Molmo2-4B vs WeVisOne-VL-4B: Punkter, masker och frågan ingen ställer först

Om du ber båda modellerna att hitta hunden får du ett svar från var och en. Molmo2-4B returnerar en koordinat. WeVisOne-VL-4B returnerar en bounding box, och om du ber om mattningen får du en alfakanal i full upplösning med pälsen kvar. Det är tre olika produkter som bär samma ord – "grounding" – och vilken du behöver avgör den här jämförelsen långt innan något benchmark gör det. Molmo2-4B är en generalistisk vision-språkmodell på 4,85B från Allen Institute for AI med punktutdata och en riktig videoväg. WeVisOne-VL-4B är en perceptionsmodell på 4,83B från Tencents WeChat Vision-team som förenar detektering, refererande lokalisering, räkning, pekning, OCR, refererande segmentering och promptbar alfamattning bakom en enda checkpoint plus en pixeldekodare med 9,6M parametrar. Perceptionspipelines stannar sällan vid en enda modell. Prissättning med 0 % påslag Leverantörens listpris förs vidare oförändrat, så en prissänkning från leverantören slår igenom samma dag.

Inget av dem är nytt. Molmo2-4B tillkännagavs den 11 december 2025 och dess vikter lades upp den 14 december. WeVisOne-VL-4B:s repository dök upp den 22 oktober 2026 med en bifogad arXiv-artikel, 2610.31329. Den senaste förändringen på Molmo-sidan är infrastruktur snarare än en modell: inbyggt Transformers-stöd slogs samman den 9 oktober och släpptes i v5.20.0 den 15 oktober, och Ai2 publicerade en robotikfinjustering av Molmo2-4B den 5 november. Användbart om du väntade på att köra den utan fjärrkod. Inte ett släpp, och inte ett skäl att kalla detta en lansering.

Utdatakontraktet är hela beslutet

• Molmo2-4B – en punkt, i 0–1000 av bildens bredd och höjd, inlindad i en tagg med ett publicerat regex; i videoläge har varje punkt en tidsstämpel, och pekning över flera bilder plattas ut till tripplar av bildruteindex, x, y.

• WeVisOne-VL-4B — en box, en punkt, en mask eller en alfamatte, som väljs av uppgiftsargumentet; täta uppgifter avger en instanstoken efter varje box och pixelavkodaren omvandlar dessa till masker och alfamattar.

• Pekning är den enda utdata som båda producerar, och det är den enda platsen där en rättvis jämförelse är möjlig.

• Molmo2-4B har inget segmenteringshuvud och kan inte producera någon matte (maskeringsbild). WeVisOne-VL-4B har ingen videoväg: dess egen dokumentation säger att videorutnät avvisas av pixelavkodaren.

• Molmo2-4B kan hantera enskilda turer men har inbyggt stöd för flera bilder; WeVisOne-VL-4B är inriktad på bildperception för enskilda turer och hoppar uttryckligen över tankekedja för att minska latens.

Den där fjärde raden avgör det mesta av argumentationen. Om din pipeline behöver en alfakanal – kompositering, produktutklipp, bakgrundsersättning, allt där en hårkant spelar roll – är Molmo2-4B inte en kandidat och har aldrig varit det. Om din pipeline behöver följa ett objekt genom 384 bildrutor i en video kan WeVisOne-VL-4B inte ingå i jämförelsen. Resten av den här artikeln handlar om det smala band där båda är rimliga.

Båda är "4B" och ingen av dem är riktigt det

• Parametrar — Molmo2-4B har 4 850 869 200; WeVisOne-VL-4B har 4 830 581 248. Inom 0,4 % av varandra, vilket är sammanträffandet som gör matchen intressant.

Arkitektur — SigLIP 2 so400m plus Qwen3-4B-Instruct-2507 för Molmo2-4B; en Qwen3-VL-stomme plus en separat maskavkodare med 9,6 miljoner parametrar för WeVisOne-VL-4B.

• Nedladdning — 19,42 GB float32-safetensors i fyra shards för Molmo2-4B; ungefär 9,7 GB bfloat16-vikter, inklusive den obligatoriska mask_decoder.pt för WeVisOne-VL-4B.

• Kontext — 36 864 positioner för Molmo2-4B; en budget på 262 144 token är inte den operativa begränsningen för WeVisOne, som utvärderar med upp till 1 960 visuella token per bild.

• Licens — Apache 2.0 för båda, med tillägget i Molmo2-4B:s modellkort att dess träningsdata endast är avsedd för akademisk och icke-kommersiell forskning.

• Körmiljö — Transformers med fjärrkod (eller inbyggt sedan v5.20.0) plus molmo_utils och decord2 för Molmo2-4B; Tencents eget inferenspaket med en transformers- eller vLLM-backend för WeVisOne-VL-4B.

Nedladdningsraden är den praktiska överraskningen. Molmo2-4B är dubbelt så stor på disk trots att den har samma parameterantal, eftersom AI2 publicerade den i float32 och Tencent publicerade den i bfloat16. En nedladdning på 19,42 GB som du omedelbart konverterar ned är inte samma objekt som en nedladdning på 9,7 GB som du kör som levererad, och bara en av dem får plats med marginal bredvid ett gäng andra modeller på en enda maskin.

Var siffrorna kommer ifrån, och var de slutar

Ingen av modellerna har en oberoende resultattavla, så allt nedan är rapporterat av leverantören. De två leverantörerna valde nästan helt åtskilda benchmarkuppsättningar, vilket är precis anledningen till att jämförelsen gång på gång görs på ett dåligt sätt.

WeVisOne-VL-4B, från den tekniska rapporten: 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. För matting är box-promptad MAD för P3M-500-NP 7,3 och text-promptad MAD för WeRefMat 9,8 – lägre är bättre, och båda slår de SAM2-Matting-baslinjer som artikeln jämför med.

Molmo2-4B, enligt dess modellkort: ett genomsnitt på 62,8 över 15 akademiska benchmarktester, bakom sitt eget 8B-syskon på 63,1 och före Qwen3-VL-4B på 58,1, InternVL3.5-4B på 53,4 och GLM-4.1V-9B på 56,9, med Gemini 3 Pro på 70,0 och GPT-5 på 70,6 i samma tabell.

Inte en enda av de raderna är gemensam. Den enda benchmark där båda överhuvudtaget förekommer i samma utvärdering är räkning, och inte ens där kommer siffrorna från olika artiklar med olika protokoll.

Det obehagliga fyndet i WeVisOne:s egen artikel

Det mest användbara i WeVisOnes tabeller är inte 4B:s poäng. Det är att 4B ibland förlorar mot sitt eget 2B-syskon.

• Bättre på 4B – Dense200 71,3 mot 61,4, LVIS 55,3 mot 53,3, RefCOCOg test 81,8 mot 78,2, ReasonSeg val cIoU 71,2 mot 60,9, PointBench 71,9 mot 62,9, WeRefMat MAD 9,8 mot 15,8.

• Sämre vid 4B — P3M-500-NP box-matting MAD 7,3 mot 6,6, PPM-100 6,1 mot 5,3, Ref-ZOM-test cIoU 72,2 mot 73,4.

Läs den andra punkten två gånger. Vid box-promptad matting i vanliga scener ger den extra 2,8B-stora språkmodellen ingenting och kostar en tiondels MAD-poäng, troligen mest för att den obligatoriska 9,6M-dekodern gör det täta arbetet och språkmodellen bara väljer vad den ska peka på. 4B-modellen förtjänar sin storlek på svåra, språkvillkorade uppgifter – referenssegmentering, tät räkning, trängseldetektering – och rullar på eller försämras något på de enkla.

Så "skaffa den större WeVisOne" är inte ett säkert standardval. Namnge uppgiften innan du namnger checkpointen.

Falska positiva resultat, som ingen benchmarkar

Båda modellerna kan tillfrågas om något som inte finns där. Deras publicerade beteende skiljer sig markant, och det är den här raden som borde oroa alla som bygger en verifieringsloop.

WeVisOne-rapporten anger tre avvisningsfrekvenser som rutinmässigt slås samman till en enda siffra och inte får slås samman: RefCOCOg-Rej 67.4, WeRef-Bench Rej 96.4 och PR-Bench Rej 52.6. Det är gapet mellan 96.4 och 52.6 som är poängen. I den interna benchmarken avböjer modellen nästan alltid korrekt när det efterfrågade objektet saknas; på den offentliga adversariella uppsättningen hittar den på ett svar ungefär hälften av gångerna.

Molmo2-4B publicerar ingen avvisningsfrekvens överhuvudtaget. Dess modellkort redovisar genomsnitt på 15 benchmarks och ingenting om att avstå från att svara. Om din applikation bygger på att modellen säger "inte finns", är det en omätt egenskap på ena sidan av denna jämförelse, och den förtjänar en egen testuppsättning snarare än en hänvisning till ett benchmark.

Vad var och en är till för

Använd WeVisOne-VL-4B när leveransen är en region eller en pixel: detektion med öppen vokabulär, refererande segmentering, promptbar matting, tät OCR-lokalisering på en enskild bild. Välj istället 2B-syskonmodellen när uppgiften är boxmatting för enkla scener, eftersom artikeln säger att 4B inte ger någon förbättring där. Välj ingen av dem om video ingår i omfattningen, eftersom pixelavkodaren avvisar videorutnät.

Välj Molmo2-4B när leverabeln är en position i en ström: peka på objektet, följ det över bildrutor, räkna instanser över tid, resonera över en uppsättning bilder. Välj den när en koordinat plus en tidsstämpel är den användbara artefakten och en mask vore överdrivet. Budgetera för float32-nedladdningen och typomvandlingen.

Det finns ett tredje mönster som dyker upp i produktion oftare än något av de två rena valen: kör båda, eftersom uppgifterna kompletterar varandra snarare än konkurrerar. En detektionskörning på en stillbild och en pekkörning på videon som följer är två anrop med två olika utdataformat, och kopplingen mellan dem är den dyra delen. Det är vad ett routningslager är till för – routnings-DSL:n komponerar flera modeller till ett anrop så att överlämningen mellan en matting-modell och en pekmodell blir en konfiguration i stället för en tjänst. Varken WeVisOne-VL-4B eller Molmo2-4B finns i OrcaRouter-katalogen; båda är vikter som du själv hostar, och den ärliga formuleringen är att routningen ligger ovanför dem.

Ettradssvaret

Om du behöver pixlar är detta inte en jämförelse – WeVisOne-VL-4B är den enda som producerar dem, och du bör kontrollera om dess 2B-syskon slår den på din specifika matting-uppgift innan du betalar för 4B. Om du behöver punkter över tid är det inte heller en jämförelse – Molmo2-4B är den enda med en videoväg. Jämförelsen blir bara verklig när uppgiften är ”hitta objektet i den här stillbilden”, och där är den avgörande faktorn inte noggrannhet utan förmågan att avstå: WeVisOne har publicerat avvisningssiffror, Molmo2-4B har inga.