Molmo2-4B กับ WeVisOne-VL-4B: จุด มาสก์ และคำถามที่ไม่มีใครถามก่อน

สั่งให้ทั้งสองโมเดลหาdog แล้วคุณจะได้คำตอบจากแต่ละตัว Molmo2-4B คืนค่าพิกัดมา WeVisOne-VL-4B คืนกรอบล้อมรอบ และถ้าคุณขอแมตต์ ก็จะได้ช่องอัลฟาความละเอียดเต็มที่ซึ่งยังมีขนติดอยู่ สิ่งเหล่านี้คือผลิตภัณฑ์สามแบบที่ใช้คำเดียวกัน — "grounding" — และคุณต้องการแบบไหนก็เป็นตัวตัดสินการเปรียบเทียบนี้ตั้งแต่ก่อนที่เบนช์มาร์กใด ๆ จะเข้ามาเกี่ยวข้องเสียอีก Molmo2-4B เป็นโมเดลภาพ-ภาษาเอนกประสงค์ขนาด 4.85B จาก Allen Institute for AI ที่มีเอาต์พุตแบบจุดและเส้นทางวิดีโอจริง WeVisOne-VL-4B เป็นโมเดลการรับรู้ขนาด 4.83B จากทีม WeChat Vision ของ Tencent ที่รวมการตรวจจับ การระบุตำแหน่งตามการอ้างอิง การนับ การชี้ OCR การแบ่งส่วนตามการอ้างอิง และการทำแมตต์อัลฟาแบบพร้อมท์ได้ ไว้เบื้องหลังเช็กพอยต์เดียวพร้อมตัวถอดรหัสพิกเซลขนาด 9.6M พารามิเตอร์ไปป์ไลน์การรับรู้ไม่ค่อยหยุดอยู่ที่โมเดลเดียวราคาที่บวกกำไร 0%ราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยไม่เปลี่ยนแปลง ดังนั้นส่วนลดจากผู้ขายจึงมีผลในวันเดียวกัน

ทั้งสองอย่างไม่ใช่ของใหม่ Molmo2-4B ถูกประกาศเมื่อวันที่ 11 ธันวาคม 2025 และน้ำหนักโมเดลถูกเผยแพร่เมื่อวันที่ 14 ธันวาคม รีโพซิทอรีของ WeVisOne-VL-4B ปรากฏขึ้นเมื่อวันที่ 22 ตุลาคม 2026 พร้อมกับเปเปอร์ arXiv หมายเลข 2610.31329 แนบมาด้วย การเปลี่ยนแปลงล่าสุดฝั่ง Molmo เป็นเรื่องโครงสร้างพื้นฐานมากกว่าเป็นโมเดล: การรองรับ Transformers แบบเนทีฟถูกรวมเข้าเมื่อวันที่ 9 ตุลาคม และเผยแพร่ใน v5.20.0 เมื่อวันที่ 15 ตุลาคม และ Ai2 โพสต์ไฟน์ทูน Molmo2-4B สำหรับงานหุ่นยนต์เมื่อวันที่ 5 พฤศจิกายน มีประโยชน์หากคุณกำลังรอที่จะรันมันโดยไม่ต้องใช้รีโมตโค้ด ไม่ใช่การรีลีส และไม่ใช่เหตุผลที่จะเรียกสิ่งนี้ว่าการเปิดตัว

สัญญาเอาต์พุตคือการตัดสินใจทั้งหมด

• Molmo2-4B — จุดหนึ่งในช่วง 0–1000 ของความกว้างและความสูงของภาพ โดยห่อไว้ในแท็กที่มี regex ซึ่งเผยแพร่ไว้ ในโหมดวิดีโอแต่ละจุดจะมีเวลากำกับ และการชี้แบบหลายภาพจะถูกแบนให้เป็นชุดสามค่า frame-index, x, y

• WeVisOne-VL-4B — กล่อง จุด มาสก์ หรืออัลฟาแมตต์ โดยเลือกตามอาร์กิวเมนต์ของงาน; งานแบบหนาแน่นจะส่งออกโทเคนอินสแตนซ์หลังแต่ละกล่อง และตัวถอดรหัสพิกเซลจะแปลงสิ่งเหล่านั้นเป็นมาสก์และแมตต์

• การชี้เป็นเอาต์พุตเดียวที่ทั้งสองฝ่ายสร้างออกมา และเป็นจุดเดียวที่การเปรียบเทียบอย่างยุติธรรมเกิดขึ้นได้

• Molmo2-4B ไม่มี segmentation head และไม่สามารถสร้าง matte ได้ WeVisOne-VL-4B ไม่มีเส้นทางสำหรับวิดีโอ: เอกสารของตัวมันเองระบุว่า video grid ถูกปฏิเสธโดย pixel decoder

• Molmo2-4B รองรับการทำงานแบบเทิร์นเดียว แต่เป็นแบบหลายภาพโดยกำเนิด ส่วน WeVisOne-VL-4B มุ่งเน้นการรับรู้ภาพแบบเทิร์นเดียว และข้ามการใช้ลูกโซ่ความคิดอย่างชัดเจนเพื่อลดความหน่วง

แถวที่สี่นั้นยุติข้อโต้แย้งส่วนใหญ่ไปแล้ว หากไปป์ไลน์ของคุณต้องการช่องอัลฟา — การคอมโพสิต การตัดภาพสินค้า การแทนที่พื้นหลัง หรือสิ่งใดก็ตามที่ขอบเส้นผมมีความสำคัญ — Molmo2-4B ไม่ใช่ตัวเลือกและไม่เคยเป็นเลย หากไปป์ไลน์ของคุณต้องติดตามวัตถุผ่านวิดีโอ 384 เฟรม WeVisOne-VL-4B ก็ไม่สามารถเข้าสู่การเปรียบเทียบได้ ส่วนที่เหลือของบทความนี้ว่าด้วยช่วงแคบที่ทั้งสองตัวมีความเป็นไปได้

ทั้งสองเป็น "4B" และไม่มีอันไหนเป็นเช่นนั้นจริง ๆ

• พารามิเตอร์ — Molmo2-4B คือ 4,850,869,200; WeVisOne-VL-4B คือ 4,830,581,248 ต่างกันภายใน 0.4% ซึ่งเป็นความบังเอิญที่ทำให้การจับคู่นี้น่าสนใจ

• สถาปัตยกรรม — SigLIP 2 so400m ร่วมกับ Qwen3-4B-Instruct-2507 สำหรับ Molmo2-4B; แบ็กโบน Qwen3-VL ร่วมกับตัวถอดรหัสมาสก์แยกต่างหากขนาด 9.6M พารามิเตอร์ สำหรับ WeVisOne-VL-4B

• ดาวน์โหลด — ไฟล์ safetensors แบบ float32 ขนาด 19.42 GB แบ่งเป็นสี่ส่วนสำหรับ Molmo2-4B; น้ำหนักแบบ bfloat16 ประมาณ 9.7 GB รวมถึงไฟล์ mask_decoder.pt ที่จำเป็นสำหรับ WeVisOne-VL-4B

• บริบท — 36,864 ตำแหน่งสำหรับ Molmo2-4B; งบประมาณ 262,144 โทเค็นไม่ใช่ข้อจำกัดในการทำงานของ WeVisOne ซึ่งประเมินได้สูงสุดถึง 1,960 โทเค็นภาพต่อภาพ

• สัญญาอนุญาต — Apache 2.0 สำหรับทั้งสองรุ่น โดยการ์ดของ Molmo2-4B ระบุเพิ่มเติมว่าข้อมูลการฝึกของโมเดลนั้นจำกัดให้ใช้เพื่อการวิจัยเชิงวิชาการและไม่ใช่เชิงพาณิชย์เท่านั้น

• {{1}}รันไทม์{{/1}} — {{2}}Transformers{{/2}} ที่ใช้โค้ดระยะไกล (หรือแบบเนทีฟตั้งแต่ {{3}}v5.20.0{{/3}}) พร้อมกับ {{4}}molmo_utils{{/4}} และ {{5}}decord2{{/5}} สำหรับ {{6}}Molmo2-4B{{/6}}; แพ็กเกจการอนุมานของ {{7}}Tencent{{/7}} เองที่มีแบ็กเอนด์เป็น {{8}}transformers{{/8}} หรือ {{9}}vLLM{{/9}} สำหรับ {{10}}WeVisOne-VL-4B{{/10}}

แถวการดาวน์โหลดคือความประหลาดใจในทางปฏิบัติ Molmo2-4B มีขนาดบนดิสก์เป็นสองเท่าแม้จะมีจำนวนพารามิเตอร์เท่ากัน เพราะ AI2 เผยแพร่ใน float32 และ Tencent เผยแพร่ bfloat16 การดาวน์โหลด 19.42 GB ที่คุณลดขนาดลงทันทีไม่ใช่สิ่งเดียวกันกับการดาวน์โหลด 9.7 GB ที่คุณให้บริการตามที่จัดส่งมา และมีเพียงหนึ่งในนั้นที่พอดีอย่างสบาย ๆ เคียงข้างโมเดลอื่น ๆ อีกชุดบนเครื่องเดียว

ตัวเลขเหล่านั้นมาจากไหน และไปสิ้นสุดที่ไหน

ทั้งสองโมเดลไม่มีกระดานคะแนนที่เป็นอิสระ ดังนั้นทุกอย่างด้านล่างจึงเป็นข้อมูลที่ผู้ขายรายงานเอง ผู้ขายทั้งสองรายเลือกชุดเบนช์มาร์กที่แทบไม่ทับซ้อนกัน ซึ่งเป็นเหตุผลพอดีว่าทำไมการเปรียบเทียบจึงถูกทำออกมาได้ไม่ดีอยู่เรื่อย ๆ

WeVisOne-VL-4B จากรายงานทางเทคนิค: 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 สำหรับงาน matting ค่า MAD ของ P3M-500-NP แบบ box-prompted อยู่ที่ 7.3 และค่า MAD ของ WeRefMat แบบ text-prompted อยู่ที่ 9.8 — ยิ่งต่ำยิ่งดี และทั้งสองค่าดีกว่า baseline ของ SAM2-Matting ที่เปเปอร์นำมาเปรียบเทียบ

Molmo2-4B จากบัตรข้อมูลของมัน: ค่าเฉลี่ย 62.8 จาก 15 เกณฑ์มาตรฐานทางวิชาการ ตามหลังรุ่น 8B ในตระกูลเดียวกันที่ 63.1 และนำหน้า Qwen3-VL-4B ที่ 58.1, InternVL3.5-4B ที่ 53.4 และ GLM-4.1V-9B ที่ 56.9 โดย Gemini 3 Pro อยู่ที่ 70.0 และ GPT-5 อยู่ที่ 70.6 ในตารางเดียวกัน

ไม่มีแม้แต่แถวเดียวในบรรดาแถวเหล่านั้นที่ใช้ร่วมกัน เบนช์มาร์กเดียวที่ทั้งสองปรากฏอยู่ในการประเมินเดียวกันเลยก็คือการนับ และถึงอย่างนั้น ตัวเลขก็ยังมาจากงานวิจัยคนละชิ้นที่มีโปรโตคอลต่างกัน

ข้อค้นพบที่ชวนอึดอัดภายในบทความของ WeVisOne เอง

สิ่งที่นำไปปฏิบัติได้จริงที่สุดในตารางของ WeVisOne ไม่ใช่คะแนนของ 4B แต่คือการที่ 4B บางครั้งแพ้ให้กับ 2B ซึ่งเป็นพี่น้องของตัวเอง

• ดีกว่าที่ 4B — Dense200 71.3 เทียบกับ 61.4, LVIS 55.3 เทียบกับ 53.3, RefCOCOg test 81.8 เทียบกับ 78.2, ReasonSeg val cIoU 71.2 เทียบกับ 60.9, PointBench 71.9 เทียบกับ 62.9, WeRefMat MAD 9.8 เทียบกับ 15.8

• แย่ลงที่ 4B — P3M-500-NP box matting MAD 7.3 เทียบกับ 6.6, PPM-100 6.1 เทียบกับ 5.3, Ref-ZOM test cIoU 72.2 เทียบกับ 73.4

อ่านหัวข้อที่สองนั้นสองครั้ง ในการแมตติ้งแบบมีกล่องเป็นพรอมต์ในฉากทั่วไป ภาษโมเดลที่เพิ่มขึ้น 2.8B ไม่ได้ให้อะไรเลย และต้องแลกด้วยคะแนน MAD หนึ่งในสิบจุด น่าจะเป็นเพราะตัวถอดรหัส 9.6M ที่จำเป็นต้องมีเป็นตัวทำงานแบบหนาแน่น และภาษโมเดลเพียงเลือกว่าจะชี้ไปที่ใด ขนาด 4B คุ้มค่ากับงานยากที่อิงภาษา — การแบ่งส่วนตามการอ้างถึง การนับแบบหนาแน่น การตรวจจับในฉากแออัด — และทำได้เรื่อย ๆ หรือถอยลงเล็กน้อยในงานง่าย

ดังนั้น "การเลือก WeVisOne ที่ใหญ่กว่า" จึงไม่ใช่ค่าตั้งต้นที่ปลอดภัย ระบุงานให้ชัดก่อน แล้วค่อยระบุ checkpoint

ผลบวกลวง ซึ่งไม่มีใครทดสอบวัดผล

ทั้งสองโมเดลสามารถถูกถามถึงสิ่งที่ไม่มีอยู่จริง พฤติกรรมที่เผยแพร่ของทั้งสองแตกต่างกันอย่างชัดเจน และนี่คือแถวที่ควรทำให้ใครก็ตามที่สร้างลูปการตรวจสอบรู้สึกกังวล

รายงานของ WeVisOne ให้อัตราการปฏิเสธสามค่า ซึ่งมักถูกรวมเป็นตัวเลขเดียวและไม่ควรทำเช่นนั้น: RefCOCOg-Rej 67.4, WeRef-Bench Rej 96.4 และ PR-Bench Rej 52.6 ช่องว่างระหว่าง 96.4 กับ 52.6 คือประเด็นสำคัญ บน benchmark ภายในองค์กร โมเดลแทบจะปฏิเสธอย่างถูกต้องเสมอเมื่อวัตถุที่ถูกถามไม่มีอยู่ แต่บนชุด adversarial สาธารณะ โมเดลกลับสร้างคำตอบขึ้นมาประมาณครึ่งหนึ่งของเวลา

Molmo2-4B ไม่ได้เผยแพร่อัตราการปฏิเสธเลย การ์ดของโมเดลรายงานค่าเฉลี่ยบนเบนช์มาร์ก 15 รายการ และไม่มีข้อมูลใด ๆ เกี่ยวกับการงดตอบ หากแอปพลิเคชันของคุณพึ่งพาการที่โมเดลพูดว่า "ไม่มีอยู่" นั่นคือคุณสมบัติที่ยังไม่ได้วัดในฝั่งหนึ่งของการเปรียบเทียบนี้ และมันสมควรได้รับชุดทดสอบของคุณเองมากกว่าการอ้างอิงเบนช์มาร์ก

แต่ละอันใช้ทำอะไร

ใช้ WeVisOne-VL-4B เมื่อสิ่งที่ส่งมอบเป็นบริเวณหรือพิกเซล: การตรวจจับแบบคำศัพท์เปิด การแบ่งส่วนตามการอ้างอิง การแมตต์แบบพร้อมท์ และการระบุตำแหน่ง OCR แบบหนาแน่นบนภาพเดียว ให้ใช้รุ่นพี่น้อง 2B แทนเมื่องานเป็นการแมตต์กล่องในฉากง่าย เพราะบทความระบุว่า 4B ไม่ได้ช่วยปรับปรุงในจุดนั้น และไม่ต้องใช้ทั้งสองรุ่นหากขอบเขตงานรวมวิดีโอ เพราะตัวถอดรหัสพิกเซลปฏิเสธกริดวิดีโอ

ใช้ Molmo2-4B เมื่อสิ่งที่ต้องส่งมอบคือตำแหน่งในสตรีม: ชี้ไปที่วัตถุ ติดตามวัตถุข้ามเฟรม นับจำนวนอินสแตนซ์ตามเวลา และวิเคราะห์ชุดภาพ ใช้เมื่อพิกัดบวกเวลาคือผลลัพธ์ที่มีประโยชน์ และมาสก์จะเกินความจำเป็น เผื่อทรัพยากรไว้สำหรับการดาวน์โหลด float32 และการแคสต์

มีรูปแบบที่สามที่ปรากฏในการใช้งานจริงบ่อยกว่าทางเลือกใดทางเลือกหนึ่งล้วน ๆ นั่นคือการรันทั้งสองอย่าง เพราะงานทั้งสองเสริมกันมากกว่าแข่งขันกัน การตรวจจับหนึ่งรอบบนเฟรมนิ่งและการชี้ตำแหน่งหนึ่งรอบบนวิดีโอที่ตามมาเป็นการเรียกสองครั้งที่มีรูปแบบเอาต์พุตต่างกัน และส่วนเชื่อมต่อระหว่างทั้งสองคือส่วนที่แพงที่สุด ส่วนเชื่อมต่อนั้นคือสิ่งที่เลเยอร์จัดเส้นทางมีไว้เพื่อจัดการ — DSL สำหรับการจัดเส้นทางประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียว เพื่อให้การส่งต่อระหว่างโมเดลแมตติ้งกับโมเดลชี้ตำแหน่งเป็นการตั้งค่าแทนที่จะเป็นบริการ ทั้ง WeVisOne-VL-4B และ Molmo2-4B ต่างไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter ทั้งคู่เป็นเวตที่คุณโฮสต์เอง และการอธิบายตามจริงก็คือการจัดเส้นทางอยู่เหนือกว่าโมเดลเหล่านี้

คำตอบหนึ่งบรรทัด

ถ้าคุณต้องการพิกเซล นี่ไม่ใช่การเปรียบเทียบ — WeVisOne-VL-4B เป็นตัวเดียวที่สร้างพิกเซลออกมา และคุณควรตรวจสอบว่ารุ่นพี่น้อง 2B ของมันเอาชนะมันได้ในงานแมตติ้งเฉพาะของคุณหรือไม่ ก่อนจะจ่ายเงินสำหรับ 4B ถ้าคุณต้องการจุดตามเวลา ก็ไม่ใช่การเปรียบเทียบเช่นกัน — Molmo2-4B เป็นตัวเดียวที่มีเส้นทางวิดีโอ การจับคู่จะกลายเป็นจริงก็ต่อเมื่องานคือ "ค้นหาวัตถุในภาพนิ่งนี้" และปัจจัยตัดสินใจตรงนั้นไม่ใช่ความแม่นยำ แต่คือการงดตอบ: WeVisOne มีตัวเลขการปฏิเสธที่เผยแพร่แล้ว ส่วน Molmo2-4B ไม่มีเลย