SingVL_S1_4B vs WeVisOne VL 4B: Den tysta lanseringen mot den färdiga

Tencents WeChat Vision-team publicerade artikeln, vikterna, inferenspaketet och demon i oktober 2026 under Apache 2.0. Så ser en färdig release ut. inclusionAI laddade upp två safetensors-shardar den 11 november 2026, utan tillkännagivande, utan artikel, utan licens och utan hostad endpoint, och nöjde sig med det. WeVisOne VL 4B och SingVL_S1_4B är båda ungefär fyra och ett halvt till fem miljarder parametrar, båda byggda på Qwens visionsryggradsnät, båda inriktade på att få ut något mer exakt än ett stycke ur en bild – och de utför motsatta halvor av det jobbet. Den ena ritar masker över pixlar. Den andra returnerar en sannolikhet över de svar du tänkte erbjuda den. Att jämföra dem handlar mindre om vilken som är bättre än om vad en release är värd innan den är färdig.

De två förmågorna, uttalade utan utsmyckning

WeVisOne-VL-4B — namnet är en sammandragning av WeChat Vision All-in-One — förenar objektnivåperception och pixelnivåperception i en enda modell. Konkret utför den objektdetektering med öppen vokabulär, lokalisering av refererande uttryck, objekträkning, pekning, OCR-lokalisering, refererande segmentering och promptbar alpha-mattning, vilket är uppgiften att skapa en mjuk kontinuerlig mask runt något som hår eller en tunn gren där en hård gräns skulle se fel ut. Mekanismen är strukturerad nästa-token-prediktion över dedikerade koordinattoken plus en pixeldekodare med 9,6 miljoner parametrar som levereras tillsammans med checkpointen som mask_decoder.pt. Den returnerar None när ett efterfrågat mål saknas, vilket låter trivialt och är det enskilt mest användbara beteendet vid grounding i produktion.

SingVL_S1_4B är en beslutsmodell. Den tar ett tillstånd – text, JSON, upp till fyra bilder – och en ordbok med namngivna frågor, var och en med en deklarerad typ och kandidatsvar. Choice returnerar en sannolikhet per alternativ, noul returnerar sannolikheten att ett ja/nej-påstående gäller, score returnerar en sannolikhet per nivå över två till tio ordnade nivåer och den förväntade nivån. Ett framåtpass, ingen generering, inga koordinater. Repositoriet innehåller en FastAPI-server på port 8173 som svarar på /v1/systemone, och modellkortet är helt skrivet i den protokollets vokabulär.

Så uppdelningen är ren. WeVisOne berättar var saken finns och vilken form den har. SingVL_S1_4B berättar hur troligt det är att

Vad den polerade utgåvan satte på sitt eget kort

WeVisOne-VL-4B:s huvudtabell jämför den mot den starkaste öppna baslinjen i varje benchmark, hämtade från Qwen3-VL och Q​wen3.5 upp till 9B, Rex-Omni, LocateAnything samt uppgiftsspecifika segmenterings- och mattingmodeller. Raderna som bär argumentet:

LVIS-detektion – F1-medelvärde 55,3 mot ett baslinjevärde på 50,7.

• Dense200 tät detektering — 71,3 mot 58,7.

• RefCOCOg test referring — F1-medelvärde 81,8 mot 77,6.

WeRef-Bench avvisningsfrekvens — 96,4 mot 73,0, vilket är den rad som är viktigast för grundning i produktion.

• PixMo-Count räkningsnoggrannhet — 89,6 mot 82,8.

• TotalText OCR — F1-medelvärde 52,0 mot 43,3.

• ReasonSeg refererande segmentering — gIoU 71,2 mot 65,0.

• P3M-500-NP boxmatting — MAD 7,3 mot 15,4, där lägre är bättre.

• WeRefMat textmattning — MAD 9,8 mot 22,4.

Det där är leverantörens siffror från leverantörens egen utvärderingspipeline, körd med greedy-avkodning och högst 1 960 visuella token per bild, mot baslinjer som leverantören själv valt ut. Den ärliga tolkningen är att de visar att modellen fungerar och ungefär var den står sig mot det starkaste öppna alternativet för varje uppgift – inte att skillnaderna är exakta. Raden för avvisningsfrekvens är den mest trovärdiga till sin anda, eftersom 96,4 mot 73,0 är en tillräckligt stor skillnad för att detaljer i testriggen knappast kan förklara den, och att avvisa frånvarande mål är det felsätt som förstör grounding-system i produktion.

Det finns också en 2B-variant med en egen kolumn, vilket är användbart: 78,2 på RefCOCOg-testet, 50,2 på avvisning, 62,9 på raden för dense-detection. Leverantören publicerade den mindre modellens svagare siffror bredvid den större modellens starkare, vilket är den sorts öppenhet som tyder på att tabellen inte sattes ihop för ett lanseringsinlägg.

Vad den tysta lanseringen lade på sitt eget kort

SingVL_S1_4B publicerar en "Public Decision Index 0.3"-tabell: 69,76 på Text, 73,94 på Vision, mot TypeSafe Jev 1.14 på 60,70 text, StartLux-Decision v1.1 4B på 67,8 och 67,90, samt Perplexity Decider Flash v1.2 på 60,1 och 72,5. Uppdelningen bakom vision-sammanställningen sträcker sig från InfographicVQA på 96,31 och Winoground på 93,12 ner till MMMU-Pro vision på 50,17 och R-Bench-M på 49,77.

De siffrorna har tre problem som siffrorna från WeVisOne inte har. De är två dagar gamla. De finns på en resultattavla vars poängsättningskit är offentligt men vars privata del inte är det, och de är framtagna av ett labb som inte har skickat in en körning till det offentliga reproduceringskitet – även om kortet faktiskt innehåller instruktioner för att lämna in en. Och repot har ingen licens, vilket innebär att det inte är siffrorna som är den avgörande begränsningen för adoptionen; det är pappersarbetet.

Det som kortet obestridligt fastställer är gränssnittet: en sannolikhet per fråga och per alternativ från en enda framåtpassning, där protokollets interna delar levereras som SHA-256-hashar i config.json så att en körning kan verifieras mot koden som producerade den. Det är ett verkligt ingenjörsbeslut och det mest trovärdiga i släppet.

Den ärliga resultattavlan har en gemensam rad och den är tom.

Dessa två modeller har ingen gemensam benchmark. WeVisOne mäter F1 vid IoU-trösklar, gIoU och genomsnittlig absolut skillnad på mattar. SingVL_S1_4B mäter slumpkorrigerad noggrannhet över uppsättningar av svarsalternativ. Det finns ingen rad där samma mätning utfördes på båda, och att konstruera en sådan skulle kräva att man kör båda på samma data – vilket ingen har gjort, eftersom en av checkpointarna är två dagar gammal.

Det som kan jämföras är bevisens form. WeVisOnes lansering omfattar en teknisk rapport på arXiv, en projektsida, ett GitHub-repository med en utvärderingspipeline, en kokbok, två demoutrymmen och reproduktionsinstruktioner som en tredje part kan följa. SingVL_S1_4Bs lansering omfattar ett modellkort och en inferensmapp. Den ena låter en utomstående kontrollera påståendena; den andra ber den utomstående att lita på dem.

Licensiering, som avgör mer än vardera benchmarken

WeVisOne-VL-4B är Apache 2.0. Det täcker kod och vikter som Tencent har skapat, medan tredjepartskomponenter behåller sina egna villkor, och det är därför det redan finns GGUF-kvantiseringar, en ComfyUI-nod, en GGUF-bygge för en Rockchip NPU och ett kinesiskspråkigt integrationspaket som cirkulerar inom två veckor efter lanseringen. Videredistribution är tillåten, så videredistribution har skett.

SingVL_S1_4B anger ingen licens i sin metadata och levereras utan någon LICENSE-fil. inclusionAI har använt uttryckliga licenser på sina andra utgåvor – Apache 2.0 på LemonDecider, Q​wens community-licens på SingProbe-modellerna – så luckan ser ut som en ofullständig uppladdning. Men ”ser ut som ett förbiseende” är inte en licens, och en compliancegranskning kan inte godkänna en modell utifrån att dess utgivare förmodligen avsåg att vara tillåtande.

För alla för vilka svaret på "kan vi leverera det här" spelar roll, slutar jämförelsen här. WeVisOne kan levereras; SingVL_S1_4B kan inte, ännu. Allt annat är en diskussion om kapacitet mellan två modeller där bara en för närvarande är tillgänglig för att diskussionen ska spela roll.

Vilken passar vilken pipeline?

• Klippa ut något ur en bild — WeVisOne-VL-4B, och det är inte ens nära, eftersom SingVL_S1_4B inte har någon segmenteringsutdata alls.

• Räkna objekt i en bildruta med många objekt — WeVisOne-VL-4B. Den rapporterar 57,1 på raden för dense-detection där den bästa baslinjen är 47,9, och räkning är en förstklassig uppgift snarare än ett promptat beteende.

• Att veta att ett mål saknas — WeVisOne-VL-4B, med stöd av avvisningsraden och den explicita None-returen. Det är förmågan som skiljer en demo från ett system.

• Att villkora ett dyrt anrop med ett konfidensvärde — SingVL_S1_4B:s form, om du kan hosta den och licensen kommer. En sannolikhet per alternativ är vad en tröskel vill ha.

• Klassificering mot en fast taxonomi – SingVL_S1_4B i princip; dess val- och poängtyper mappar direkt mot taxonomier, medan en generativ modell måste begränsas tillbaka till en.

• Läsa en sida och få både fälten och deras positioner — WeVisOne-VL-4B, som utför OCR med lokalisering i samma pass som detekteringen.

• Allt som har tagits i kommersiell drift denna månad – WeVisOne-VL-4B, enbart på grund av licensiering.

Och en rad som inte tillhör någon av dem: om det du behöver är en skriftlig förklaring av vad som finns i bilden är båda modellerna fel verktyg. WeVisOne returnerar strukturerad perception och SingVL_S1_4B returnerar sannolikheter; ingen av dem skriver ett stycke.

Vad jämförelsen lär oss om marknaden, inte om modellerna

Det intressanta här är inte att en modell är bättre. Det är att två labb av jämförbar storlek släppte en visionsmodell med 4–5 miljarder parametrar under samma kvartal och behandlade lanseringen helt olika. T​encent levererade en artikel, en dekodercheckpoint med ett angivet parameterantal, en utvärderingspipeline, en licens och en projektsida, och ekosystemet byggde kvantiserade versioner och integrationer inom två veckor. inclusionAI levererade vikter, ett inferensskript och en benchmarktabell, och ekosystemet kan inte röra något av det förrän licensen dyker upp.

Båda strategierna är legitima. Ett tyst släpp låter ett labb publicera en checkpoint utan en lanseringsberättelse, och modellkortet här är verkligen välskrivet — API-exemplen fungerar, frågetyperna dokumenteras med genomräknade exempel, och konfigurationen levereras med hashar som gör verifiering möjlig. Men en checkpoint utan licens är en demonstration, inte en produkt, och skillnaden visar sig precis på den plats som den här jämförelsen ständigt återkommer till: huruvida någon annan än författaren kan bygga vidare på den.

Om du vill testa beslutsmönstret innan pappersarbetet anländer går själva mönstret att anropa. OrcaRouter tillhandahåller TypeSafe Jev 1.14 för $0,042 per miljon indatatokens tillsammans med över 200 modeller under en enda nyckel, med leverantörernas listpriser vidareförmedlade utan påslag och automatisk failover mellan leverantörer. Sing VL S1 finns inte på OrcaRouter och har ingen värdbaserad hemvist någonstans, så detta är inte ett tillgänglighetspåstående om det – det är det billigaste sättet att ta reda på om sannolikhetsutdata slår masker på dina egna etiketter, innan du lägger en GPU på en checkpoint vars villkor är tomma.

WeVisOne-VL-4B kan du helt enkelt ladda ner. Det är i slutändan jämförelsen: en av dessa är en modell du kan använda, och den andra är en modell du kan läsa om.