rej 96.4 и PR-Bench Rej 52.6. Разрыв между 96.4 и 52.6 — вот что главное. На внутреннем бенчмарке модель почти всегда корректно отказывается, когда запрашиваемый объект отсутствует; на публичном состязательном наборе она примерно в половине случаев выдумывает ответ.

Molmo2-4B вообще не публикует показатель отказов. В его карточке указаны средние значения по 15 бенчмаркам и ничего об отказе от ответа. Если ваше приложение полагается на то, что модель скажет «не присутствует», то это неизмеряемое свойство на одной стороне данного сравнения, и оно заслуживает собственного тестового набора, а не ссылки на бенчмарк.

Для чего предназначен каждый

Берите WeVisOne-VL-4B, когда результат — область или пиксель: детекция с открытым словарём, referring-сегментация, promptable-маттинг, плотная OCR-локализация на одном изображении. Вместо неё берите 2B-версию, когда задача — бокс-маттинг простых сцен, поскольку в статье говорится, что 4B там не даёт улучшения. Не берите ни одну, если в область входит видео, потому что пиксельный декодер не принимает видеосетки.

Берите Molmo2-4B, когда результат — местоположение в потоке: указать на объект, отслеживать его по кадрам, подсчитывать экземпляры во времени, рассуждать по набору изображений. Берите его, когда полезный артефакт — координата плюс отметка времени, а маска была бы избыточной. Учитывайте в бюджете загрузку float32 и приведение типов.

Есть третий паттерн, который встречается в продакшене чаще, чем любой из двух чистых вариантов: запускать оба, потому что задачи дополняют друг друга, а не конкурируют. Проход детекции по статичному кадру и проход указания по следующему за ним видео — это два вызова с двумя разными формами вывода, и дорогая часть — это связующая обвязка между ними. Именно для такой обвязки и нужен слой маршрутизации — DSL маршрутизации объединяет несколько моделей в один вызов, так что передача между моделью матирования и моделью указания становится конфигурацией, а не сервисом. Ни WeVisOne-VL-4B, ни Molmo2-4B нет в каталоге OrcaRouter; обе — это веса, которые вы размещаете у себя, и честная формулировка такова: маршрутизация находится над ними.

Краткий ответ

Если вам нужны пиксели, это не сравнение — WeVisOne-VL-4B единственная, кто их выдаёт, и прежде чем платить за 4B, стоит проверить, не превосходит ли её 2B-версия на вашей конкретной задаче матирования. Если вам нужны точки во времени, это тоже не сравнение — Molmo2-4B единственная, у кого есть путь для видео. Противостояние становится реальным только когда задача — «найти объект на этом неподвижном изображении», и там решающий фактор не точность, а отказ от ответа: у WeVisOne опубликованы показатели отказов, у Molmo2-4B их нет.