LFM3-VL-2B กับ WeVisOne-VL-2B: ห่างกันสามวัน แต่เดิมพันตรงกันข้าม

LFM3-VL-2B ปรากฏบน Hugging Face เมื่อวันที่ 19 ตุลาคม 2026 WeVisOne-VL-2B ปรากฏเมื่อวันที่ 22 ตุลาคม สองโมเดลนี้ต่างมีขนาดราวสองพันล้านพารามิเตอร์ ทั้งคู่เป็น open-weight และทั้งคู่มาจากแล็บที่มีชื่อเสียง โดยเผยแพร่ห่างกันภายใน 72 ชั่วโมง คุณคงคาดว่าพวกมันแทบจะใช้แทนกันได้ แต่จริง ๆ แล้วพวกมันเป็นการเดิมพันคนละขั้วว่าคำว่า “vision” หมายถึงอะไร: โมเดลหนึ่งตอบคำถามเกี่ยวกับสิ่งที่มันเห็น อีกโมเดลส่งคืนรูปร่างที่แม่นยำของสิ่งที่มันเห็น

ความแตกต่างนี้มองข้ามได้ง่ายในสเปกชีต เพราะการ์ดทั้งสองใบต่างระบุว่ามี bounding box และมี OCR ความต่างอยู่ที่รูปแบบเอาต์พุตและวัตถุประสงค์ในการเทรน และมันเป็นตัวตัดสินว่าคุณจะนำโมเดลใดโมเดลหนึ่งไปใส่ในไปป์ไลน์ได้โดยไม่ต้องมีชั้นแยกวิเคราะห์หรือไม่ อีกทั้งยังตัดสินว่าโมเดลไหนยังมีเหตุผลให้มีอยู่ต่อไปหลังจากโมเดลอเนกประสงค์เก่งขึ้น

คำจำกัดความสองประการของการมองเห็น

LFM3-VL-2B เป็นโมเดลอเนกประสงค์ของ Liquid AI โดยรับข้อความ รูปภาพ และวิดีโอที่ 2 fps ส่งออกเป็นข้อความ รองรับการคิดทีละขั้นตอน มีบริบทขนาด 128K และครอบคลุม 16 ภาษา สถาปัตยกรรมเป็นโมเดลแบบ dense ขนาด 1.92B — ประกอบด้วยแกนหลักด้านภาษาขนาด 1.73B ตัวเข้ารหัสภาพที่พัฒนาเองขนาด 164M และโปรเจกเตอร์ขนาด 25M — โดยมีบิลด์ BF16, GGUF, MLX 4-bit และ ONNX เผยแพร่แล้ว โพสต์เกี่ยวกับตระกูลโมเดลของ Liquid วางตำแหน่งโมเดลนี้ว่าเป็นโมเดลที่สามารถ "เฝ้าดู ใช้เหตุผล และเข้าใจโลกทางกายภาพ" และเส้นทางวิดีโอถือเป็นความสามารถใหม่จริง ๆ สำหรับตระกูลนี้

WeVisOne-VL-2B เป็นโมเดล WeChat Vision ของ Tencent สร้างบนแกนหลัก Qwen3-VL ขนาดประมาณ 2.4B พารามิเตอร์ภายใต้ Apache 2.0 โดยมีจุดประสงค์เพื่อการรับรู้แบบรวม: การตรวจจับแบบ open-vocabulary, การระบุตำแหน่งตามการอ้างอิง, การนับ, การชี้ตำแหน่ง, การระบุตำแหน่ง OCR, การแบ่งส่วนตามการอ้างอิง และ promptable alpha matting โดยจะคืนค่าพิกัดที่ปรับให้เป็นมาตรฐานผ่านโทเค็นเฉพาะ พร้อมมาสก์ผ่านตัวถอดรหัสพิกเซลขนาด 9.6M พารามิเตอร์แยกต่างหาก ซึ่งต้องโหลดควบคู่กับโมเดลภาษา

โมเดลหนึ่งเป็นผู้อ่าน อีกโมเดลหนึ่งเป็นเครื่องมือวัด ความทับซ้อนในตาราง benchmark ของทั้งคู่เป็นเรื่องจริง แต่มันคือความทับซ้อนของผลิตภัณฑ์สองอย่างที่ต่างกันซึ่งกำลังวัดฉากเดียวกัน

รูปแบบผลลัพธ์คือตัวผลิตภัณฑ์

WeVisOne-VL-2B เข้ารหัสพิกัดเป็นโทเค็นตั้งแต่ <0> ถึง <1000> ทำเครื่องหมายแต่ละอินสแตนซ์ด้วยโทเค็น <OBJ> และคืนค่า None เมื่อไม่มีเป้าหมายที่ร้องขอ รายละเอียดสุดท้ายนี้คือสิ่งที่ผู้ใช้งานจริงสังเกตเห็น: การ์ดรายงานอัตราการปฏิเสธที่ 50.2 บน RefCOCOg เทียบกับประมาณ 0.5 สำหรับ Rex-Omni และ LocateAnything โดยได้รับการฝึกให้พูดว่า "ไม่พบที่นี่" แทนที่จะสร้างกล่องขึ้นมาเอง

ตัวถอดรหัสพิกเซลไม่ใช่ตัวเลือกเสริม การแบ่งส่วนภาพและการทำอัลฟาแมตติ้งต้องใช้ mask_decoder.pt ซึ่งเป็นโมดูลที่มีพารามิเตอร์ 9.6M ที่ทำงานเมื่อถูกกระตุ้นด้วยโทเคนวัตถุ หากคุณโหลดเฉพาะโมเดลภาษา คุณจะได้พิกัดแต่ไม่ได้มาสก์ ที่เก็บ GitHub มาพร้อมแพ็กเกจการอนุมานที่เชื่อมทั้งสองเข้าด้วยกัน และโมเดลนี้ถูกออกแบบให้รองรับแบบเทิร์นเดียวและเฉพาะภาพ — ตัวถอดรหัสพิกเซลจะปฏิเสธกริดวิดีโอ

LFM3-VL-2B ไม่มีสัญญาที่เทียบเท่ากัน มันจะบรรยายพื้นที่หนึ่ง นับจำนวนวัตถุ หรือให้เหตุผลเกี่ยวกับฉากเป็นร้อยแก้ว และแถว grounding ของมัน (RefCOCO-avg 90.5) บ่งชี้ว่ามันมีความสามารถในการระบุตำแหน่ง แต่เอาต์พุตนั้นเป็นข้อความ สำหรับไปป์ไลน์ที่ต้องการมาสก์ ความแตกต่างระหว่าง 90.5 กับรูปหลายเหลี่ยมที่แยกวิเคราะห์ได้ คือความแตกต่างระหว่างเดโมกับผลิตภัณฑ์

การปูพื้นฐานตัวเลขที่คุณไม่สามารถลบได้

การ์ดทั้งสองใบรายงานผลลัพธ์ในตระกูล RefCOCO และไม่ใช่การวัดเดียวกัน LFM3-VL-2B รายงาน RefCOCO-avg 90.5 ซึ่งเป็นค่าเฉลี่ยของ split ต่างๆ ของ referring expression ส่วน WeVisOne-VL-2B รายงาน RefCOCOg 77.1 mean F1 สำหรับ referring detection และ RefCOCO testA 82.9 cIoU สำหรับ referring segmentation RefCOCOg เป็น split ที่แตกต่างออกไปซึ่งมี expression ที่ยาวกว่าและเป็นแบบบทสนทนามากกว่า ส่วน cIoU เป็นตัวชี้วัดที่แตกต่างจาก F1

การนำ 77.1 ไปลบออกจาก 90.5 ให้ผลลัพธ์เป็นตัวเลขที่ไม่มีความหมายใด ๆ การตีความอย่างตรงไปตรงมาคือ โมเดลทั้งสองมีความแข็งแกร่งด้าน referring localization บนฮาร์เนสของตัวเอง โดยฮาร์เนสทั้งสองยังไม่ได้รับการทำซ้ำอย่างอิสระ และนิยามของเมตริกแตกต่างกันมากพอจนการจัดอันดับยังไม่ได้ข้อสรุป คำเตือนเดียวกันนี้ใช้กับ OCR: LFM3-VL-2B รายงาน OCRBench v1 86.3 ขณะที่ WeVisOne-VL-2B รายงาน OCR HierText 30.5 ซึ่งเป็นเบนช์มาร์กที่แตกต่างกันบนชุดข้อมูลที่ยากกว่า

เมื่อการเปรียบเทียบเป็นไปอย่างตรงไปตรงมา ผลลัพธ์ก็เอื้อต่อโมเดลเฉพาะทางในพื้นที่ของตัวเอง: WeVisOne-VL-2B รายงานค่า F1 ด้านการตรวจจับบน COCO ที่ 55.2, LVIS ที่ 53.3 และ Dense200 ที่ 61.4 เมื่อเทียบกับโมเดลที่ไม่เผยแพร่ค่า F1 ด้านการตรวจจับเลยด้วยซ้ำ นั่นไม่ใช่ชัยชนะโดยปริยาย แต่เป็นเครื่องเตือนใจว่าโมเดลอเนกประสงค์ไม่ได้ถูกฝึกมาให้ถูกประเมินในลักษณะนั้น

ความแมตต์คือคูเมือง

Promptable alpha matting เป็นฟีเจอร์ที่ทั้ง {{1}}LFM3-VL-2B{{/1}} และโมเดลส่วนใหญ่ในคลาสขนาดเดียวกันไม่มีให้ {{2}}WeVisOne-VL-2B{{/2}} รายงานค่าความต่างสัมบูรณ์เฉลี่ย 6.6 บน P3M-500-NP สำหรับ matte ขอบนุ่ม — ขอบกึ่งโปร่งใสโดยรอบเส้นผม แก้ว และขน ซึ่งมาสก์การแบ่งส่วนแบบไบนารีเปลี่ยนให้เป็นรอยตัดแข็ง การ์ดเปิดเผยข้อจำกัดอย่างตรงไปตรงมา: ขอบ alpha ที่ละเอียดจะเสื่อมลงภายใต้การบดบัง ความละเอียดต่ำ และความโปร่งใส แต่สำหรับการตัดแยกสินค้า การคอมโพสิต และการแทนที่พื้นหลัง matte คือเอาต์พุตที่ไปป์ไลน์ต้องการจริง ๆ

นี่คือข้อโต้แย้งที่หนักแน่นที่สุดสำหรับการมีอยู่ของโมเดลนี้ โมเดลทั่วไปขนาด 2B สามารถบรรยายภาพได้ แต่ไม่สามารถมอบช่องอัลฟาแบบซอฟต์ให้คุณได้ Tencent สร้างโมเดลขนาดเล็กโดยมีตัวถอดรหัสพิกเซลเป็นแกนกลาง เพราะผลลัพธ์แบบนั้นมีต้นทุนสูงหากจะให้โมเดลอเนกประสงค์ขนาดใหญ่ผลิตออกมา และโมเดลพี่น้องขนาด 4B ก็มีไว้สำหรับทีมที่ต้องการความแม่นยำ بیشتریในงานเดียวกัน

วิดีโอและการคิดคือคูเมืองอีกชั้น

จุดแตกต่างของ LFM3-VL-2B ไปในทิศทางตรงกันข้าม โดยรองรับวิดีโอที่ 2 fps และรายงานผล Video-MME 62.8 โดยไม่มีคำบรรยาย, MVBench 69.4 และ MMMB 85.2 ส่วน WeVisOne-VL-2B เป็นแบบเทิร์นเดียวและรองรับเฉพาะภาพ ตัวถอดรหัสพิกเซลของมันปฏิเสธกริดวิดีโอ หากอินพุตของคุณเป็นคลิป การเปรียบเทียบก็จบตั้งแต่ก่อนตารางเบนช์มาร์กจะเริ่มขึ้นเสียอีก

โหมด thinking เพิ่มช่องว่างที่สอง LFM3-VL-2B รายงานผล MathVista 84.2 เมื่อใช้ thinking เทียบกับ 68.5 เมื่อไม่ใช้ และ MMMU 55.7 เทียบกับ 48.6 WeVisOne-VL-2B ไม่มี chain-of-thought โดยการออกแบบ เพื่อประสิทธิภาพ นั่นเป็นทางเลือกทางวิศวกรรมที่สมเหตุสมผลสำหรับองค์ประกอบด้านการรับรู้ และเป็นขีดจำกัดตายตัวสำหรับโมเดลที่คุณต้องการให้ใช้เหตุผลเกี่ยวกับแผนภูมิ

ความทรงจำ ใบอนุญาต และค่าผ่านประตู

• พารามิเตอร์ — LFM3-VL-2B แบบ dense ขนาด 1.92B เทียบกับ WeVisOne-VL-2B ขนาดประมาณ 2.4B พร้อมตัวถอดรหัสพิกเซล 9.6M

• หน่วยความจำ — ประมาณ 3.84 GB BF16 ตามการคำนวณสำหรับ LFM3-VL-2B พร้อมบิลด์ MLX แบบ 4 บิต; น้ำหนักประมาณ 9.1 GB ใน F32 และคาดว่า 4.9 GB ใน BF16 สำหรับ WeVisOne-VL-2B ตามบันทึกการติดตั้งใช้งานของบุคคลที่สาม ไม่ใช่จากการ์ด

• อินพุต — ข้อความ รูปภาพ และวิดีโอที่ 2 fps เทียบกับรูปภาพและข้อความเท่านั้น แบบเทิร์นเดียว

• เอาต์พุต — ข้อความร้อยแก้ว โดยอาจมีเหตุผลเทียบกับข้อความ พิกัดที่ปรับให้เป็นมาตรฐาน มาสก์ และอัลฟาแมตต์

• บริบท — 128K เทียบกับที่ไม่ได้ระบุว่าเป็นหน้าต่างขนาดเอกสาร; ข้อจำกัดอยู่ที่ตัวถอดรหัสพิกเซล

• สัญญาอนุญาต — LFM Open License v1.0 ใช้งานเชิงพาณิชย์ได้เมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ เทียบกับ Apache 2.0 ที่ใช้ได้ทุกขนาด

• เผยแพร่ — คลังข้อมูล 19 ตุลาคม 2026, ประกาศของครอบครัว 27 ตุลาคม เทียบกับคลังข้อมูล 22 ตุลาคม 2026

แถวเรื่องใบอนุญาตนั้นตรงข้ามกับเรื่องราวที่พบได้ทั่วไป โมเดลของ Tencent เป็นโมเดลที่ใช้ใบอนุญาตแบบผ่อนปรน ส่วนโมเดลของ Liquid เป็นโมเดลที่มีเพดานรายได้ สำหรับบริษัทที่สร้างผลิตภัณฑ์ด้านการรับรู้เชิงพาณิชย์ Apache 2.0 ช่วยตัดรายการตรวจสอบสถานะ (due diligence) รายการหนึ่งที่ใบอนุญาต LFM สร้างขึ้นออกไป สิ่งนี้ไม่ได้ทำให้โมเดลทั้งสองใช้แทนกันได้ แต่หมายความว่าโมเดลที่เล็กกว่าและทั่วไปมากกว่าต้องแบกรับข้อจำกัดทางกฎหมายที่มากกว่า

ทั้งสองโมเดลไม่มีราคาแบบโฮสต์

การ์ดทั้งสองเผยแพร่ค่าน้ำหนักโมเดล และไม่มีฝ่ายใดเผยแพร่อัตราค่า API ต่อโทเคน Hugging Face ไม่ได้ระบุผู้ให้บริการ inference สำหรับ LFM3-VL-2B; การ์ดของ WeVisOne-VL-2B ก็ไม่มี endpoint ที่โฮสต์ไว้เช่นกัน แม้ว่าจะมีพอร์ตจากชุมชนสำหรับ LiteRT, Core AI, GGUF และ Android นี่คือสภาพปัจจุบันของระดับ vision 2B: ค่าน้ำหนักฟรี การให้บริการเป็นความรับผิดชอบของคุณ และต้นทุนที่แท้จริงคือ GPU กับงานด้านการผสานรวม

หากคุณต้องการเช่าโมเดลระดับนั้นมากกว่าที่จะเป็นเจ้าของเอง OrcaRouter จะจัดเส้นทางไปยังโมเดลวิชันแบบโฮสต์ — รวมถึง Qwen3-VL-8B — ผ่าน API เดียว โดยส่งต่อราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% และมีการรวมโมเดล (model fusion) หากคุณต้องการให้โมเดลรับรู้และโมเดลให้เหตุผลตอบร่วมกันเป็นคณะ เราไม่ได้ให้บริการเช็กพอยต์ทั้งสองตัวในหมู่ทั้งสองนี้ในการเปรียบเทียบนี้ และไม่มีสิ่งใดในที่นี้สื่อว่าเราให้บริการดังกล่าว ประเด็นที่เกี่ยวข้องคือ การเช่าโมเดลแบบโฮสต์ที่ใหญ่ขึ้นเล็กน้อยถือเป็นทางเลือกที่สามที่สมเหตุสมผล เมื่อโมเดลแบบเปิดน้ำหนักทั้งสองตัวไม่ได้มาพร้อมเอนด์พอยต์

วิธีการเลือก

• เลือก WeVisOne-VL-2B หากผลลัพธ์เป็นข้อมูลเชิงเรขาคณิต: บ็อกซ์ มาสก์ อัลฟาแมตต์ จำนวน หรือสัญญาณ "ไม่พบ" เลือกสิ่งนี้หาก Apache 2.0 เป็นข้อกำหนดที่ต่อรองไม่ได้ หรือหากคุณกำลังสร้างไปป์ไลน์สำหรับการตัดแยกวัตถุ การคอมโพสิต หรือการรับรู้ทางหุ่นยนต์

• เลือกใช้ LFM3-VL-2Bหากอินพุตมีวิดีโอ หากคุณต้องการการให้เหตุผลกับแผนภูมิหรือแบบฟอร์ม หรือหากคุณต้องการให้โมเดลขนาดเล็กเพียงตัวเดียวตอบคำถามทั่วไปแทนการวัดรูปร่าง

• ใช้ทั้งคู่ เฉพาะเมื่อคุณพร้อมที่จะเดินสองไปป์ไลน์เท่านั้น ทั้งคู่ใช้คลาสพารามิเตอร์ร่วมกันและแทบไม่มีอย่างอื่นร่วมกัน และค่าใช้จ่ายในการผสานรวมจากการแสร้งทำเป็นอย่างอื่นนั้นสูงกว่าค่าใช้จ่ายของโมเดลที่สอง

ช่องว่างสามวันระหว่างรีโพซิทอรีของทั้งสองเป็นเรื่องบังเอิญ แต่ความแตกต่างในสิ่งที่ทั้งสองส่งคืนไม่ใช่เรื่องบังเอิญ ห้องแล็บสองแห่งมองงบประมาณ 2B ก้อนเดียวกัน แล้วใช้มันไปกับผลลัพธ์ที่แตกต่างกัน และคำถามที่ถูกต้องไม่ใช่ว่าอันไหนดีกว่า — แต่คือผลลัพธ์แบบไหนที่ขั้นตอนไปป์ไลน์ถัดไปของคุณจะนำไปใช้ได้จริง