WeVisOne-VL-2B vs LFM2.5-VL-3B: ตัวสร้างมาสก์ปะทะโปรแกรมอ่านหน้าจอ

ให้ทั้งสองโมเดลรูปถ่ายเดียวกันและประโยคเดียวกัน — "สุนัขที่อยู่ทางซ้าย" — แล้วจะมีสองสิ่งที่แตกต่างกันส่งกลับมา LFM2.5-VL-3B ตอบด้วยตำแหน่ง และหากคุณถาม ก็จะให้คำอธิบาย: กรอบ จุด หรือประโยคสั้น ๆ เกี่ยวกับสิ่งที่มันพบ WeVisOne-VL-2B ก็ตอบด้วยกรอบเช่นกัน จากนั้นตัวถอดรหัสขนาดเล็กจะเปลี่ยนกรอบนั้นเป็นอัลฟาแมตต์ขอบนุ่มที่คุณนำไปคอมโพสิตลงบนพื้นหลังใหม่ได้โดยไม่มีเงารอบขน โมเดลหนึ่งถูกสร้างมาเพื่ออ่านอินเทอร์เฟซและตอบกลับ อีกโมเดลถูกสร้างมาเพื่อส่งพิกเซลให้คุณ

ความแตกต่างนั้นคือการเปรียบเทียบทั้งหมด และมันยังคงอยู่ในตาราง benchmark ทุกตารางที่ผู้ขายแต่ละรายเผยแพร่ มันยังอธิบายด้วยว่าทำไมสองโมเดลนี้จึงแทบไม่ถูกประเมินเทียบกัน การ์ดของ Liquid AI ไม่ได้กล่าวถึง WeVisOne เปเปอร์ของ Tencent ไม่ได้กล่าวถึง Liquid และไม่มีบุคคลที่สามรายใดรันทั้งสองแบบเคียงข้างกัน สิ่งที่ตามมาคือสิ่งที่แต่ละการเผยแพร่ได้บันทึกไว้จริง ตัวเลขใดของพวกเขาที่สามารถนำมาเทียบเคียงกันได้ และตัวเลขใดที่ทำไม่ได้

สองรีลีส ปริมาณหลักฐานที่แตกต่างกันอย่างมากสองระดับ

LFM2.5-VL-3B เปิดตัวโดย Liquid AI เมื่อวันที่ 11 สิงหาคม 2026 — ปล่อยน้ำหนักโมเดลก่อน แล้วประกาศในวันถัดไป — และมาพร้อมตารางผลทดสอบเชิงตัวเลข ฐานเปรียบเทียบที่ระบุชื่อสำหรับทุกแถว และส่วนความเร็วที่วัดบนฮาร์ดแวร์ที่ระบุชื่อเช่นกัน เป็นโมเดลแบบเดนส์ที่มีพารามิเตอร์ 3.12 พันล้านตัว: ใช้แกนกลางภาษารุ่น LFM2.5-2.6B ประกบกับตัวเข้ารหัสภาพ SigLIP2 NaFlex 400M รองรับคอนเท็กซ์ 32,768 โทเคน คำศัพท์ 128,000 โทเคน และภาษาที่ระบุชื่อไว้ 16 ภาษา สัญญาอนุญาตคือ LFM Open License v1.0 ของ Liquid เอง ซึ่งใช้เชิงพาณิชย์ได้ฟรีเมื่อมีรายได้ต่ำกว่าเกณฑ์ที่กำหนด มิได้ฟรีแบบไม่มีเงื่อนไข

WeVisOne-VL-2B ถูกเผยแพร่โดยทีม WeChat Vision ของ Tencent เมื่อวันที่ 22 ตุลาคม 2026 และการ์ดโมเดลของมันไม่มีตาราง benchmark ใด ๆ เลย — ไม่มีคะแนน ไม่มีความยาวบริบท ไม่มีตัวเลข throughput และไม่มีข้อกำหนดด้านฮาร์ดแวร์ ตัวเลขเหล่านี้มีอยู่ แต่ปรากฏอยู่ในบทความวิจัยที่แนบมาด้วย ซึ่งรายงานตารางงานเจ็ดตารางครอบคลุมสิ่งที่ผู้เขียนอธิบายว่าเป็น benchmark มากกว่าสามสิบรายการ ดังนั้นการเปิดตัวทั้งสองครั้งจึงไม่ใช่แค่โมเดลที่แตกต่างกัน แต่เป็นเอกสารคนละประเภท Liquid เผยแพร่สเปกผลิตภัณฑ์ ส่วน Tencent เผยแพร่ผลงานวิจัยและปล่อยให้เอกสารสเปกว่างเปล่าเป็นส่วนใหญ่

ความไม่สมมาตรนั้นสำคัญเมื่อคุณอ่านการเปรียบเทียบเช่นนี้ ตัวเลขของ Liquid ถูกประกอบขึ้นเพื่อให้อ่านเทียบกับเส้นฐานของตัวเอง ส่วนตัวเลขของ Tencent ถูกประกอบขึ้นเพื่อชนะตารางเชิงวิชาการ ไม่มีผู้ขายรายใดเลือกตัวเลขของตนโดยคำนึงถึงโมเดลอีกตัว ซึ่งนั่นแหละคือเหตุผลที่ตัวเลขเหล่านี้ไม่ตรงกัน

ตัวเลขที่ดูเหมือนจะเทียบเคียงได้ แต่จริง ๆ ไม่ใช่

ทั้งสองโมเดลเผยแพร่คะแนน RefCOCO และเมื่อนำมาเปรียบเทียบเคียงกันก็ได้พาดหัวที่ดูเรียบร้อย: LFM2.5-VL-3B อยู่ที่ 87.9 เทียบกับ WeVisOne-VL-2B ที่ 79.7 การเปรียบเทียบนั้นไม่มีความหมาย และคุ้มค่าที่จะอธิบายว่าทำไม เพราะความผิดพลาดแบบเดียวกันกำลังเกิดขึ้นในสเปรดชีตอยู่ในขณะนี้

• Liquid รายงานค่า RefCOCO precision@1 โดยเฉลี่ยจากการแบ่งชุดข้อมูลต่างๆ นั่นคือสถิติการตรวจจับ: กล่องที่ทำนายอันดับแรกทับซ้อนกับกล่องคำตอบจริงมากพอที่จะนับว่าถูกต้องหรือไม่

• ค่า 79.7 ของ Tencent อยู่ในตารางการแบ่งส่วน และบทความระบุไว้อย่างชัดเจนว่าตัวเลขตระกูล RefCOCO ที่อยู่ในตารางนั้นเป็น IoU แบบสะสม — ผลรวมของส่วนที่ทับซ้อนกันทั้งหมดหารด้วยผลรวมของส่วนที่รวมกันทั้งหมดทั่วทั้งชุดการประเมิน

• ตารางของ Tencent สำหรับการตรวจจับแบบอ้างอิงไม่ได้รายงาน RefCOCO เลย โดยรายงาน RefCOCOg ซึ่ง 2B ได้คะแนน F1 เฉลี่ย 77.1

ดังนั้น 87.9 กับ 79.7 จึงวัดสามสิ่งที่แตกต่างกันในสองงานที่ต่างกัน กล่องที่แทบจะไม่ทับซ้อนกับเป้าหมายอาจได้คะแนนดีใน precision@1 แต่ได้คะแนนแย่ใน cIoU ขณะที่แมสก์ที่ครอบคลุมวัตถุขนาดใหญ่ได้ดีอาจได้คะแนนสูงใน cIoU ในขณะที่ bounding box ของมันไม่แม่นยำ ไม่มีวิธีคำนวณใดที่จะทำให้ค่าทั้งหมดนี้สอดคล้องกันได้

กับดักเดียวกันนี้อยู่ใน OCR Liquid เผยแพร่ OCRBench v1 ที่ 84.2 และ OCRBench v2 English ที่ 47.5 — ซึ่งเป็น benchmark ด้านการถอดข้อความ Tencent เผยแพร่ OCR เป็น localization F1 ที่ IoU threshold 0.5: 62.1 บน SROIE, 42.6 บน ICDAR2015, 42.5 บน TotalText, 30.5 บน HierText ค่าเหล่านี้วัดว่าโมเดลค้นพบและตีกรอบข้อความหรือไม่ ไม่ได้วัดว่าอ่านข้อความได้ถูกต้องหรือไม่ การอ้างว่า "84.2 versus 62.1" จะเป็นการเปรียบเทียบแบบทดสอบการอ่านกับแบบทดสอบการชี้ตำแหน่ง

อะไรกันแน่คือการเปรียบเทียบที่เป็นธรรม

ตัดคะแนนออกแล้ว โมเดลทั้งสองจะสอดคล้องกันในมิติที่ไม่จำเป็นต้องใช้ฮาร์เนส:

• ขนาด — ประมาณ 3.12B พารามิเตอร์แบบ dense สำหรับ LFM2.5-VL-3B เทียบกับประมาณ 2B สำหรับ WeVisOne-VL-2B บวกกับตัวถอดรหัส (decoder) ขนาด 9.5M พารามิเตอร์ที่ต้องดาวน์โหลดแยกต่างหาก และจำเป็นสำหรับเอาต์พุตแบบ dense

• Base — โครงสร้างหลักแบบไฮบริด LFM2.5-2.6B ของ Liquid เอง เทียบกับ Qwen3-VL

• บริบท — 32,768 โทเคนที่ระบุไว้บนการ์ด เทียบกับความยาวคอนเท็กซ์ที่ไม่ได้ประกาศไว้เลย ขั้นตอนการฝึกของเปเปอร์ WeVisOne ทำงานที่ 4,096 และ 8,192 โทเคน และการอนุมานจำกัดแต่ละภาพไว้ที่ 1,960 โทเคนภาพ แต่ไม่มีค่าใดในนั้นที่เป็นหน้าต่างบริบทสำหรับการนำไปใช้งานจริง

• ประเภทเอาต์พุต — กล่อง จุด และข้อความ เทียบกับ กล่อง จุด มาสก์แบบไบนารี และอัลฟาแมตต์แบบต่อเนื่อง

• การให้เหตุผล — LFM2.5-VL-3B ถูกออกแบบให้ไม่ใช้การให้เหตุผลโดยเจตนา โดยตอบโดยตรงเพื่อรักษาความหน่วงให้ต่ำ; WeVisOne ก็ไม่ใช้การให้เหตุผลเช่นกัน แต่ด้วยเหตุผลที่แตกต่างออกไป โดยสร้างเอาต์พุตแบบมีโครงสร้างโดยไม่ใช้ chain-of-thought เพื่อประสิทธิภาพในการอนุมาน ทั้งสองโมเดลไม่ได้ "คิด" ก่อนจะตอบ และผู้จำหน่ายทั้งสองรายก็ไม่ได้แสร้งทำเป็นเช่นนั้น

• การเรียกใช้เครื่องมือ — รองรับและมีการวัดผลบน LFM (ToolSandbox 59.5, BFCL v4 32.5) เทียบกับที่ไม่ใช่ความสามารถที่ระบุไว้บน WeVisOne

• ภาษา — ระบุชื่อสิบหกภาษาบนการ์ด LFM เทียบกับไม่ระบุบนการ์ด WeVisOne

• สัญญาอนุญาต — LFM Open License v1.0 พร้อมเกณฑ์รายได้ เทียบกับ Apache 2.0 สำหรับโค้ดที่เขียนโดย Tencent

• บิลด์แบบควอนไทซ์ — Liquid มีการส่งออก GGUF, ONNX และ MLX ขณะที่ Tencent ยังไม่ประกาศสิ่งใด

• การประเมินที่เป็นอิสระ — ณ เวลาที่เขียนนี้ ทั้งสองโมเดลยังไม่มีรายการบน Artificial Analysis ตัวเลขทุกตัวในบทความนี้จากทั้งสองผู้จำหน่ายเป็นข้อมูลที่ผู้จำหน่ายรายงานเอง

ช่องว่างด้านการนำไปใช้งานกว้างกว่าช่องว่างด้านพารามิเตอร์

LFM2.5-VL-3B ถูกออกแบบมาให้ทำงานบนโทรศัพท์ และการ์ดนี้พิสูจน์ด้วยตัวเลข: หน่วยความจำต่ำกว่า 3.3GB, 20 โทเคนต่อวินาทีบน Galaxy S26 Ultra, 228 โทเคนต่อวินาทีบน Apple M5 Max, 116 บน AMD Ryzen AI Max+ 395 และประมาณ 11,000 โทเคนเอาต์พุตต่อวินาทีที่การทำงานพร้อมกันสูงบน H100 เครื่องเดียว โดยมีให้ใช้งานในรูปแบบที่รันไทม์สำหรับผู้บริโภคสามารถโหลดได้จริง

WeVisOne-VL-2B ไม่ได้เปิดเผยสิ่งเหล่านั้นเลย สิ่งที่มันเปิดเผยกลับบ่งชี้ถึงค่าใช้จ่ายที่แตกต่างออกไป ขั้นตอนสุดท้ายของดีโคเดอร์สร้างอัลฟาแมตต์ความละเอียดเต็มที่แบบ stride-1 ซึ่งหมายความว่าเอาต์พุตแบบ dense มีขนาดเท่ากับภาพอินพุต ไม่ใช่เวกเตอร์ขนาดคงที่ — เป็นต้นทุนที่เพิ่มขึ้นตามความละเอียด ไม่ใช่ตามจำนวนพารามิเตอร์ สำหรับโมเดล 2B บน GPU สมัยใหม่ ถือว่าจัดการได้ สำหรับโทรศัพท์ มันไม่ได้ชัดเจนเลยว่าจะจัดการได้ และ Tencent ก็ไม่ได้อ้างว่าเป็นเช่นนั้น

ผลลัพธ์ในทางปฏิบัติคือโมเดลทั้งสองนี้ไม่ได้แข่งขันกันเพื่อช่องทางการปรับใช้เดียวกัน โมเดลหนึ่งเป็นองค์ประกอบที่คุณสามารถจัดส่งภายในแอปได้ ส่วนอีกโมเดลเป็นองค์ประกอบที่คุณจะรันบนเซิร์ฟเวอร์ หรือบนเวิร์กสเตชัน ควบคู่กับสิ่งอื่นใดก็ตามที่จำเป็นต้องมีการมาสก์ข้อมูล

เลือกตามประเภทผลลัพธ์ ไม่ใช่ตามคะแนน

ถ้างานคือการอ่านหน้าจอ — การแยกวิเคราะห์ขั้นตอนการชำระเงิน การหาปุ่มที่กำกับว่า "Continue" การดึงตารางออกจากเอกสารที่ถ่ายภาพ — LFM2.5-VL-3B คือตัวเลือกที่ชัดเจน โดยมี ScreenSpot-v2 ที่ 80.7, DocVQA ที่ 91.1, ChartQA ที่ 81.3 และคะแนน ToolSandbox ที่บ่งชี้ว่ามันสามารถลงมือทำกับสิ่งที่เห็นได้ ไม่ใช่แค่บรรยายสิ่งนั้น นอกจากนี้ยังมีค่าเฉลี่ยจาก 28 benchmark อยู่ที่ 69.4 ซึ่ง Liquid เผยแพร่เทียบกับรุ่นพี่น้องที่ระบุชื่อไว้ ซึ่งอย่างน้อยก็บอกคุณได้ว่าผู้ขายมองว่าพื้นที่ใกล้เคียงของตัวเองเป็นอย่างไร

หากงานคือการแยกวัตถุออกมา — ไม่ว่าจะเป็นคัตเอาต์สินค้า คนที่อยู่บนฉากหลังที่รกตา หรือฉากหน้าที่มีผมฟุ้งหรือขอบโปร่งใส — LFM2.5-VL-3B ไม่ได้ให้ผลลัพธ์แบบนั้น และพรอมป์ต์มากแค่ไหนก็ไม่ทำให้ทำได้ WeVisOne-VL-2B ทำได้ และช่องว่างในตารางการแมตติงนั้นมาก: ค่าความแตกต่างสัมบูรณ์เฉลี่ย 6.6 เทียบกับ 15.4 ของ SAM2-Matting บน P3M-500-NP, 15.8 เทียบกับ 23.0 ของไปป์ไลน์ Qwen3-VL-8B บวก SAM2 บนชุดแบ่ง WeRefMat ที่พรอมป์ต์ด้วยภาษา

ยังมีอีกกรณีหนึ่งที่ WeVisOne มีข้อกล่าวอ้างที่น่าจดจำ นั่นคือการไม่ปรากฏอยู่ Tencent รายงานอัตราการปฏิเสธที่ 50.2 บน RefCOCOg สำหรับคำถามที่เป้าหมายไม่ได้อยู่ในภาพ เทียบกับ 0.5 และ 0.6 สำหรับโมเดลกราวด์ดิ้งเฉพาะทางสองตัวในตารางเดียวกัน หากไปป์ไลน์ของคุณรันการครอปหลายพันครั้ง และส่วนใหญ่ไม่มีอะไรที่คุณสนใจ โมเดลที่บอกได้อย่างเชื่อถือได้ว่า "ไม่อยู่ตรงนั้น" จะช่วยประหยัดตัวจำแนกปลายน้ำให้คุณ การ์ดของ LFM2.5-VL-3B ไม่ได้รายงานตัวเลขการปฏิเสธที่เทียบเคียงได้ จึงไม่มีอะไรจะนำมาเทียบข้าง ๆ — นี่คือช่องว่างในหลักฐาน ไม่ใช่ความสูญเสีย

ไม่มีสิ่งใดในนี้ที่เป็นเหตุผลให้เลือกตัวหนึ่งแล้วเลิกใช้ตัวหนึ่ง และควรพูดกันตามตรงว่าเราเตอร์เหมาะอยู่ตรงไหน OrcaRouter ไม่ได้ให้บริการโมเดลทั้งสองตัวนี้ ทั้งสองตัวไม่ได้อยู่ในแคตตาล็อกของเรา และทั้งสองตัวไม่ได้โฮสต์อยู่ที่ใดที่เราตรวจสอบได้ โดยเฉพาะสำหรับ WeVisOne สิ่งที่เรามีให้คือสแตกโดยรอบ: หากไปป์ไลน์ของคุณใช้โมเดลวิชันแบบโฮสต์สำหรับครึ่งที่อ่านภาพ และใช้โมเดลที่โฮสต์เองสำหรับครึ่งที่ทำมาสก์ การเรียกแบบโฮสต์จะผ่านคีย์ API เดียวในราคาตามรายการของผู้ให้บริการโดยไม่บวกกำไรเพิ่ม เมื่อผู้ให้บริการรายใดรายหนึ่งมีปัญหา failover จะย้ายไปยังผู้ให้บริการรายอื่น และ DSL สำหรับการกำหนดเส้นทางช่วยให้คุณวางทั้งสองครึ่งไว้หลังเอนด์พอยต์เดียว แอปพลิเคชันของคุณจึงไม่มีทางรู้ว่าตัวไหนเป็นผู้ตอบ

อะไรจะทำให้เรื่องนี้จบลงได้จริง ๆ

ชุดทดสอบอิสระชุดเดียว ที่ดำเนินการโดยผู้ที่ไม่ใช่ผู้ขายรายใดรายหนึ่ง จากภาพชุดเดียวกัน และรายงานทั้งสถิติการตรวจจับและสถิติการแบ่งส่วนสำหรับทั้งสองโมเดล สิ่งนั้นยังไม่มีอยู่ จนกว่าจะมี จุดยืนที่ป้องกันได้คือจุดยืนที่น่าเบื่อ: โมเดลเหล่านี้ตอบคำถามที่แตกต่างกัน ตัวเลขที่เผยแพร่ของพวกมันวัดด้วยเครื่องมือที่แตกต่างกัน และการเลือกระหว่างสองโมเดลนั้นถูกตัดสินด้วยสิ่งที่โค้ดปลายทางของคุณคาดว่าจะได้รับ — ประโยค หรือมาสก์

ถ้าคุณจะหยิบอะไรไปเพียงอย่างเดียวจากการเปรียบเทียบนี้ ก็จงหยิบรูปร่างของหลักฐานไป Liquid AI ให้ตารางที่คุณสามารถพิสูจน์หักล้างได้ ส่วน Tencent ให้บทความที่คุณอ่านได้และการ์ดที่บอกคุณอย่างตรงไปตรงมาว่าโมเดลจะไม่ทำอะไรบ้าง ทั้งสองฝ่ายไม่ได้ให้ตัวเลขที่นำมาเปรียบเทียบกันได้ และบทความใดก็ตามที่พิมพ์ 87.9 ไว้ข้าง ๆ 79.7 โดยไม่มีข้อแม้ดังกล่าว ก็กำลังขายอันดับที่ไม่มีอยู่จริงให้คุณ