SingVL_S1_4B vs WeVisOne VL 4B: การเปิดตัวแบบเงียบ เทียบกับรุ่นที่เสร็จสมบูรณ์แล้ว

ทีม WeChat Vision ของ Tencent เผยแพร่บทความวิจัย น้ำหนักโมเดล แพ็กเกจอินเฟอเรนซ์ และเดโมในเดือนตุลาคม 2026 ภายใต้ Apache 2.0 นั่นคือหน้าตาของการเปิดตัวที่เสร็จสมบูรณ์ ส่วน inclusionAI อัปโหลด safetensors สองชาร์ดเมื่อวันที่ 11 พฤศจิกายน 2026 โดยไม่มีการประกาศ ไม่มีบทความวิจัย ไม่มีใบอนุญาต และไม่มีเอนด์พอยต์ที่โฮสต์ไว้ แล้วก็จบแค่นั้น WeVisOne VL 4B และ SingVL_S1_4B ทั้งคู่มีพารามิเตอร์ประมาณสี่พันห้าร้อยถึงห้าพันล้าน ต่างสร้างบนแบ็กโบนวิชันของ Qwen และต่างมุ่งดึงสิ่งหนึ่งออกมาจากภาพให้แม่นยำกว่าข้อความหนึ่งย่อหน้า — และทั้งสองกำลังทำคนละครึ่งที่ตรงข้ามกันของงานนี้ ตัวหนึ่งวาดมาสก์ทับบนพิกเซล อีกตัวส่งคืนค่าความน่าจะเป็นเหนือคำตอบที่คุณคิดจะเสนอให้มัน การเปรียบเทียบทั้งสองจึงไม่ใช่เรื่องว่าตัวไหนดีกว่าเท่าไร แต่เป็นเรื่องว่าการเปิดตัวหนึ่งครั้งมีคุณค่าแค่ไหนก่อนที่มันจะเสร็จสมบูรณ์

ความสามารถทั้งสอง กล่าวโดยไม่ประดับประดาถ้อยคำ

WeVisOne-VL-4B — ชื่อนี้ย่อมาจาก WeChat Vision All-in-One — รวมการรับรู้ระดับวัตถุและระดับพิกเซลไว้ในโมเดลเดียว โดยSpecifically, it does open-vocabulary object detection, referring expression localisation, object counting, pointing, OCR localisation, referring segmentation, and promptable alpha matting, which is the task of producing a soft continuous mask around something like hair or a thin branch where a hard boundary would look wrong. กลไกคือการทำนายโทเคนถัดไปแบบมีโครงสร้างบนโทเคนพิกัดเฉพาะ พร้อมด้วย pixel decoder ขนาด 9.6 ล้านพารามิเตอร์ที่จัดส่งไปพร้อมกับ checkpoint ในชื่อ mask_decoder.pt โดยจะคืนค่า None เมื่อไม่พบเป้าหมายที่ถูกสอบถาม ซึ่งฟังดูเป็นเรื่อง trivial และเป็นพฤติกรรมที่มีประโยชน์ที่สุดเพียงอย่างเดียวในการ grounding สำหรับงานจริง

SingVL_S1_4B เป็นโมเดลสำหรับการตัดสินใจ โดยรับสถานะ — ข้อความ, JSON, รูปภาพสูงสุดสี่รูป — และพจนานุกรมของคำถามที่มีชื่อ ซึ่งแต่ละข้อมีประเภทที่ประกาศไว้และคำตอบที่เป็นตัวเลือก Choice จะคืนค่าความน่าจะเป็นต่อตัวเลือก noul จะคืนค่าความน่าจะเป็นที่ข้อความแบบใช่/ไม่ใช่จะเป็นจริง score จะคืนค่าความน่าจะเป็นต่อระดับในช่วงสองถึงสิบระดับที่มีลำดับ และระดับที่คาดหวัง ในการส่งผ่านไปข้างหน้าหนึ่งครั้ง ไม่มีการสร้างข้อความ ไม่มีพิกัด รีโพซิทอรีมีเซิร์ฟเวอร์ FastAPI บนพอร์ต 8173 ที่ตอบรับที่ /v1/systemone และการ์ดโมเดลเขียนขึ้นทั้งหมดด้วยคำศัพท์ของโปรโตคอลนั้น

ดังนั้นการแบ่งหน้าที่จึงชัดเจน WeVisOne บอกคุณว่าวัตถุอยู่ที่ไหนและมีรูปร่างอย่างไร SingVL_S1_4B บอกคุณว่ามีความน่าจะเป็นเพียงใดที่วัตถุนั้นจะเป็นสิ่งที่คุณคาดไว้ ไปป์ไลน์ที่ต้องตัดบุคคลออกจากภาพถ่ายไม่มีความจำเป็นใด ๆ กับความน่าจะเป็นเหนือสามตัวเลือก และไปป์ไลน์ที่ต้องรู้ว่าภาพผ่านเกณฑ์ตามนโยบายหรือไม่ก็ไม่มีความจำเป็นใด ๆ กับมาสก์

สิ่งที่เวอร์ชันที่ปรับปรุงแล้วแสดงไว้บนการ์ดของตัวเอง

{{1}}ตาราง headline ของ WeVisOne-VL-4B เปรียบเทียบโมเดลนี้กับ baseline แบบเปิดที่แข็งแกร่งที่สุดในแต่ละ benchmark ซึ่งมาจาก Qwen3-VL และ Q​wen3.5 ขนาดไม่เกิน 9B, Rex-Omni, LocateAnything และโมเดล segmentation และ matting เฉพาะงาน แถวที่เป็นหัวใจของข้อโต้แย้ง:{{/1}}

• การตรวจจับ LVIS — ค่าเฉลี่ย F1 อยู่ที่ 55.3 เทียบกับค่าพื้นฐานที่ 50.7

• การตรวจจับแบบ dense ของ Dense200 — 71.3 เทียบกับ 58.7

• การอ้างอิงในชุดทดสอบ RefCOCOg — ค่าเฉลี่ย F1 81.8 เทียบกับ 77.6

• อัตราการปฏิเสธของ WeRef-Bench — 96.4 เมื่อเทียบกับ 73.0 ซึ่งเป็นแถวที่สำคัญที่สุดสำหรับการอ้างอิงข้อมูลจริงในโปรดักชัน

• ความแม่นยำในการนับของ PixMo-Count — 89.6 เทียบกับ 82.8

• TotalText OCR — ค่าเฉลี่ย F1 52.0 เทียบกับ 43.3

• การแบ่งส่วนแบบอ้างอิง ReasonSeg — gIoU 71.2 เทียบกับ 65.0

• P3M-500-NP box matting — MAD 7.3 เทียบกับ 15.4 ยิ่งต่ำยิ่งดี

• การแมตต์ข้อความของ WeRefMat — MAD 9.8 เทียบกับ 22.4

ตัวเลขเหล่านี้เป็นตัวเลขของผู้ขายบนไปป์ไลน์การประเมินของผู้ขาย ซึ่งรันด้วยการถอดรหัสแบบ greedy และใช้โทเค็นภาพสูงสุด 1,960 โทเค็นต่อภาพ เทียบกับ baseline ที่ผู้ขายเลือกเอง การอ่านอย่างซื่อตรงคือ ตัวเลขเหล่านี้ยืนยันว่าโมเดลทำงานได้และบอกคร่าว ๆ ว่ามันอยู่ตรงไหนเมื่อเทียบกับทางเลือกแบบเปิดที่แข็งแกร่งที่สุดในแต่ละงาน — ไม่ได้ยืนยันว่าช่องว่างเหล่านั้นแม่นยำเป๊ะ แถวอัตราการปฏิเสธ (rejection-rate) เป็นแถวที่น่าเชื่อถือที่สุดในเชิงหลักการ เพราะ 96.4 เทียบกับ 73.0 เป็นความแตกต่างที่มากพอจนรายละเอียดของ harness ไม่น่าจะอธิบายได้ และการปฏิเสธเป้าหมายที่ไม่มีอยู่จริงคือโหมดความล้มเหลวที่ทำลายระบบ grounding ในการใช้งานจริง

ยังมีรุ่น 2B ที่มีคอลัมน์ของตัวเอง ซึ่งมีประโยชน์: 78.2 ในการทดสอบ RefCOCOg, 50.2 ในการปฏิเสธ, 62.9 ในแถวการตรวจจับแบบหนาแน่น ผู้จำหน่ายเผยแพร่ตัวเลขที่อ่อนกว่าของโมเดลเล็กไว้ข้างตัวเลขที่แข็งกว่าของโมเดลใหญ่ ซึ่งเป็นการเปิดเผยแบบที่บ่งชี้ว่าตารางนี้ไม่ได้ถูกประกอบขึ้นสำหรับโพสต์เปิดตัว

สิ่งที่การเปิดตัวแบบเงียบ ๆ ใส่ไว้บนการ์ดของตัวเอง

SingVL_S1_4B เผยแพร่ตาราง "Public Decision Index 0.3": 69.76 ใน Text, 73.94 ใน Vision เทียบกับ TypeSafe Jev 1.14 ที่ 60.70 text, StartLux-Decision v1.1 4B ที่ 67.8 และ 67.90 และ Perplexity Decider Flash v1.2 ที่ 60.1 และ 72.5 รายละเอียดเบื้องหลังค่าสรุปรวมด้าน vision ครอบคลุมตั้งแต่ InfographicVQA ที่ 96.31 และ Winoground ที่ 93.12 ลงไปจนถึง MMMU-Pro vision ที่ 50.17 และ R-Bench-M ที่ 49.77

ตัวเลขเหล่านั้นมีปัญหาสามข้อที่ตัวเลขของ WeVisOne ไม่มี พวกมันเก่าแล้วสองวัน พวกมันอยู่บนกระดานผู้นำที่ชุดเครื่องมือให้คะแนนเป็นสาธารณะ แต่ครึ่งที่เป็นส่วนตัวไม่ใช่ ซึ่งผลิตโดยแล็บที่ยังไม่ได้ส่งผลการรันไปยังชุดจำลองผลลัพธ์สาธารณะ แม้ว่าการ์ดจะรวมคำแนะนำสำหรับการยื่นส่งหนึ่งรายการไว้ก็ตาม และรีโพซิทอรีไม่มีสัญญาอนุญาต ซึ่งหมายความว่าตัวเลขไม่ใช่ข้อจำกัดผูกมัดต่อการนำไปใช้ เอกสารต่างหากคือข้อจำกัดนั้น

สิ่งที่การ์ดนี้ยืนยันได้อย่างไม่ต้องโต้แย้งคืออินเทอร์เฟซ นั่นคือความน่าจะเป็นรายคำถามและรายตัวเลือกจากการประมวลผลไปข้างหน้าครั้งเดียว โดยมีภายในของโปรโตคอลถูกจัดส่งเป็นแฮช SHA-256 ใน config.json เพื่อให้การรันหนึ่ง ๆ สามารถตรวจสอบเทียบกับโค้ดที่สร้างมันขึ้นมาได้ นั่นคือการตัดสินใจเชิงวิศวกรรมที่แท้จริง และเป็นสิ่งที่เชื่อถือได้มากที่สุดในรีลีสนี้

ป้ายคะแนนที่ซื่อสัตย์มีแถวที่ใช้ร่วมกันเพียงแถวเดียว และแถวนั้นว่างเปล่า

สองโมเดลนี้ไม่มีเบนช์มาร์กใดที่ใช้ร่วมกัน WeVisOne วัด F1 ที่เกณฑ์ IoU, gIoU และค่าความต่างสัมบูรณ์เฉลี่ยบนแมตต์ ส่วน SingVL_S1_4B วัดความแม่นยำที่ปรับแก้ตามโอกาสบนชุดตัวเลือก ไม่มีแถวใดที่มีการวัดค่าเดียวกันกับทั้งสองโมเดล และการสร้างแถวเช่นนั้นจะต้องรันทั้งสองกับข้อมูลชุดเดียวกัน — ซึ่งยังไม่มีใครทำ เพราะหนึ่งในเช็กพอยต์มีอายุแค่สองวัน

สิ่งที่สามารถนำมาเปรียบเทียบได้คือรูปแบบของหลักฐาน การเปิดตัวของ {{1}}WeVisOne{{/1}} ประกอบด้วยรายงานทางเทคนิคบน arXiv หน้าโปรเจกต์ ที่เก็บ GitHub พร้อมไปป์ไลน์การประเมิน คุกบุ๊ก เดโมสเปซ 2 แห่ง และคำแนะนำในการทำซ้ำที่บุคคลภายนอกสามารถทำตามได้ การเปิดตัวของ {{2}}SingVL_S1_4B{{/2}} ประกอบด้วยการ์ดโมเดลและโฟลเดอร์การอนุมาน หนึ่งในนั้นช่วยให้คนนอกตรวจสอบข้อกล่าวอ้างได้ ส่วนอีกอันขอให้คนนอกเชื่อถือข้อกล่าวอ้างเหล่านั้น

การออกใบอนุญาต ซึ่งเป็นตัวตัดสินได้มากกว่ามาตรฐานทั้งสอง

WeVisOne-VL-4B ใช้ Apache 2.0 ซึ่งครอบคลุมโค้ดและเวตที่ T​encent เป็นผู้พัฒนา โดยคอมโพเนนต์ของบุคคลที่สามยังคงใช้ข้อกำหนดของตนเอง และนี่คือเหตุผลที่ภายในสองสัปดาห์หลังการเผยแพร่ มี GGUF quants, โหนด ComfyUI, GGUF build สำหรับ Rockchip NPU และแพ็กเกจการผสานรวมภาษาจีนหมุนเวียนอยู่แล้ว การแจกจ่ายต่อได้รับอนุญาต การแจกจ่ายต่อจึงเกิดขึ้น

SingVL_S1_4B ไม่ได้ประกาศสัญญาอนุญาตในเมทาดาทา และไม่ได้แนบไฟล์ LICENSE มาด้วย inclusionAI ใช้สัญญาอนุญาตอย่างชัดเจนกับรุ่นอื่น ๆ ที่เผยแพร่ — Apache 2.0 กับ LemonDecider และสัญญาอนุญาตชุมชนของ Q​wen กับโมเดล SingProbe — ดังนั้นช่องว่างนี้ดูเหมือนการอัปโหลดที่ยังไม่เสร็จสมบูรณ์ แต่ "ดูเหมือนความพลั้งเผลอ" ไม่ใช่สัญญาอนุญาต และการตรวจสอบด้านการปฏิบัติตามข้อกำหนดไม่สามารถอนุมัติโมเดลโดยอาศัยเหตุผลว่าผู้เผยแพร่คงตั้งใจให้มีเงื่อนไขแบบผ่อนปรนได้

สำหรับใครก็ตามที่คำตอบของคำถาม “เราปล่อยสิ่งนี้ได้หรือไม่” มีความสำคัญ การเปรียบเทียบจบลงตรงนี้ WeVisOne ปล่อยได้ ส่วน SingVL_S1_4B ยังปล่อยไม่ได้ ทุกอย่างที่เหลือเป็นการถกเถียงเรื่องความสามารถระหว่างสองโมเดล ซึ่งในตอนนี้มีเพียงโมเดลเดียวที่พร้อมใช้งานพอจะทำให้การถกเถียงนั้นมีความหมาย

อันไหนเหมาะกับไปป์ไลน์ไหน

• การตัดสิ่งใดสิ่งหนึ่งออกจากภาพ — WeVisOne-VL-4B และไม่ใช่ใกล้เคียงเลย เพราะ SingVL_S1_4B ไม่มีเอาต์พุตการแบ่งส่วนเลย

• การนับวัตถุในเฟรมที่แน่นขนัด — WeVisOne-VL-4B โดยรายงานค่า 57.1 ในแถว dense-detection ซึ่ง baseline ที่ดีที่สุดคือ 47.9 และการนับเป็นงานระดับหลัก ไม่ใช่พฤติกรรมที่เกิดจากการพรอมป์

• การรู้ว่าเป้าหมายไม่มีอยู่ — WeVisOne-VL-4B อาศัยแถวการปฏิเสธและค่า None ที่ถูกส่งคืนมาอย่างชัดเจน นี่คือความสามารถที่แยกเดโมออกจากระบบจริง

• การใช้ความมั่นใจเป็นเกณฑ์ควบคุมการเรียกใช้ที่มีค่าใช้จ่ายสูง — รูปแบบของ SingVL_S1_4B หากคุณโฮสต์มันได้และใบอนุญาตมาถึง สิ่งที่เกณฑ์ต้องการคือความน่าจะเป็นต่อตัวเลือก

• การจำแนกเทียบกับอนุกรมวิธานแบบคงที่ — โดยหลักการแล้ว SingVL_S1_4B; ประเภทตัวเลือกและคะแนนของมันแมปเข้ากับอนุกรมวิธานได้โดยตรง ในขณะที่โมเดลเชิงสร้างต้องถูกจำกัดให้กลับเข้าสู่รูปแบบหนึ่ง

• การอ่านหน้าเอกสารและได้รับทั้งฟิลด์และตำแหน่งของฟิลด์เหล่านั้น — WeVisOne-VL-4B ซึ่งทำ OCR พร้อมการระบุตำแหน่งในรอบเดียวกับการตรวจจับ

• อะไรก็ตามที่ถูกนำไปใช้งานเชิงพาณิชย์ในเดือนนี้ — WeVisOne-VL-4B โดยพิจารณาเฉพาะเรื่องสัญญาอนุญาตเพียงอย่างเดียว

และอีกแถวที่ไม่ได้อยู่กับฝ่ายใดเลย: หากสิ่งที่คุณต้องการคือคำอธิบายเป็นลายลักษณ์อักษรว่าภาพนั้นมีอะไร ทั้งสองโมเดลก็เป็นเครื่องมือที่ผิด WeVisOne ส่งคืนการรับรู้เชิงโครงสร้าง และ SingVL_S1_4B ส่งคืนค่าความน่าจะเป็น ทั้งคู่ไม่ได้เขียนเป็นย่อหน้า

สิ่งที่การเปรียบเทียบนี้สอนเกี่ยวกับตลาด ไม่ใช่เกี่ยวกับโมเดล

สิ่งที่น่าสนใจตรงนี้ไม่ใช่เรื่องที่โมเดลหนึ่งดีกว่า แต่เป็นเรื่องที่สองแล็บขนาดใกล้เคียงกันเปิดตัวโมเดลวิชันขนาด 4–5 พันล้านพารามิเตอร์ในไตรมาสเดียวกัน และปฏิบัติต่อการเปิดตัวนั้นแตกต่างกันโดยสิ้นเชิง T​encent เปิดตัวพร้อมบทความวิชาการ เช็กพอยต์ตัวถอดรหัสที่ระบุจำนวนพารามิเตอร์ไว้ ไปป์ไลน์การประเมินผล สัญญาอนุญาต และหน้าโปรเจกต์ และระบบนิเวศก็สร้างควอนต์และการผสานรวมได้ภายในสองสัปดาห์ ส่วน inclusionAI เปิดตัวน้ำหนักโมเดล สคริปต์สำหรับการอนุมาน และตารางเปรียบเทียบประสิทธิภาพ และระบบนิเวศไม่สามารถแตะต้องสิ่งใดจากมันได้จนกว่าสัญญาอนุญาตจะปรากฏ

ทั้งสองกลยุทธ์ล้วนเป็นแนวทางที่ชอบธรรม การปล่อยแบบเงียบ ๆ ทำให้แล็ปสามารถเปิดตัวเช็กพอยต์โดยไม่ต้องมีเรื่องเล่าการเปิดตัว และการ์ดโมเดลที่นี่เขียนได้ดีจริง ๆ — ตัวอย่าง API ใช้งานได้ ประเภทคำถามได้รับการจัดทำเอกสารพร้อมการคำนวณที่แสดงวิธีทำ และไฟล์คอนฟิกมาพร้อมแฮชที่ทำให้ตรวจสอบได้ แต่เช็กพอยต์ที่ไม่มีใบอนุญาตเป็นเพียงการสาธิต ไม่ใช่ผลิตภัณฑ์ และความแตกต่างนี้ปรากฏชัดในจุดที่การเปรียบเทียบนี้กลับมาพูดถึงอยู่เสมอ: ไม่ว่าผู้อื่นนอกจากผู้เขียนจะต่อยอดจากมันได้หรือไม่

หากคุณต้องการทดสอบรูปแบบการตัดสินใจก่อนที่เอกสารจะมาถึง รูปแบบนั้นเองก็เรียกใช้งานได้OrcaRouter ให้บริการ TypeSafe Jev 1.14 ในราคา $0.042 ต่อหนึ่งล้านโทเค็นอินพุต ควบคู่กับ โมเดลมากกว่า 200 รายการภายใต้คีย์เดียว โดยส่งต่อราคาตามรายการของผู้ให้บริการในอัตราบวกเพิ่ม 0% พร้อมการสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดความล้มเหลว Sing VL S1 ไม่ได้อยู่บน OrcaRouter และไม่มีที่โฮสต์ใด ๆ เลย ดังนั้นนี่จึงไม่ใช่การกล่าวอ้างเรื่องความพร้อมใช้งานเกี่ยวกับมัน — นี่คือวิธีที่ถูกที่สุดในการค้นหาว่าเอาต์พุตความน่าจะเป็นจะเอาชนะมาสก์บนเลเบลของคุณเองหรือไม่ ก่อนที่คุณจะใช้ GPU กับเช็กพอยต์ที่มีข้อกำหนดว่างเปล่า

WeVisOne-VL-4B {{1}}คุณสามารถดาวน์โหลดได้เลย{{/1}} นั่นคือการเปรียบเทียบในท้ายที่สุด: {{2}}หนึ่งในนั้นคือโมเดลที่คุณใช้งานได้{{/2}} และอีกตัวหนึ่งคือโมเดลที่คุณอ่านเกี่ยวกับได้