WeVisOne-VL-2B против LFM2.5-VL-3B: создатель масок против экранного диктора

Дайте обеим моделям одну и ту же фотографию и одно и то же предложение — «собака слева» — и вернутся два разных результата. LFM2.5-VL-3B отвечает местоположением и, если попросить, описанием: рамкой, точкой или коротким предложением о том, что она нашла. WeVisOne-VL-2B тоже отвечает рамкой, а затем небольшой декодер превращает эту рамку в альфа-маску с мягкими краями, которую можно наложить на новый фон без ореола вокруг шерсти. Одна модель создана, чтобы читать интерфейс и отвечать. Другая — чтобы отдавать вам пиксели.

Это различие и составляет всё сравнение, и оно сохраняется в каждой таблице бенчмарков, опубликованной любым из двух производителей. Это также объясняет, почему две модели редко оценивают друг против друга: в карточке Liquid AI не упоминается WeVisOne, в статье Tencent не упоминается Liquid, и ни одна третья сторона не проводила их прямое сравнение. Далее следует то, что каждый выпуск фактически зафиксировал, какие из их показателей можно сопоставить друг с другом, а какие нельзя.

Два релиза, два совершенно разных объёма доказательств

LFM2.5-VL-3B была опубликована Liquid AI 11 августа 2026 года — сначала веса, а анонс на следующий день — и она вышла с числовой таблицей бенчмарков, именованным базовым ориентиром для каждой строки и разделом скорости, измеренной на конкретно указанном оборудовании. Это плотная модель с 3,12 млрд параметров: языковой бэкбон LFM2.5-2.6B в паре с визуальным энкодером SigLIP2 NaFlex 400M, контекст 32 768 токенов, словарь 128 000 токенов и шестнадцать именованных языков. Её лицензия — собственная LFM Open License v1.0 от Liquid, которая бесплатна для коммерческого использования ниже порога выручки, а не безусловно бесплатна.

WeVisOne-VL-2B был опубликован командой WeChat Vision компании Tencent 22 октября 2026 года, и его карточка модели вообще не содержит таблицы бенчмарков — ни оценок, ни длины контекста, ни показателей пропускной способности, ни требований к оборудованию. Цифры существуют, но они приведены в сопроводительной статье, где представлены семь таблиц задач, охватывающих, по описанию авторов, более тридцати бенчмарков. Таким образом, эти два релиза — не просто разные модели; это разные типы документов. Liquid опубликовала спецификацию продукта. Tencent опубликовала результат исследования и оставила лист спецификаций почти пустым.

Эта асимметрия важна, когда вы читаете такое сравнение, как это. Цифры Liquid собирались для сопоставления с её собственными базовыми показателями. Цифры Tencent собирались, чтобы выиграть в академической таблице. Ни один из поставщиков не выбирал свои цифры с учётом другой модели — именно поэтому цифры не совпадают.

Число, которое выглядит сопоставимым, но таковым не является

Обе модели публикуют оценку по RefCOCO, и их сопоставление даёт внешне аккуратный заголовок: LFM2.5-VL-3B — 87,9 против WeVisOne-VL-2B — 79,7. Это сравнение бессмысленно, и стоит разобрать почему, потому что та же ошибка прямо сейчас совершается в электронных таблицах.

• Liquid сообщает RefCOCO precision@1, усреднённую по разбиениям. Это статистика детекции: достаточно ли перекрывалась предсказанная рамка с наивысшим рейтингом с эталонной рамкой, чтобы считаться правильной.

• Показатель Tencent 79.7 приведён в таблице сегментации, и в статье прямо указано, что приведённые там значения для семейства RefCOCO представляют собой совокупный IoU — отношение суммарного пересечения к суммарному объединению по всему набору оценки.

• В таблице Tencent для referring detection RefCOCO вообще не указан. Там указан RefCOCOg, где 2B набирает 77,1 среднего F1.

Итак, 87,9 и 79,7 измеряют три разные вещи в рамках двух разных задач. Рамка, которая едва перекрывается с целевым объектом, может показать хороший результат по precision@1 и плохой по cIoU; маска, которая хорошо покрывает крупный объект, может получить высокий балл по cIoU, хотя её ограничивающий прямоугольник неточен. Не существует арифметики, которая примирила бы их.

Та же ловушка кроется и в OCR. Liquid публикует результаты OCRBench v1 — 84,2 и OCRBench v2 English — 47,5; это бенчмарки транскрипции. Tencent публикует OCR как F1 локализации при пороге IoU 0,5: 62,1 на SROIE, 42,6 на ICDAR2015, 42,5 на TotalText, 30,5 на HierText. Они измеряют, нашла ли модель текст и обвела ли его рамкой, а не то, правильно ли она его прочитала. Сравнение «84,2 против 62,1» было бы сравнением теста на чтение с тестом на указание.

Что на самом деле является справедливым сравнением?

Уберите оценки — и две модели совпадут по измерениям, для которых не нужен испытательный стенд:

• Размер — около 3,12 млрд плотных параметров для LFM2.5-VL-3B против около 2 млрд для WeVisOne-VL-2B, плюс декодер с 9,5 млн параметров, который необходимо загрузить отдельно и который требуется для плотных выходов.

• Base — собственная гибридная магистраль LFM2.5-2.6B от Liquid против Qwen3-VL.

• Контекст — 32 768 токенов, опубликованных на карточке, против полного отсутствия опубликованной длины контекста. Этапы обучения в статье WeVisOne работали при 4 096 и 8 192 токенах, а инференс ограничивает каждое изображение 1 960 визуальными токенами, но ничто из этого не является окном развертывания.

• Типы выходных данных — рамки, точки и текст в сравнении с рамками, точками, бинарными масками и непрерывными альфа-масками.

• Рассуждение — LFM2.5-VL-3B намеренно не использует рассуждения и отвечает напрямую, чтобы сохранить низкую задержку; WeVisOne также не использует рассуждения, но по другой причине: он генерирует структурированный вывод без цепочки рассуждений ради эффективности инференса. Ни одна из моделей не «думает» перед ответом, и ни один из поставщиков не делает вид, что это не так.

• Вызов инструментов — поддерживается и прошел бенчмарки на LFM (ToolSandbox 59,5, BFCL v4 32,5), тогда как в WeVisOne эта возможность не заявлена.

• Языки — шестнадцать названы на карточке LFM, тогда как на карточке WeVisOne не указаны.

• Лицензия — LFM Open License v1.0, с порогом по выручке, в отличие от Apache 2.0 для кода, написанного Tencent.

• Квантованные сборки — Liquid предлагает экспорты GGUF, ONNX и MLX, а Tencent ничего не анонсировала.

• Независимая оценка — на момент написания ни одна из моделей не имеет профиля на Artificial Analysis. Все цифры в этой статье, приведённые обоими вендорами, основаны на данных самих вендоров.

Разрыв в развёртывании шире, чем разрыв в параметрах

LFM2.5-VL-3B разработан для работы на телефоне, и карточка модели доказывает это цифрами: менее 3,3 ГБ памяти, 20 токенов в секунду на Galaxy S26 Ultra, 228 токенов в секунду на Apple M5 Max, 116 на AMD Ryzen AI Max+ 395 и около 11 000 выходных токенов в секунду при высокой параллельности на одном H100. Он поставляется в форматах, которые потребительские среды выполнения действительно могут загрузить.

WeVisOne-VL-2B ничего из этого не публикует. То, что она всё же публикует, подразумевает иную смету затрат. Финальная стадия декодера выдаёт альфа-матту полного разрешения с шагом 1, а значит, плотный выход имеет размер входного изображения, а не фиксированный вектор, — затраты масштабируются с разрешением, а не с числом параметров. Для модели на 2B на современном GPU это приемлемо. Для телефона это вовсе не очевидно приемлемо, и Tencent этого не утверждала.

Практическое следствие состоит в том, что эти две модели не конкурируют за один и тот же слот развёртывания. Одна — это компонент, который можно поставлять в составе приложения. Другая — компонент, который вы бы запускали на сервере или на рабочей станции рядом с чем угодно ещё, что требует маскирования.

Выбирайте по типу вывода, а не по оценке.

Если задача — считать экран — разобрать поток оформления заказа, найти кнопку с надписью "Continue", извлечь таблицу из сфотографированного документа — LFM2.5-VL-3B является очевидным кандидатом. У него ScreenSpot-v2 на уровне 80.7, DocVQA — 91.1, ChartQA — 81.3, а оценка ToolSandbox говорит о том, что он способен действовать по тому, что видит, а не просто описывать это. У него также есть средний результат 69.4 по 28 бенчмаркам, который Liquid публикует в сравнении с названными аналогами, что по крайней мере показывает, как производитель представляет себе своё собственное окружение.

Если задача — выделить объект: вырезать продукт, отделить человека на сложном фоне, отделить передний план с выбивающимися волосами или прозрачным краем, — LFM2.5-VL-3B такого результата не выдаёт, и никакие подсказки этого не изменят. WeVisOne-VL-2B справляется, и разрыв в таблицах маттинга велик: 6,6 средней абсолютной разницы против 15,4 у SAM2-Matting на P3M-500-NP, 15,8 против 23,0 у конвейера Qwen3-VL-8B плюс SAM2 на разбиении WeRefMat с языковыми подсказками.

Есть ещё один случай, когда у WeVisOne есть заслуживающее внимания утверждение: отсутствие. Tencent сообщает о доле отказов 50.2 на RefCOCOg для запросов, целевой объект которых отсутствует на изображении, против 0.5 и 0.6 у двух специализированных моделей grounding в той же таблице. Если ваш конвейер обрабатывает тысячи кропов и в большинстве из них нет ничего, что вас интересует, модель, которая надёжно говорит «здесь этого нет», избавляет вас от необходимости использовать нижестоящий классификатор. В карточке LFM2.5-VL-3B не сообщается сопоставимый показатель отказов, поэтому рядом с ним нечего поставить — это пробел в доказательствах, а не проигрыш.

Ничто из этого не является причиной выбрать одну и отказаться от другой, и стоит честно признать, где уместен роутер. OrcaRouter не обслуживает ни одну из этих моделей; ни одна из них не входит в наш каталог, и ни одна не размещена где-либо, что мы можем проверить именно для WeVisOne. Что мы предлагаем — это окружающий стек: если ваш конвейер использует размещённую модель компьютерного зрения для части чтения и самостоятельно размещённую модель для части маскирования, размещённые вызовы проходят через один API-ключ по прайс-листовой цене провайдера без наценки, при деградации одного провайдера отказоустойчивость переключает их на другого, а DSL маршрутизации позволяет поставить обе части за единую конечную точку, так что ваше приложение никогда не узнает, какая из них ответила.

Что бы это на самом деле решило?

Один независимый стенд, запущенный кем-то, кто не относится ни к одному из вендоров, на одних и тех же изображениях и сообщающий как статистику детекции, так и статистику сегментации для обеих моделей. Такого не существует. Пока это не появится, защитимая позиция — скучная: эти модели отвечают на разные вопросы, их опубликованные показатели измерены разными инструментами, а выбор между ними определяется тем, что ожидает получить ваш последующий код — предложение или маску.

Если вы вынесете из этого сравнения только одну вещь, пусть это будет форма доказательств. Liquid AI дала вам таблицу, которую можно опровергнуть. Tencent дал вам статью, которую можно прочитать, и карточку, которая откровенно говорит, чего модель делать не будет. Ни один из них не дал вам числа, которое можно сравнить с другим, и любая статья, которая печатает 87.9 рядом с 79.7 без этой оговорки, продаёт вам рейтинг, которого не существует.