WeVisOne-VL-4B vs LFM2.5-VL-3B: специалист по матированию против скоростного edge-решения

Liquid AI публикует показатель скорости для LFM2.5-VL-3B, а Tencent не публикует его для WeVisOne-VL-4B. Эта асимметрия, больше чем любая строка бенчмарка, и определяет суть противостояния. LFM2.5-VL-3B — edge-модель с 3,1 млрд параметров, настроенная отвечать за один проход: 228 токенов в секунду на Apple M5 Max, 20 токенов в секунду на Galaxy S26 Ultra, менее 3,3 ГБ памяти, шестнадцать языков. WeVisOne-VL-4B — модель восприятия с 4,83 млрд параметров, которая потратит до 1 960 визуальных токенов и декодер с 9,6 млн параметров, чтобы выдать вам альфа-маску в полном разрешении. Одна создана быть достаточно быстрой, чтобы работать внутри интерфейса телефона; другая создана выдавать пиксели. Общего у них — только слово «vision», и почти ничего больше.

Это делает сравнение достойным тщательного подхода, потому что его очевидный вариант — поставить таблицы с результатами тестов рядом и объявить победителя — был бы неверен вполне конкретным и поучительным образом.

Таблицы бенчмарков не взаимодействуют друг с другом.

Обе модели публикуют показатели по референциальным выражениям, и оба числа выглядят сопоставимыми. Это не так. LFM2.5-VL-3B сообщает RefCOCO-avg P@1 = 87.9. WeVisOne-VL-4B сообщает RefCOCOg test F1 mean = 81.8. Разное разбиение набора данных, разная метрика, разная модель отказов: P@1 проверяет, верна ли рамка с наивысшим рангом, а F1 mean усредняет точность и полноту по порогам IoU от 0.5 до 0.95. Модель может выиграть по одному показателю и с большим отрывом проиграть по другому, и ни один из этих результатов не будет удивительным.

Та же ловушка кроется в каждой другой строке. Показатель Liquid 80,7 на ScreenSpot-v2 измеряет локализацию элементов интерфейса; у Tencent нет показателя ScreenSpot. Показатель отказов Tencent 96,4% на WeRef-Bench измеряет, отказывается ли модель отвечать, когда объекта нет; Liquid вообще не публикует метрику отказов. Ни один из поставщиков не оценивал модель другого, поэтому ни одна строка ни в одной из таблиц не является прямым сравнением.

То, что можно честно сказать, носит ориентировочный характер. LFM2.5-VL-3B — сильный универсал для своего размера: средний балл 69,4 по 28 визуальным бенчмаркам по подсчётам самой Liquid, в пределах 0,7 балла от Qwen3.5-4B, а его скачок в ScreenSpot-v2 с почти нуля в предыдущем поколении до 80,7 — крупнейшее единичное улучшение в его таблице. WeVisOne-VL-4B не конкурирует на этой оси. Его самые сильные заявления касаются плотного обнаружения мелких объектов, отбраковки и попиксельного вывода — ничего из этого LFM2.5-VL-3B не пытается делать.

Что физически представляет собой каждая модель

• Параметры — WeVisOne-VL-4B 4,83B dense (F32 checkpoint) против LFM2.5-VL-3B 3,12B dense (BF16)

• Визуальная ветка — бэкбон Qwen3-VL плюс 9,6M-параметровый пиксельный декодер против гибридной текстовой базы LFM2.5-2.6B на свёртках и внимании плюс энкодер SigLIP2 NaFlex 400M

• Память — примерно 19 ГБ на диске для контрольной точки F32 4B против менее 3,3 ГБ общего объема для 3B

• Контекст — для WeVisOne-VL-4B нет опубликованного показателя, в отличие от 32 768 токенов для LFM2.5-VL-3B

• Языки — не указаны для WeVisOne-VL-4B против 16 для LFM2.5-VL-3B, со словарём на 128K, созданным для нелатинских письменностей

• Типы выходных данных — рамки, точки, маски и альфа-маски против только рамок и текста

• Лицензия — Apache 2.0 для кода, написанного Tencent, в сравнении с LFM Open License v1.0

• Скорость — не опубликована против 228 ток/с на M5 Max, 116 ток/с на Ryzen AI Max+ 395, 20 ток/с на Galaxy S26 Ultra

Разрыв в возможностях, который на самом деле всё решает

LFM2.5-VL-3B может указать, где на изображении находится человек. WeVisOne-VL-4B может указать, где находится человек, вернуть бинарную маску для этого экземпляра и вернуть непрерывную альфа-матту с мягкими краями — волосы, шерсть, полупрозрачная ткань, смаз от движения — в полном разрешении. Это категориальное различие, а не различие в качестве. Если вашему продукту нужно скомпоновать объект с новым фоном, вырезать фотографию товара или обеспечить замену фона в видеозвонке, LFM2.5-VL-3B вам ничего не может предложить, и никакой промпт-инжиниринг этого не изменит.

Проведите сравнение в обратном направлении — и произойдёт то же самое. Если вашему продукту нужно находить кнопку на экране телефона за 40 миллисекунд, WeVisOne-VL-4B — совершенно неподходящий вариант: это модель на 4,83 млрд параметров без опубликованных показателей задержки, без квантованных сборок для периферийных устройств и с декодером, который предполагает одно изображение за ход. Liquid поставляет сборки GGUF, MLX, ONNX и нативные сборки, а также контекст 32K и бенчмарки вызова инструментов. Tencent поставляет исследовательский пакет вывода и сервис vLLM/SGLang.

Отказ — недооценённая колонка

Одна из возможностей в таблице Tencent заслуживает внимания, даже если вы никогда не работаете с маттингом. На WeRef-Bench WeVisOne-VL-4B правильно отклоняет 96,4% запросов об объектах, которых нет на изображении, против 73,0% у лучшего базового метода, указанного авторами; на PR-Bench доля отклонений составляет 52,6% против 10,8% у Qwen3-VL-4B. Модель возвращает None вместо того, чтобы придумывать рамку. Детектор, который галлюцинирует, хуже, чем отсутствие детектора, потому что сбой происходит незаметно, а нижележащий код ему доверяет.

В документации LFM2.5-VL-3B не приводится показатель отказов, так что сравнивать не с чем — и в этом как раз суть. Отсутствие доказательств — это не провал, но если вы создаёте агента, который решает, стоит ли на что-то нажать, то наличие измеренного показателя отказов — вполне реальный повод в первую очередь присмотреться к модели Tencent.

Лицензирование — это тихий дифференциатор

Именно здесь эти два варианта расходятся так, что это важно для всех, кто выпускает продукт на коммерческий рынок. Веса WeVisOne-VL-4B распространяются под Apache 2.0 для кода, написанного Tencent, при этом сторонние компоненты сохраняют собственные условия. LFM2.5-VL-3B поставляется под LFM Open License v1.0: она бесплатна для коммерческого использования ниже порога выручки и требует коммерческого соглашения при его превышении. Если вы небольшая команда, разница чисто теоретическая. Если нет, то в одном случае вас ждёт юридическая проверка, а в другом — одна строка в файле зависимостей.

Ни одна из лицензий не предоставляет вам хостинговый сервис. У WeVisOne-VL-4B вообще нет API; LFM2.5-VL-3B — это релиз весов, а любой сторонний хостинг — отдельная договорённость. Говорить об этом прямо сейчас важнее, чем раньше, потому что модель без эндпоинта — это обязательство владеть всем стеком инференса.

Где OrcaRouter подходит, а где — нет

Ни одной из этих моделей сегодня нет в каталоге OrcaRouter, так что ничто здесь не является способом их вызвать. Что платформа действительно предлагает, так это контекст для самого решения. Большинство команд, оценивающих 3B edge VLM, не заменяют одну модель другой — они добавляют вторую рядом с универсальной моделью, уже работающей в продакшене, а операционная цена второго контракта с вендором, второго ключа и второго режима отказа обычно убивает эксперимент раньше, чем это успевает сделать сама модель.

Маршрутизация обоих интентов через одну конечную точку с более чем 200 моделями за одним ключом с наценкой 0% к прайс-листу провайдера, означает, что модель восприятия может быть вопросом маршрутизации, а не интеграционным проектом. Если edge-модель недоступна, автоматическое переключение при сбое направит запрос в другое место вместо возврата 503. Именно эту часть OrcaRouter здесь и решает; веса и GPU по-прежнему остаются вашими.

Какой выбрать?

Выбирайте {{1}}LFM2.5-VL-3B{{/1}}, если задача критична к задержке и связана с текстом: понимание экрана, UI-агенты, OCR документов с сохранением макета, перевод на устройстве, вызов инструментов. Он быстрее почти всего в своём размере, укладывается в бюджет памяти телефона, а {{2}}Liquid{{/2}} опубликовала достаточно цифр, чтобы вы могли проверить эти заявления на своей собственной рабочей нагрузке.

Выбирайте WeVisOne-VL-4B, если задача заканчивается пикселями. Сегментация, матирование, плотное обнаружение мелких объектов или любой пайплайн, где «модель сказала нет» должно быть надёжным ответом. Примите, что вы ранний последователь: независимого запуска бенчмарка не существует, хостингового эндпоинта не существует, код дообучения всё ещё в списке задач, а статье два дня.

Единственное, чего нельзя делать, — это выбирать между ними на основании одного результата бенчмарка. Никто не измерял их друг против друга на одних и тех же данных.