SingVL_S1_4B vs WeVisOne VL 4B: Тихий релиз против завершённого

Команда WeChat Vision компании Tencent опубликовала статью, веса, пакет для инференса и демо в октябре 2026 года под лицензией Apache 2.0. Вот как выглядит завершённый релиз. inclusionAI загрузила два шарда safetensors 11 ноября 2026 года — без анонса, без статьи, без лицензии и без хостингового эндпоинта — и на этом остановилась. WeVisOne VL 4B и SingVL_S1_4B — обе содержат примерно от четырёх с половиной до пяти миллиардов параметров, обе построены на визуальных бэкбонах Qwen, обе нацелены на то, чтобы извлечь из изображения нечто более точное, чем абзац, — и они выполняют противоположные половины этой задачи. Одна рисует маски поверх пикселей. Другая возвращает вероятность по тем ответам, которые вы сочли нужным ей предложить. Сравнивать их — это меньше про то, какая лучше, и больше про то, чего стоит релиз до того, как он завершён.

Две возможности, изложенные без прикрас

WeVisOne-VL-4B — название представляет собой сокращение от WeChat Vision All-in-One — объединяет восприятие на уровне объектов и восприятие на уровне пикселей в одной модели. В частности, она выполняет обнаружение объектов с открытым словарём, локализацию по референтным выражениям, подсчёт объектов, указание, локализацию OCR, сегментацию по референтным выражениям и promptable alpha matting — задачу создания мягкой непрерывной маски вокруг чего-то вроде волос или тонкой ветки, где жёсткая граница выглядела бы неправильно. Механизм — это структурированное предсказание следующего токена по выделенным координатным токенам плюс пиксельный декодер с 9,6 млн параметров, поставляемый вместе с чекпоинтом как mask_decoder.pt. Он возвращает None, когда запрашиваемая цель отсутствует; это звучит тривиально и является самым полезным поведением в производственном граундинге.

SingVL_S1_4B — это модель принятия решений. Она принимает состояние — текст, JSON, до четырёх изображений — и словарь именованных вопросов, каждый с объявленным типом и вариантами ответов. Choice возвращает вероятность для каждого варианта, noul — вероятность того, что утверждение да/нет истинно, score — вероятность для каждого уровня в диапазоне от двух до десяти упорядоченных уровней и ожидаемый уровень. Один прямой проход, без генерации, без координат. Репозиторий включает сервер FastAPI на порту 8173, отвечающий по адресу /v1/systemone, а карточка модели полностью написана в терминах этого протокола.

Итак, разделение получилось чётким. WeVisOne сообщает, где находится объект и какую форму он имеет. SingVL_S1_4B сообщает, насколько вероятно, что этот объект — именно то, что вы предполагаете. Конвейеру, которому нужно вырезать человека из фотографии, не нужна вероятность по трём вариантам, а конвейеру, которому нужно знать, проходит ли изображение порог политики, не нужна маска.

Что доведённый до блеска релиз поместил на собственную карточку?

Главная таблица WeVisOne-VL-4B сравнивает его с сильнейшим открытым базовым решением в каждом бенчмарке, выбранным из Qwen3-VL и Q​wen3.5 размером до 9B, Rex-Omni, LocateAnything и специализированных моделей сегментации и матирования. Строки, на которых держится аргумент:

• Обнаружение LVIS — среднее значение F1 55,3 против базового уровня 50,7.

• Плотное детектирование Dense200 — 71,3 против 58,7.

• Тест RefCOCOg на referring — среднее F1 81,8 против 77,6.

• Показатель отказов WeRef-Bench — 96,4 против 73,0; именно эта строка важнее всего для production grounding.

• Точность подсчёта PixMo-Count — 89.6 против 82.8.

• TotalText OCR — среднее значение F1 52,0 против 43,3.

• ReasonSeg referring-сегментация — gIoU 71,2 против 65,0.

• P3M-500-NP, матирование корпуса — MAD 7,3 против 15,4; меньше — лучше.

• WeRefMat матирование текста — MAD 9,8 против 22,4.

Это вендорские цифры, полученные на оценочном конвейере вендора при жадном декодировании с не более чем 1 960 визуальными токенами на изображение, в сравнении с базовыми моделями, которые выбрал сам вендор. Честная интерпретация такова: они подтверждают, что модель работает и примерно где она находится относительно сильнейшей открытой альтернативы в каждой задаче, — а не то, что разрывы точны. Строка с долей отказов вызывает наибольшее доверие по своей сути, потому что 96,4 против 73,0 — разница достаточно велика, чтобы её вряд ли можно было объяснить деталями тестового стенда, а отклонение отсутствующих целей — это тот режим отказа, который разрушает grounding-системы в продакшене.

Есть также вариант 2B с собственной колонкой, что полезно: 78,2 на тесте RefCOCOg, 50,2 по отказу, 62,9 в строке dense-detection. Производитель опубликовал более слабые показатели меньшей модели рядом с более сильными показателями большей, и это такого рода раскрытие информации, которое позволяет предположить, что таблица собиралась не для поста о запуске.

Что тихий релиз поместил на свою собственную карточку

SingVL_S1_4B публикует таблицу «Public Decision Index 0.3»: 69,76 по Text, 73,94 по Vision — против TypeSafe Jev 1.14 с 60,70 по тексту, StartLux-Decision v1.1 4B с 67,8 и 67,90, а также Perplexity Decider Flash v1.2 с 60,1 и 72,5. Разбивка, лежащая в основе агрегированного показателя Vision, охватывает диапазон от InfographicVQA с 96,31 и Winoground с 93,12 до MMMU-Pro vision с 50,17 и R-Bench-M с 49,77.

У этих цифр есть три проблемы, которых нет у WeVisOne. Им два дня. Они находятся в таблице лидеров, чей набор для оценки открыт, а его закрытая половина — нет; таблицу подготовила лаборатория, которая не отправила прогон в публичный набор для воспроизведения, хотя карточка всё же содержит инструкции по подаче. А репозиторий не имеет лицензии — значит, не цифры являются сдерживающим ограничением для внедрения; им является оформление.

Что карточка действительно устанавливает бесспорно — это интерфейс: вероятность для каждого вопроса и каждого варианта за один прямой проход, причём внутренности протокола поставляются в виде хешей SHA-256 в config.json, чтобы запуск можно было проверить по коду, который его произвёл. Это реальное инженерное решение, и это самое достоверное, что есть в релизе.

На честном табло есть одна общая строка, и она пуста.

У этих двух моделей нет общего бенчмарка. WeVisOne измеряет F1 при порогах IoU, gIoU и среднее абсолютное отклонение на маттах. SingVL_S1_4B измеряет скорректированную на случайность точность по наборам вариантов. Нет ни одной строки, где бы одна и та же метрика была измерена у обеих, а чтобы её построить, потребовалось бы прогнать обе на одних и тех же данных — чего никто не сделал, потому что один из чекпойнтов существует всего два дня.

Сравнивать можно форму представления доказательств. Релиз WeVisOne включает технический отчёт на arXiv, страницу проекта, репозиторий на GitHub с пайплайном оценки, кулинарную книгу, два демонстрационных пространства и инструкции по воспроизведению, которым может следовать третья сторона. Релиз SingVL_S1_4B включает карточку модели и папку для инференса. Один из них позволяет постороннему человеку проверить заявления; другой просит постороннего человека поверить им.

Лицензирование, которое значит больше, чем любой из двух бенчмарков

WeVisOne-VL-4B распространяется под лицензией Apache 2.0. Она охватывает код и веса, созданные T​encent, при этом сторонние компоненты сохраняют собственные условия; именно поэтому уже в течение двух недель после выпуска циркулируют GGUF-кванты, узел ComfyUI, GGUF-сборка для Rockchip NPU и пакет интеграции на китайском языке. Перераспространение разрешено, поэтому перераспространение произошло.

SingVL_S1_4B не указывает лицензию в своих метаданных и не прилагает файл LICENSE. inclusionAI использовала явные лицензии в других своих релизах — Apache 2.0 для LemonDecider, лицензию сообщества Qwen для моделей SingProbe — поэтому этот пробел выглядит как незавершённая загрузка. Но «выглядит как упущение» — это не лицензия, и проверка на соответствие требованиям не может одобрить модель на том основании, что её издатель, вероятно, имел в виду разрешительные условия.

Для всех, для кого важен ответ на вопрос «можем ли мы это выпустить», сравнение на этом заканчивается. WeVisOne можно выпускать; SingVL_S1_4B пока нельзя. Всё остальное — это обсуждение возможностей двух моделей, где только одна в настоящее время доступна, чтобы это обсуждение имело смысл.

Что к какому пайплайну подходит

• Вырезание чего-либо из изображения — WeVisOne-VL-4B, и это даже не близко, потому что у SingVL_S1_4B вообще нет результата сегментации.

• Подсчёт объектов в переполненном кадре — WeVisOne-VL-4B. Он показывает 57.1 в строке плотного детектирования, где лучший базовый результат — 47.9, и подсчёт здесь является полноценной задачей, а не поведением, вызываемым промптом.

• Понимание того, что целевой объект отсутствует — WeVisOne-VL-4B, благодаря строке отказа и явному возврату None. Именно эта способность отличает демо от системы.

• Запускать дорогостоящий вызов только при достаточной уверенности — такова конфигурация SingVL_S1_4B, если вы можете его хостить у себя и лицензия будет получена. Пороговому правилу нужна вероятность для каждого варианта.

• Классификация в рамках фиксированной таксономии — SingVL_S1_4B в принципе; его типы выбора и оценки напрямую соответствуют таксономиям, тогда как генеративную модель приходится принудительно возвращать к одной из них.

• Чтение страницы и получение одновременно полей и их позиций — WeVisOne-VL-4B, который выполняет OCR с локализацией в том же проходе, что и детекция.

• Всё, что коммерчески развёрнуто в этом месяце, — WeVisOne-VL-4B, и то лишь по лицензированию.

И строка, которая не принадлежит ни одному из них: если вам нужно письменное объяснение того, что находится на изображении, обе модели — неподходящий инструмент. WeVisOne возвращает структурированное восприятие, а SingVL_S1_4B возвращает вероятности; ни одна из них не пишет абзац.

Чему сравнение учит нас о рынке, а не о моделях

Интересно здесь не то, что одна модель лучше. А то, что две лаборатории сопоставимого размера выпустили модель компьютерного зрения с 4–5 млрд параметров в одном и том же квартале и отнеслись к выпуску совершенно по-разному. T​encent выпустила статью, контрольную точку декодера с указанным числом параметров, конвейер оценки, лицензию и страницу проекта, и экосистема за две недели создала квантованные версии и интеграции. inclusionAI выпустила веса, скрипт вывода и таблицу бенчмарков, и экосистема не может ничего из этого трогать, пока не появится лицензия.

Обе стратегии правомерны. Тихий выпуск позволяет лаборатории опубликовать чекпойнт без нарратива запуска, и карточка модели здесь действительно хорошо написана — примеры API работают, типы вопросов документированы с разобранными вычислениями, а конфигурация содержит хэши, позволяющие проводить проверку. Но чекпойнт без лицензии — это демонстрация, а не продукт, и эта разница проявляется именно там, куда постоянно возвращается данное сравнение: может ли кто-то, кроме автора, строить на его основе.

Если вы хотите протестировать паттерн принятия решений до того, как придёт документация, сам паттерн доступен для вызова. OrcaRouter предоставляет TypeSafe Jev 1.14 по цене $0,042 за миллион входных токенов наряду с более чем 200 моделями по одному ключу, пропуская прайс-листы провайдеров по нулевой наценке, с автоматическим переключением при сбое между провайдерами. Sing VL S1 отсутствует на OrcaRouter и вообще не имеет хостингового размещения, поэтому это не утверждение о его доступности — это самый дешёвый способ выяснить, превосходят ли вероятностные выходы маски на ваших собственных метках, прежде чем вы потратите GPU на чекпойнт, условия которого не определены.

WeVisOne-VL-4B можно просто скачать. В конечном счёте сравнение именно в этом: одна из них — модель, которую можно использовать, а другая — модель, о которой можно только читать.