WeVisOne-VL-2B vs LFM2.5-VL-3B: En maskmakare mot en skärmläsare

Ge båda modellerna samma fotografi och samma mening – ”hunden till vänster” – och två olika saker kommer tillbaka. LFM2.5-VL-3B svarar med en plats och, om du frågar, en beskrivning: en ruta, en punkt eller en kort mening om vad den hittade. WeVisOne-VL-2B svarar också med en ruta, och sedan omvandlar en liten avkodare rutan till en mjukkantad alfamatta som du kan kompositera mot en ny bakgrund utan en gloria runt pälsen. Den ena modellen byggdes för att läsa ett gränssnitt och svara. Den andra byggdes för att ge dig pixlar.

Den skillnaden utgör hela jämförelsen, och den håller i varje prestandatabell som någon av leverantörerna har publicerat. Det förklarar också varför de två modellerna sällan utvärderas mot varandra: Liquid AI:s modellkort nämner inte WeVisOne, Tencents rapport nämner inte Liquid, och ingen tredje part har kört dem sida vid sida. Det som följer är vad varje lansering faktiskt har redovisat, vilka av deras siffror som kan ställas bredvid varandra och vilka som inte kan.

Två lanseringar, två väldigt olika mängder bevis

LFM2.5-VL-3B publicerades av Liquid AI den 11 augusti 2026 — vikterna först, tillkännagivandet dagen därpå — och den kom med en numerisk benchmarktabell, en namngiven baslinje för varje rad och ett hastighetsavsnitt mätt på namngiven hårdvara. Det är en dens modell med 3,12 miljarder parametrar: en språklig ryggrad LFM2.5-2.6B parad med en SigLIP2 NaFlex 400M-synkodare, ett kontextfönster på 32 768 token, ett ordförråd på 128 000 token och sexton namngivna språk. Dess licens är Liquids egen LFM Open License v1.0, som är gratis för kommersiellt bruk under en intäktströskel snarare än ovillkorligt gratis.

WeVisOne-VL-2B publicerades av Tencents WeChat Vision-team den 22 oktober 2026, och dess modellkort innehåller ingen benchmarktabell alls – inga resultat, ingen kontextlängd, inga genomströmningssiffror, inga hårdvarukrav. Siffrorna finns, men de står i den medföljande artikeln, som redovisar sju uppgiftstabeller över vad författarna beskriver som fler än trettio benchmarks. De två utgåvorna är alltså inte bara olika modeller; de är olika slags dokument. Liquid publicerade en produktspecifikation. Tencent publicerade ett forskningsresultat och lämnade specifikationsbladet mestadels tomt.

Den asymmetrin spelar roll när man läser en jämförelse som den här. Liquids siffror sammanställdes för att läsas mot dess egna baslinjer. Tencents sammanställdes för att vinna en akademisk tabell. Ingen av leverantörerna valde sina siffror med den andra modellen i åtanke, vilket är precis anledningen till att siffrorna inte stämmer överens.

Siffran som ser jämförbar ut men inte är det

Båda modellerna publicerar en RefCOCO-poäng, och när man ställer dem sida vid sida får man en rubrik som ser prydlig ut: LFM2.5-VL-3B på 87,9 mot WeVisOne-VL-2B på 79,7. Den jämförelsen är meningslös, och det är värt att gå igenom varför, eftersom samma misstag görs i kalkylblad just nu.

• Liquid rapporterar RefCOCO precision@1 i genomsnitt över delningarna. Det är en detektionsstatistik: överlappade den högst rankade förutsagda boxen referensboxen tillräckligt mycket för att räknas som korrekt.

• Tencents 79,7 står i en segmenteringstabell, och artikeln säger uttryckligen att siffrorna för RefCOCO-familjen där är kumulativ IoU — total skärningsmängd dividerad med total unionsmängd över hela utvärderingssetet.

• Tencents tabell för referensdetektion rapporterar inte RefCOCO alls. Den rapporterar RefCOCOg, där 2B får 77,1 i genomsnittlig F1.

Så 87,9 och 79,7 mäter tre olika saker över två olika uppgifter. En ruta som knappt överlappar ett mål kan få bra resultat på precision@1 och dåligt på cIoU; en mask som täcker ett stort objekt väl kan få höga resultat på cIoU medan dess avgränsningsruta är slarvig. Det finns ingen aritmetik som får dem att stämma överens.

Samma fälla finns i OCR. Liquid publicerar OCRBench v1 på 84.2 och OCRBench v2 English på 47.5 – transkriptionsbenchmarkar. Tencent publicerar OCR som lokaliserings-F1 vid en IoU-tröskel på 0.5: 62.1 på SROIE, 42.6 på ICDAR2015, 42.5 på TotalText, 30.5 på HierText. De mäter huruvida modellen hittade och ramade in texten, inte huruvida den läste den korrekt. Att citera "84.2 mot 62.1" skulle vara att jämföra ett lästest med ett pektest.

Vad är egentligen en rättvis jämförelse

Ta bort poängen, så linjerar de två modellerna upp sig längs dimensioner som inte behöver en testrigg:

• Storlek — cirka 3,12B täta parametrar för LFM2.5-VL-3B jämfört med cirka 2B för WeVisOne-VL-2B, plus en dekoder med 9,5M parametrar som måste laddas ner separat och krävs för täta utdata.

• Bas — Liquids egen hybridstomme LFM2.5-2.6B kontra Qwen3-VL.

Kontext — 32 768 tokens som publicerats på modellkortet jämfört med ingen publicerad kontextlängd alls. Träningsfaserna i WeVisOne-artikeln kördes vid 4 096 och 8 192 tokens, och inferensen begränsar varje bild till 1 960 visuella tokens, men inget av detta utgör ett driftsättningsfönster.

• Utdatatyper — boxar, punkter och text vs boxar, punkter, binära masker och kontinuerliga alfamattor.

• Resonemang — LFM2.5-VL-3B är avsiktligt icke-resonerande och svarar direkt för att hålla latensen låg; WeVisOne är också icke-resonerande, men av en annan anledning: det genererar strukturerad utdata utan tankekedja för inferenseffektivitet. Ingen av modellerna "tänker" innan de svarar, och ingen av leverantörerna låtsas något annat.

• Verktygsanrop — stöds och benchmarkas på LFM (ToolSandbox 59,5, BFCL v4 32,5) jämfört med att inte vara en angiven kapacitet på WeVisOne.

• Språk — sexton namngivna på LFM-kortet kontra inte angivna på WeVisOne-kortet.

• Licens — LFM Open License v1.0, med en intäktströskel, jämfört med Apache 2.0 för kod skriven av Tencent.

• Kvantiserade byggen – GGUF-, ONNX- och MLX-exporter erbjuds av Liquid, jämfört med inga som tillkännagivits av Tencent.

• Oberoende utvärdering – ingen av modellerna har någon post på Artificial Analysis i skrivande stund. Varje siffra i den här artikeln, från båda leverantörerna, är leverantörsrapporterad.

Driftsättningsgapet är större än parametergapet

LFM2.5-VL-3B konstruerades för att köras på en telefon och kortet bevisar det med siffror: under 3,3 GB minne, 20 tokens per sekund på en Galaxy S26 Ultra, 228 tokens per sekund på en Apple M5 Max, 116 på en AMD Ryzen AI Max+ 395 och cirka 11 000 utdatatokens per sekund vid hög samtidighet på en enda H100. Den levereras i format som konsumentkörmiljöer faktiskt kan läsa in.

WeVisOne-VL-2B publicerar inget av det. Det som den faktiskt publicerar antyder en annan kostnad. Dekoderns sista steg producerar en alfamatte i full upplösning med stride-1, vilket innebär att den täta utdata har samma storlek som indatabilden i stället för en vektor med fast storlek – en kostnad som skalar med upplösningen, inte med antalet parametrar. För en 2B-modell på en modern GPU är det hanterbart. För en telefon är det inte uppenbart hanterbart alls, och Tencent har inte hävdat att det är det.

Den praktiska konsekvensen är att dessa två modeller inte konkurrerar om samma distributionsplats. Den ena är en komponent som du skulle kunna leverera inuti en app. Den andra är en komponent som du skulle köra på en server, eller på en arbetsstation, bredvid allt annat som behöver maskas.

Välj efter utdatatyp, inte efter poäng

Om jobbet går ut på att läsa en skärm — tolka ett utcheckningsflöde, hitta knappen med etiketten "Fortsätt", extrahera en tabell från ett fotograferat dokument — är LFM2.5-VL-3B den självklara kandidaten. Den har ScreenSpot-v2 på 80,7, DocVQA på 91,1, ChartQA på 81,3 och en ToolSandbox-poäng som tyder på att den kan agera på det den ser i stället för att bara beskriva det. Den har också ett genomsnitt på 69,4 över 28 benchmarker som Liquid publicerar mot namngivna syskonmodeller, vilket åtminstone säger dig vad leverantören tror att dess eget närområde ser ut som.

Om uppgiften är att isolera ett objekt – ett produktutklipp, en person mot en rörig bakgrund, en förgrund med flygande hårstrån eller en transparent kant – producerar LFM2.5-VL-3B inte den typen av resultat, och ingen mängd promptning får den att göra det. WeVisOne-VL-2B gör det, och marginalen i matting-tabellerna är stor: 6,6 i genomsnittlig absolut differens mot 15,4 för SAM2-Matting på P3M-500-NP, 15,8 mot 23,0 för en Qwen3-VL-8B plus SAM2-pipeline på den språkpromptade WeRefMat-delningen.

Det finns ytterligare ett fall där WeVisOne har ett påstående värt att notera: frånvaro. Tencent rapporterar en avvisningsfrekvens på 50,2 på RefCOCOg för frågor vars mål inte finns i bilden, mot 0,5 och 0,6 för två specialiserade grounding-modeller i samma tabell. Om din pipeline kör tusentals beskärningar och de flesta av dem inte innehåller något du bryr dig om, sparar en modell som tillförlitligt säger ”inte där” en nedströms klassificerare åt dig. LFM2.5-VL-3B:s model card rapporterar ingen jämförbar avvisningssiffra, så det finns inget att ställa bredvid den — en lucka i bevisningen, inte en förlust.

Inget av detta är ett skäl att välja den ena och pensionera den andra, och det är värt att vara ärlig om var en router passar in. OrcaRouter tillhandahåller ingen av modellerna; ingen av dem finns i vår katalog, och ingen av dem driftas någonstans som vi kan verifiera, särskilt inte för WeVisOne. Det vi däremot erbjuder är den omkringliggande stacken: om din pipeline använder en hostad visionsmodell för läsdelen och en självhostad modell för maskeringsdelen, går de hostade anropen genom en enda API-nyckel till leverantörens listpris utan påslag, flyttar failover dem till en annan leverantör när en av dem försämras, och routnings-DSL:en låter dig sätta båda delarna bakom en enda slutpunkt så att din applikation aldrig får veta vilken som svarade.

Vad skulle faktiskt avgöra det?

En oberoende testrigg, körd av någon som inte tillhör någon av leverantörerna, på samma bilder, som rapporterar både en detektionsstatistik och en segmenteringsstatistik för båda modellerna. Det finns inte. Tills det gör det är den försvarbara hållningen den tråkiga: dessa modeller svarar på olika frågor, deras publicerade siffror mäts med olika instrument, och valet mellan dem avgörs av vad din nedströmskod förväntar sig att ta emot – en mening eller en mask.

Om du bara tar med dig en enda sak från den här jämförelsen, låt det vara evidensens form. Liquid AI gav dig en tabell som du kan falsifiera. Tencent gav dig en uppsats du kan läsa och ett kort som uppriktigt talar om vad modellen inte kommer att göra. Ingen av dem gav dig en siffra som kan jämföras med den andra, och varje artikel som trycker 87,9 bredvid 79,7 utan den reservationen säljer en rangordning till dig som inte finns.