LFM3-VL-2B เทียบกับ WeVisOne-VL-4B: พารามิเตอร์ที่มากกว่า 2.5 เท่าให้อะไรได้จริง

ตารางเบนช์มาร์กของ Tencent เองกลับคัดค้านการซื้อที่ดูเหมือนจะเป็นตัวเลือกชัดเจน WeVisOne-VL-4B ซึ่งเป็นรุ่นที่ใหญ่กว่าของโมเดลการรับรู้สองรุ่นที่ทีม WeChat Vision เผยแพร่เมื่อวันที่ 22 ตุลาคม 2026 ทำงานด้าน alpha matting ที่ใช้ box prompt ได้แย่กว่าพี่น้อง 2B ของตัวเอง โดยมีค่าเฉลี่ยความแตกต่างสัมบูรณ์ 7.3 บน P3M-500-NP เทียบกับ 6.6 ของรุ่น 2B ซึ่งค่าที่ต่ำกว่าดีกว่า อย่างไรก็ตาม โมเดลที่ผู้ซื้อส่วนใหญ่จะนำมาเปรียบเทียบจริง ๆ ไม่ใช่พี่น้องของมัน แต่เป็น LFM3-VL-2B — โมเดลวิชันบนอุปกรณ์ขนาด 1.92B ของ Liquid AI ซึ่งน้ำหนักโมเดลเผยแพร่เมื่อวันที่ 19 ตุลาคม และได้รับการประกาศพร้อมกับสมาชิกอื่น ๆ ของตระกูล LFM3 เมื่อวันที่ 27 ตุลาคม

วางสองตัวนี้เทียบกัน แล้วคำถามที่น่าสนใจไม่ใช่ตัวไหนฉลาดกว่า แต่คือพารามิเตอร์สองเท่าครึ่งซื้ออะไรให้คุณได้บ้าง และต้องแลกมาด้วยอะไร คำตอบสั้น ๆ จากตารางของผู้ขายเอง: มันซื้อความสามารถตรวจจับแบบหนาแน่น ความแม่นยำในการอ้างอิง และอัตราการปฏิเสธที่จะตอบเมื่อไม่มีวัตถุนั้นอยู่ที่ดีขึ้นมาก มันไม่ได้ซื้อโมเดลอเนกประสงค์ มันไม่ได้ซื้อวิดีโอ และมันไม่ได้ซื้อโมเดลที่คุณใส่ไว้ในโทรศัพท์ได้ ทุกอย่างด้านล่างมาจากตารางที่เผยแพร่สองตารางโดยเปิดให้เห็นรอยต่อชัดเจน — ยังไม่มีชุดทดสอบอิสระใดที่จำลองตัวเลขของโมเดลใดโมเดลหนึ่งจากสองตัวนี้ได้

แต่ละอย่างจริงๆ แล้วคืออะไร

LFM3-VL-2B เป็นโมเดล dense ขนาด 1.92B พารามิเตอร์ ประกอบด้วยโครงข่ายภาษาขนาด 1.73B ตัวเข้ารหัสภาพที่พัฒนาภายในขนาด 164M และโปรเจกเตอร์ขนาด 25M โครงข่ายหลักเป็นสแต็ก tri-hybrid ของ Liquid — 24 เลเยอร์แบ่งเป็น 13 gated short convolution, 5 เลเยอร์ sliding-window attention ที่หน้าต่าง 256 โทเคน และ 6 เลเยอร์ global attention รองรับข้อความ ภาพ และวิดีโอที่ความละเอียดดั้งเดิม โดยสุ่มตัวอย่างวิดีโอที่ 2 เฟรมต่อวินาที รองรับบริบท 128K โทเคน ครอบคลุม 16 ภาษา และมีโหมดคิดแบบเลือกได้ซึ่งสร้างกระบวนการให้เหตุผลก่อนคำตอบ เอาต์พุตเป็นข้อความร้อยแก้ว

WeVisOne-VL-4B สร้างขึ้นบน backbone Qwen3-VL และตั้งชื่อว่า 4B แม้ว่า metadata บน Hugging Face จะปัดเป็น 5B และบทความจากบุคคลที่สามระบุจำนวนจริงไว้ใกล้เคียง 4.83B มันไม่ได้ตอบเป็นข้อความร้อยเรียงมากนัก แต่ส่งออกเรขาคณิต: boxes และ points เป็นโทเค็นพิกัดแบบนอร์มัลไลซ์ตั้งแต่ 0 ถึง 1000, marker OBJ (token id 152678) หลังแต่ละ predicted box และสตริงตามตัวอักษร None เมื่อไม่มีเป้าหมาย Masks และ alpha mattes ต้องใช้อาร์ติแฟกต์ชิ้นที่สองคือ mask_decoder.pt ซึ่งเป็น pixel decoder ขนาด 9.6M พารามิเตอร์ที่รับ hidden state ของแต่ละโทเค็น OBJ และ predicted box แล้วคืน alpha ความละเอียดเต็มที่ stride 1 มันเป็นแบบ single-turn และ image-only และสร้าง structured output โดยตรง โดยไม่มี chain-of-thought

ความเปรียบต่างในรอบเดียว:

• ขนาด — LFM3-VL-2B แบบ dense 1.92B เทียบกับ WeVisOne-VL-4B ประมาณ 4.83B พร้อมตัวถอดรหัสขนาด 9.6M ที่จำเป็นสำหรับมาสก์

• อินพุต — ข้อความ รูปภาพ และวิดีโอที่ 2 fps เทียบกับข้อความและรูปภาพเดียว

• ผลลัพธ์ — ข้อความร้อยแก้วและขั้นตอนการคิดหนึ่งรอบ เมื่อเทียบกับโทเค็นพิกัด กล่อง มาสก์ แมตต์ หรือค่า None ที่ระบุชัดเจน

• บริบท — 128K โทเค็น เทียบกับไม่มีขีดจำกัดการอนุมานที่ประกาศไว้บนการ์ด; เปเปอร์อธิบายการฝึกที่ 4,096 และ 8,192 โทเค็น

• ความครอบคลุมภาษา — ระบุ 16 ภาษา เทียบกับไม่ระบุเลย

• สัญญาอนุญาต — LFM Open License v1.0 ใช้งานเชิงพาณิชย์ได้ฟรีเมื่อรายได้ต่อปีต่ำกว่า $10M เทียบกับ Apache 2.0 สำหรับโค้ดที่เขียนโดย Tencent

• รันไทม์ — GGUF/llama.cpp, MLX 4-bit, ONNX และ BF16 เทียบกับ BF16 ผ่าน Transformers, vLLM หรือ SGLang

การอัปเกรดนั้นไม่สม่ำเสมอ และบทความชี้ให้เห็นว่าตรงไหน

WeVisOne-VL-2B และ WeVisOne-VL-4B เป็นสถาปัตยกรรมเดียวกันในสองขนาด ฝึกบนภาพชุดเดียวกันประมาณ 100M ภาพผ่านหลักสูตรสามขั้นตอนเดียวกัน และประเมินบนตารางเดียวกัน สิ่งนี้ทำให้การเปรียบเทียบระหว่างโมเดลพี่น้องเป็นหลักฐานที่ชัดเจนที่สุดเท่าที่มีเกี่ยวกับสิ่งที่พารามิเตอร์ที่เพิ่มเข้ามาทำ — และมันไม่ได้เคลื่อนไปในทิศทางเดียว

ในจุดที่ 4B ชนะอย่างชัดเจน เมื่อดูจากตัวเลขของ Tencent:

• การตรวจจับ Dense200 — ค่า F1 เฉลี่ย 71.3 เทียบกับ 61.4 ซึ่งเป็นการเพิ่มขึ้นครั้งใหญ่ที่สุดเพียงครั้งเดียว

• LVIS — 55.3 เทียบกับ 53.3 เป็นการปรับปรุงเล็กน้อย 2 คะแนน

• การตรวจจับการอ้างอิง RefCOCOg — 81.8 ชุดทดสอบ เทียบกับ 78.2

• การแบ่งส่วนแบบอ้างอิงของ RefCOCO — 84.5 cIoU บน testA เทียบกับ 82.9

ReasonSeg — 71.2 cIoU บน val เทียบกับ 60.9 เพิ่มขึ้น 10 จุดในการแบ่งส่วนเชิงเหตุผล

• การชี้ของ PointBench — 71.9 เทียบกับ 62.9

• WeRefMat การทำแมตต์แบบ referring — ค่าเฉลี่ยผลต่างสัมบูรณ์ 9.8 บน referring split เทียบกับ 15.8 ซึ่งลดข้อผิดพลาดได้ 38%

ในกรณีที่ไม่ได้เป็นเช่นนั้น:

• การปูพื้นกล่อง P3M-500-NP — 7.3 เมื่อเทียบกับ 6.6 ของ 2B ถือว่าแย่กว่า

• PPM-100 box matting — 6.1 เทียบกับ 5.3 แย่ลง

• Ref-ZOM cIoU — ทดสอบ 72.2 เทียบกับ 73.4, 2B นำหน้าอีกครั้ง

รูปแบบนี้เห็นได้ชัดแม้จะไม่มีการเปิดเผยสาเหตุ: โมเดล 4B นำหน้าในงานที่ยากและขึ้นกับภาษา ได้แก่ referring segmentation, reasoning segmentation และ referring matting บนฉากจริง และไม่ได้ให้อะไรเพิ่มเติมในชุดงาน matting ที่ใช้ box เป็นพรอมป์ตซึ่งง่ายกว่า ซึ่งโมเดลทั้งสองใกล้ถึงเพดานอยู่แล้ว และตัวถอดรหัสขนาด 9.6M อาจทำงานส่วนใหญ่ไปแล้ว ในบรรดาเบนช์มาร์ก matting ที่ใช้ box เป็นพรอมป์ตสามชุด มีสองชุดที่ผลออกมาไปในทางที่แย่ลง หาก alpha matting บน box ที่ให้มาเป็นงานเดียวของคุณ 4B ไม่ใช่การอัปเกรด แต่เป็นวิธีที่แพงกว่าเพื่อให้ได้คำตอบเดิมที่แย่กว่าเล็กน้อย

วัตถุที่ขาดหาย: ดีขึ้น แต่ยังไม่ได้รับการแก้ไข

คอลัมน์ที่มีประโยชน์ที่สุดในบทความคือคอลัมน์ที่แทบไม่มีการ์ดโมเดลวิสัยทัศน์ใดเผยแพร่ RefCOCOg-Rej เป็นตัวแปรที่ทุกนิพจน์ถูกดัดแปลงเพื่อให้ไม่มีวัตถุที่ตรงกันอยู่ในภาพ โมเดลที่ไม่สามารถพูดว่า "ไม่" ได้จะสร้างกล่องขึ้นมา และทุกการครอป การนับ และมาสก์ปลายน้ำจะสืบทอดการกุเรื่องนั้น

WeVisOne-VL-4B ปฏิเสธอย่างถูกต้อง 67.4% ของกรณี เทียบกับ 50.2% สำหรับรุ่น 2B นี่เป็นการปรับปรุงที่แท้จริงและมาก — เพิ่มขึ้น 17 จุด ซึ่งเปลี่ยนโหมดความล้มเหลวของไปป์ไลน์จากการเดาสุ่มเหมือนโยนเหรียญเป็นสองในสาม นอกจากนี้ยังหมายความว่า 4B ยังคงคืนกล่องที่มั่นใจสำหรับคำถามเกี่ยวกับวัตถุที่ไม่มีอยู่ประมาณหนึ่งในสาม บน WeRef-Bench ภายในของ Tencent เอง อัตราการปฏิเสธอยู่ที่ 96.4% แต่ benchmark นั้นเป็นคำถามภาษาอังกฤษและจีนจำนวน 2,880 คำถามที่ห้องแล็บสร้างขึ้นเอง ดังนั้นจึงวัดการกระจายตัวที่เป็นมิตรกว่าชุดสาธารณะ สรุปตามจริงคือโมเดลมีพฤติกรรมการงดตอบที่ใช้งานได้ และยังไม่ได้แก้ปัญหา หากแอปพลิเคชันของคุณทนต่อบริเวณที่โมเดลสร้างขึ้นแบบหลอนไม่ได้ สิ่งนี้ต้องมี threshold หรือการตรวจสอบที่สองเพิ่มเติม ไม่ว่าคุณจะเลือกรุ่นใด

ตัวเลขที่ดูเหมือนจะเทียบกันได้ แต่จริง ๆ ไม่ใช่

มันชวนให้เอา 90.5 RefCOCO-avg ของ LFM3-VL-2B ไปวางเทียบกับ 81.8 RefCOCOg ของ WeVisOne-VL-4B แล้วประกาศว่าโมเดลที่เล็กกว่าชนะ 8.7 คะแนน อย่าทำอย่างนั้น สิ่งเหล่านี้เป็นคนละการแบ่งชุดข้อมูลและคนละเมตริก: Liquid รายงานค่าเฉลี่ยของตระกูล RefCOCO ส่วน Tencent รายงาน F1 ของชุดทดสอบ RefCOCOg สำหรับการตรวจจับแบบอ้างอิง การนำมาลบกันจะได้ตัวเลขที่ไม่มีความหมายอ้างอิง

กับดักเดียวกันนี้มีอยู่ใน OCR เช่นกัน LFM3-VL-2B ได้คะแนน 86.3 บน OCRBench v1 ซึ่งเป็นการทดสอบแบบผสมที่ประกอบด้วยการรู้จำข้อความ การตรวจจับข้อความ และการให้เหตุผล ส่วน WeVisOne-VL-4B ได้คะแนน F1 เฉลี่ย 52.0 บน TotalText ซึ่งเป็นเบนช์มาร์กสำหรับการระบุตำแหน่งข้อความในภาพฉาก อันหนึ่งเป็นการสอบแบบกว้าง อีกอันเป็นงานทำนายแบบหนาแน่น ทั้งสองไม่ใช่ทักษะเดียวกันที่ถูกวัดสองครั้ง

ดังนั้นตารางของผู้ขายทั้งสองจึงไม่ตัดกันที่ตัวเลขแบบเทียบกันได้เพียงตัวเดียว สิ่งที่สามารถเปรียบเทียบกันได้อย่างซื่อตรงคือความสามารถและต้นทุน ซึ่งเป็นเหตุผลว่าส่วนที่เหลือของการเปรียบเทียบนี้จึงเกี่ยวกับความเหมาะสมมากกว่าการจัดอันดับ ใครก็ตามที่ประกาศผู้ชนะจากสองตารางนี้กำลังสร้างผู้ชนะขึ้นมาเอง

หน่วยความจำคือราคาที่แท้จริง

ณ วันที่ 28 ตุลาคม 2026 ไม่มีโมเดลใดเผยแพร่ราคาต่อโทเคน การ์ดของ Liquid มีลิงก์การเข้าถึง API และ Playground ผ่านคอนโซลของตน แต่ไม่มีการเผยแพร่ตารางราคาสำหรับ LFM3-VL-2B ส่วนตัวติดตามราคาจากบุคคลที่สามซึ่งระบุอัตราของโมเดลข้อความ Liquid ไม่ครอบคลุมโมเดลด้านภาพนี้ Tencent ไม่มีเอนด์พอยต์แบบโฮสต์เลย ดังนั้นการเปรียบเทียบนี้จึงเป็นการเปรียบเทียบการโฮสต์เอง และค่าใช้จ่ายคิดเป็นหน่วยความจำ

• LFM3-VL-2B — ประมาณ 3.84 GB ที่ BF16 โดยคำนวณจากจำนวนพารามิเตอร์ พร้อมด้วยบิลด์ 4-bit MLX, GGUF และ ONNX ที่เผยแพร่มาคู่กัน

• WeVisOne-VL-4B — ประมาณ 9.7 GB ที่ BF16 ตามการประมาณการจากบุคคลที่สาม ประมาณ 19 GB ใน F32 บวกกับ mask_decoder.pt ที่จำเป็น

ช่องว่าง 2.5× นี้ไม่ใช่แค่ GPU ที่ใหญ่กว่าเท่านั้น แต่เป็นอุปกรณ์คนละระดับกัน การ์ดของ LFM3-VL-2B ระบุชัดเจนว่าโมเดลนี้สร้างมาสำหรับงานบนอุปกรณ์ — คำถามเกี่ยวกับวิดีโอ เอกสาร แผนภูมิ และหน้าจอแอป การค้นหาวัตถุ การให้เหตุผลเชิงพื้นที่สำหรับหุ่นยนต์ — และบิลด์ MLX 4-bit กับ GGUF คือวิธีที่รักษาคำมั่นสัญญานั้นไว้: แล็ปท็อป โทรศัพท์ โครงหุ่นยนต์ เส้นทางที่ocumented ของ WeVisOne-VL-4B คือ Transformers, vLLM และ SGLang บน BF16 โดยไม่มีบิลด์ควอนไทซ์อย่างเป็นทางการและไม่มีรันไทม์บนอุปกรณ์ มันต้องการ GPU สำหรับเซิร์ฟเวอร์

การรองรับของเฟรมเวิร์กควรตรวจสอบกับเส้นทางของคุณเองมากกว่าจะดูจากตาราง วิดีโอที่ 2 fps เป็นความสามารถของโมเดลใน LFM3-VL-2B แต่การที่รันไทม์หนึ่งจะรับ video grid หรือไม่นั้นเป็นอีกคำถามหนึ่ง และการ์ดโมเดล พอร์ต และ PR ต้นทางไม่ได้เห็นตรงกันเสมอไปในเรื่องนี้ ทดสอบชุดค่าผสมที่คุณตั้งใจจะใช้งานจริงให้ตรงกันทุกประการ

OrcaRouter ไม่ได้โฮสต์โมเดลทั้งสองนี้ การตรวจสอบกับแค็ตตาล็อกเมื่อวันที่ 28 ตุลาคม 2026 เป็นการตรวจสอบ ไม่ใช่การสันนิษฐาน — ทั้งไลน์ LFM3 ของ Liquid และ WeVisOne ของ Tencent ต่างไม่ปรากฏในรายการโมเดล — ดังนั้นไม่ควรตีความสิ่งใดที่นี่ว่าเป็นเส้นทางไปยังโมเดลใดโมเดลหนึ่งจากสองตัวนี้ สิ่งที่แค็ตตาล็อกโมเดล OrcaRouterมีให้บริการคือQwen3-VL-8B ในรูปแบบ instruct และ thinking ซึ่งเป็นตัวเลือกที่สมเหตุสมผลเชิงปฏิบัติ หากความต้องการจริงของคุณคือโมเดลวิสัยทัศน์แบบโฮสต์ที่มีราคาเผยแพร่แล้วในวันนี้ มากกว่าจะเป็นเช็กพอยต์ที่โฮสต์เอง คีย์เดียวเข้าถึงทั้งหมดได้ในราคาตามรายการของผู้ให้บริการโดยไม่มีมาร์กอัป และหากคุณกำลังสร้างต้นแบบกับโมเดล open-weight ที่ยังไม่ผ่านการพิสูจน์ การรันผ่านเราเตอร์ที่มี failover ดีกว่าการต่อเส้นทางโปรดักชันเข้ากับเช็กพอยต์ที่ยังไม่มีการประเมินอย่างอิสระ

เลือกอันไหนดี

• เลือก {{1}}WeVisOne-VL-4B{{/1}} เมื่อผลลัพธ์ที่ต้องส่งมอบเป็นเรขาคณิต — มาสก์, อัลฟาแมตต์, กล่องหนาแน่น, จำนวน, การชี้ตำแหน่ง — บนภาพนิ่ง เมื่อคำสั่งถูกกำหนดเงื่อนไขด้วยภาษาแทนที่จะเป็นพรอมต์ด้วยกล่อง และเมื่อคุณมี GPU เหลือใช้

• เลือก WeVisOne-VL-2B แทน 4B เมื่องานของคุณคือการแมตต์โดยใช้กรอบเป็นพรอมป์บนฉากทั่วไป จากตัวเลขที่เผยแพร่ โมเดลที่เล็กกว่าทำงานนี้ได้ดีกว่าและใช้หน่วยความจำน้อยกว่าครึ่งหนึ่ง

• เลือก LFM3-VL-2B เมื่ออินพุตรวมวิดีโอ เมื่อเอกสารยาว เมื่อคำตอบต้องเป็นประโยคแทนที่จะเป็นรูปหลายเหลี่ยม หรือเมื่ออุปกรณ์ไม่ใช่เซิร์ฟเวอร์

• อย่าเลือกผู้จำหน่ายรายใดเลย หากคุณต้องการเอนด์พอยต์แบบโฮสต์ที่มีราคาต่อโทเค็นที่เผยแพร่แล้วภายในสัปดาห์นี้ — ไม่มีผู้จำหน่ายรายใดเสนอสิ่งนั้น และการทำ benchmarking มากเพียงใดก็ปิดช่องว่างนั้นไม่ได้

• เลือกทั้งสองอย่างก็ต่อเมื่อคุณยอมรับสคีมาผลลัพธ์สองแบบและเส้นทางการเชื่อมต่อสองเส้นทางเท่านั้น; ช่วงพารามิเตอร์ "ประมาณ 2B ถึง 5B" ที่ดูเหมือนใช้ร่วมกันนั้นอำพรางข้อเท็จจริงว่าเป็นผลิตภัณฑ์ที่แตกต่างกันสองชนิด

อะไรจะเปลี่ยนสิ่งนี้

สามเรื่อง ชุดทดสอบอิสระที่รันทั้งสองโมเดลบนภาพเดียวกันด้วยพรอมป์ต์เดียวกัน — จนถึงตอนนั้น ทุกอย่างข้างต้นเป็นตารางของผู้ขายที่อ่านอย่างรอบคอบ ซึ่งดีกว่าตารางของผู้ขายที่อ่านอย่างไม่รอบคอบ แต่ไม่ใช่หลักฐานของคุณภาพ บิลด์ WeVisOne แบบควอนไทซ์ หรือรันไทม์บนอุปกรณ์ ซึ่งจะทำให้ข้อโต้แย้งเรื่องหน่วยความจำเปลี่ยนจากชี้ขาดเป็นต่อรองได้ และราคาต่อโทเคนที่เผยแพร่จากฝ่ายใดฝ่ายหนึ่ง ซึ่งจะแทนที่การคำนวณเกี่ยวกับกิกะไบต์ด้วยตัวเลขที่ใครสักคนใช้จัดงบได้

สิ่งที่มีแนวโน้มน้อยที่สุดในสามอย่างนี้ คือสิ่งที่จะสำคัญที่สุดสำหรับการจับคู่เฉพาะนี้: การรองรับวิดีโอในตัวถอดรหัสพิกเซลของ WeVisOne ตอนนี้โมเดลอเนกประสงค์ 2B รับวิดีโอได้ แต่เครื่องมือ 4B ทำไม่ได้ และจำนวนพารามิเตอร์ไม่สามารถแก้ไขรูปแบบข้อมูลที่ไม่เคยถูกฝึกมาได้