WeVisOne-VL-4B vs LFM2.5-VL-3B: ผู้เชี่ยวชาญด้านแมตติ้ง ปะทะ จอมความเร็วบนอุปกรณ์เอดจ์

Liquid AI เปิดเผยตัวเลขความเร็วสำหรับ LFM2.5-VL-3B ส่วน Tencent ไม่เปิดเผยเลยสำหรับ WeVisOne-VL-4B ความไม่สมมาตรนี้ มากกว่าแถว benchmark ใด ๆ คือการจับคู่กัน LFM2.5-VL-3B เป็นโมเดล edge ขนาด 3.1B พารามิเตอร์ที่ปรับมาให้ตอบในรอบเดียว: 228 โทเคนต่อวินาทีบน Apple M5 Max, 20 โทเคนต่อวินาทีบน Galaxy S26 Ultra, ใช้หน่วยความจำต่ำกว่า 3.3 GB, สิบหกภาษา WeVisOne-VL-4B เป็นโมเดลการรับรู้ขนาด 4.83B พารามิเตอร์ที่จะใช้โทเคนภาพได้สูงถึง 1,960 โทเคนและตัวถอดรหัส 9.6M พารามิเตอร์เพื่อส่ง alpha matte ความละเอียดเต็มให้คุณ ตัวหนึ่งสร้างมาให้เร็วพอที่จะอยู่ใน UI ของโทรศัพท์ อีกตัวสร้างมาเพื่อส่งออกพิกเซล ทั้งสองซ้อนทับกันแค่คำว่า "vision" และแทบไม่มีจุดอื่นเลย

นั่นทำให้การเปรียบเทียบนี้เป็นสิ่งที่ควรทำอย่างรอบคอบ เพราะวิธีที่เห็นได้ชัดที่สุด — การนำตาราง benchmark มาวางเคียงกันแล้วประกาศผู้ชนะ — จะผิดพลาดในลักษณะที่เฉพาะเจาะจงและให้บทเรียน

ตาราง benchmark ไม่ได้สื่อสารกัน

ทั้งสองโมเดลเผยแพร่ตัวเลข referring-expression และตัวเลขทั้งสองดูเทียบกันได้ แต่ไม่ใช่เช่นนั้น LFM2.5-VL-3B รายงาน RefCOCO-avg P@1 ที่ 87.9 ส่วน WeVisOne-VL-4B รายงาน RefCOCOg test F1 mean ที่ 81.8 เป็นคนละชุดแบ่งข้อมูล คนละเมตริก คนละรูปแบบความล้มเหลว: P@1 ถามว่ากล่องที่จัดอันดับสูงสุดถูกต้องหรือไม่ ส่วน F1 mean เฉลี่ย precision และ recall ข้ามเกณฑ์ IoU ตั้งแต่ 0.5 ถึง 0.95 โมเดลหนึ่งอาจชนะเมตริกหนึ่งและแพ้อีกเมตริกด้วยส่วนต่างมากได้ โดยที่ผลลัพธ์ใด ๆ ก็ไม่น่าแปลกใจ

กับดักเดียวกันนี้อยู่ในทุกแถวที่เหลือ ค่า 80.7 ของ Liquid บน ScreenSpot-v2 วัดความสามารถในการระบุตำแหน่งองค์ประกอบ UI ส่วน Tencent ไม่มีตัวเลข ScreenSpot อัตราการปฏิเสธ 96.4% ของ Tencent บน WeRef-Bench วัดว่าโมเดลปฏิเสธที่จะตอบเมื่อไม่มีวัตถุนั้นอยู่หรือไม่ ส่วน Liquid ไม่ได้เผยแพร่ตัวชี้วัดการปฏิเสธใด ๆ เลย ทั้งสองผู้ขายไม่ได้ประเมินโมเดลของอีกฝ่าย ดังนั้นจึงไม่มีแถวใดในตารางทั้งสองที่เป็นการเทียบกันแบบตัวต่อตัว

สิ่งที่กล่าวได้อย่างตรงไปตรงมาคือข้อมูลเหล่านี้เป็นเพียงเชิงทิศทาง LFM2.5-VL-3B เป็นโมเดลอเนกประสงค์ที่แข็งแกร่งในขนาดของมัน โดยได้ค่าเฉลี่ย 69.4 จาก 28 benchmark ด้านวิชัน ตามการนับของ Liquid เอง ซึ่งห่างจาก Qwen3.5-4B เพียง 0.7 คะแนน และการเพิ่มขึ้นของ ScreenSpot-v2 จากเกือบศูนย์ในรุ่นก่อนหน้าเป็น 80.7 ถือเป็นการปรับปรุงที่ใหญ่ที่สุดเพียงรายการเดียวในตารางของมัน WeVisOne-VL-4B ไม่ได้แข่งขันในแกนนั้น ข้ออ้างที่แข็งแกร่งที่สุดของมันคือการตรวจจับวัตถุขนาดเล็กที่มีความหนาแน่น การปฏิเสธ และเอาต์พุตระดับพิกเซล ซึ่ง LFM2.5-VL-3B ไม่ได้พยายามทำสิ่งใดในนั้นเลย

แต่ละรุ่นคืออะไรในทางกายภาพ

• พารามิเตอร์ — WeVisOne-VL-4B ขนาด 4.83B แบบ dense (เช็กพอยต์ F32) เทียบกับ LFM2.5-VL-3B ขนาด 3.12B แบบ dense (BF16)

• เส้นทางการมองเห็น — แกนหลัก Qwen3-VL พร้อมตัวถอดรหัสพิกเซล 9.6M เทียบกับฐานข้อความ LFM2.5-2.6B แบบไฮบริด convolution-attention พร้อมตัวเข้ารหัส SigLIP2 NaFlex 400M

• หน่วยความจำ — ประมาณ 19 GB บนดิสก์สำหรับเช็กพอยต์ F32 4B เทียบกับพื้นที่รวมต่ำกว่า 3.3 GB สำหรับ 3B

• บริบท — ไม่มีตัวเลขที่เผยแพร่สำหรับ WeVisOne-VL-4B เทียบกับ 32,768 โทเค็นของ LFM2.5-VL-3B

• ภาษา — ไม่ได้ระบุสำหรับ WeVisOne-VL-4B เทียบกับ 16 สำหรับ LFM2.5-VL-3B โดยมีคลังคำศัพท์ขนาด 128K ที่สร้างขึ้นสำหรับอักษรที่ไม่ใช่ละติน

• ประเภทเอาต์พุต — กล่อง จุด มาสก์ และอัลฟาแมตต์ เทียบกับเฉพาะกล่องและข้อความ

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

• ความเร็ว — ยังไม่เปิดเผย เทียบกับ 228 tok/s บน M5 Max, 116 tok/s บน Ryzen AI Max+ 395, 20 tok/s บน Galaxy S26 Ultra

ช่องว่างด้านความสามารถที่เป็นตัวชี้ขาดจริง ๆ

LFM2.5-VL-3B บอกได้ว่าคนอยู่ตรงไหนในภาพ แต่ WeVisOne-VL-4B บอกได้ว่าคนอยู่ตรงไหน พร้อมคืนไบนารีแมสก์ของอินสแตนซ์นั้น และคืนอัลฟาแมตต์แบบต่อเนื่องที่มีขอบนุ่มนวล — ทั้งเส้นผม ขนสัตว์ ผ้าบางเบา และภาพเบลอจากการเคลื่อนไหว — ที่ความละเอียดเต็ม นั่นคือความแตกต่างเชิงประเภท ไม่ใช่ความแตกต่างเชิงคุณภาพ หากผลิตภัณฑ์ของคุณต้องคอมโพสิตตัวแบบลงบนฉากหลังใหม่ ตัดภาพสินค้าออกมา หรือขับเคลื่อนการเปลี่ยนฉากหลังในวิดีโอคอล LFM2.5-VL-3B ก็ไม่มีอะไรจะมอบให้คุณได้ และการออกแบบพรอมป์ต์มากแค่ไหนก็ไม่เปลี่ยนข้อเท็จจริงนี้

ลองเปรียบเทียบในทิศทางกลับกันดู แล้วผลก็จะออกมาเหมือนเดิม หากผลิตภัณฑ์ของคุณต้องค้นหาปุ่มบนหน้าจอโทรศัพท์ภายใน 40 มิลลิวินาที WeVisOne-VL-4B ก็ไม่เหมาะอย่างสิ้นเชิง: มันเป็นโมเดลขนาด 4.83B ที่ไม่มีค่าความหน่วงที่เผยแพร่ ไม่มีบิลด์แบบควอนไทซ์สำหรับอุปกรณ์เอดจ์ และมีดีโคเดอร์ที่สมมติว่ามีหนึ่งภาพต่อหนึ่งเทิร์น Liquid มี GGUF, MLX, ONNX และบิลด์เนทีฟให้ใช้งาน พร้อมบริบท 32K และเบนช์มาร์กการเรียกใช้เครื่องมือ ส่วน Tencent มีแพ็กเกจการอนุมานเพื่อการวิจัยและบริการผ่าน vLLM/SGLang

การถูกปฏิเสธคือคอลัมน์ที่ถูกประเมินค่าต่ำเกินไป

ความสามารถหนึ่งในตารางของ Tencent สมควรได้รับความสนใจ แม้ว่าคุณจะไม่เคยยุ่งเกี่ยวกับ matting เลยก็ตาม บน WeRef-Bench, WeVisOne-VL-4B ปฏิเสธคำค้นหาวัตถุที่ไม่มีอยู่ในภาพได้อย่างถูกต้องถึง 96.4% เทียบกับ 73.0% สำหรับ baseline ที่ดีที่สุดที่ผู้เขียนระบุไว้; บน PR-Bench อัตราการปฏิเสธอยู่ที่ 52.6% เทียบกับ 10.8% สำหรับ Qwen3-VL-4BNoneแทนที่จะสร้างกล่องขึ้นมาเอง ตัวตรวจจับที่สร้างข้อมูลเท็จนั้นแย่กว่าไม่มีตัวตรวจจับเลย เพราะความล้มเหลวเกิดขึ้นอย่างเงียบ ๆ และโค้ดปลายทางก็เชื่อถือมัน

เอกสารของ LFM2.5-VL-3B ไม่ได้รายงานตัวเลขการปฏิเสธ ดังนั้นจึงไม่มีอะไรให้เปรียบเทียบได้ — ซึ่งนั่นเองคือประเด็นสำคัญ การไม่มีหลักฐานไม่ถือเป็นความล้มเหลว แต่หากคุณกำลังสร้างเอเจนต์ที่ตัดสินใจว่าจะคลิกบางสิ่งหรือไม่ การมีอัตราการปฏิเสธที่วัดได้จริงถือเป็นเหตุผลอันชอบธรรมที่จะพิจารณาโมเดลของ Tencent เป็นอันดับแรก

การออกใบอนุญาตคือตัวสร้างความแตกต่างอันเงียบงัน

นี่คือจุดที่ทั้งสองแตกต่างกันในแบบที่สำคัญสำหรับใครก็ตามที่นำไปจำหน่ายเชิงพาณิชย์ เวตของ WeVisOne-VL-4B อยู่ภายใต้ Apache 2.0 สำหรับโค้ดที่ Tencent เป็นผู้เขียน โดยคอมโพเนนต์ของบุคคลที่สามยังคงใช้ข้อกำหนดของตนเอง LFM2.5-VL-3B เผยแพร่ภายใต้ LFM Open License v1.0 ซึ่งใช้เชิงพาณิชย์ได้ฟรีเมื่อรายได้ต่ำกว่าเกณฑ์หนึ่ง และต้องทำข้อตกลงเชิงพาณิชย์เมื่อรายได้สูงกว่าเกณฑ์นั้น หากคุณเป็นทีมเล็ก ความแตกต่างนี้เป็นเพียงเรื่องทางทฤษฎี หากคุณไม่ใช่ หนึ่งในสองสิ่งนี้คือการตรวจสอบทางกฎหมาย และอีกสิ่งหนึ่งเป็นเพียงบรรทัดหนึ่งในไฟล์ dependency

ทั้งสองสัญญาอนุญาตไม่ได้ให้สิทธิแก่คุณในบริการแบบโฮสต์ WeVisOne-VL-4B ไม่มี API เลย ส่วน LFM2.5-VL-3B เป็นการเผยแพร่น้ำหนักโมเดล และการโฮสต์โดยบุคคลที่สามใด ๆ ถือเป็นข้อตกลงแยกต่างหาก การระบุเช่นนี้อย่างชัดเจนสำคัญกว่าที่เคยเป็น เพราะโมเดลที่ไม่มี endpoint คือความมุ่งมั่นที่จะเป็นเจ้าของสแต็กการอนุมานด้วยตนเอง

OrcaRouter เหมาะกับตรงไหน และไม่เหมาะกับตรงไหน

ปัจจุบันไม่มีโมเดลใดในสองโมเดลนี้อยู่ในแคตตาล็อกของ OrcaRouter ดังนั้นสิ่งที่กล่าวถึงในที่นี้จึงไม่ใช่ช่องทางสำหรับเรียกใช้งานโมเดลเหล่านี้ สิ่งที่แพลตฟอร์มนำเสนอคือบริบทของการตัดสินใจโดยรอบแทน ทีมส่วนใหญ่ที่กำลังประเมิน VLM แบบ edge ขนาด 3B ไม่ได้กำลังแทนที่โมเดลหนึ่งด้วยอีกโมเดลหนึ่ง — พวกเขากำลังเพิ่มโมเดลที่สองเข้าไปข้างโมเดลอเนกประสงค์ที่ใช้งานในโปรดักชันอยู่แล้ว และต้นทุนด้านปฏิบัติการของสัญญาผู้ขายรายที่สอง คีย์ที่สอง และโหมดความล้มเหลวที่สอง มักทำให้การทดลองจบลงก่อนที่ตัวโมเดลจะทำให้จบ

การกำหนดเส้นทางให้ทั้งสองเจตนาผ่านปลายทางเดียว โดยมีโมเดลมากกว่า 200 โมเดลอยู่ภายใต้คีย์เดียว โดยคิดราคาเพิ่ม 0% เหนือราคาตามรายการของผู้ให้บริการหมายความว่าโมเดลการรับรู้สามารถเป็นการตัดสินใจด้านการกำหนดเส้นทางแทนที่จะเป็นโปรเจกต์การผสานรวม หากโมเดลปลายขอบไม่พร้อมใช้งาน การสลับไปใช้ระบบสำรองอัตโนมัติจะส่งคำขอไปยังที่อื่นแทนการคืนค่า 503 นั่นคือส่วนที่ OrcaRouter แก้ไขได้จริงในที่นี้ ส่วนเวตและ GPU ยังคงเป็นของคุณ

เลือกอันไหนดี

เลือก LFM2.5-VL-3B หากงานมีข้อจำกัดด้านความหน่วงและเป็นงานที่เน้นข้อความเป็นหลัก: การทำความเข้าใจหน้าจอ, เอเจนต์ UI, OCR เอกสารพร้อมเลย์เอาต์, การแปลบนอุปกรณ์, การเรียกใช้เครื่องมือ มันเร็วกว่าแทบทุกอย่างในขนาดเดียวกัน ทำงานได้ภายในงบหน่วยความจำของโทรศัพท์ และ Liquid ได้เผยแพร่ตัวเลขไว้มากพอให้คุณตรวจสอบข้อกล่าวอ้างเหล่านั้นเทียบกับเวิร์กโหลดของคุณเองได้

เลือก WeVisOne-VL-4B ถ้างานลงเอยที่พิกเซล การแบ่งส่วนภาพ (segmentation) การตัดภาพพื้นหลัง (matting) การตรวจจับวัตถุขนาดเล็กแบบหนาแน่น หรือไปป์ไลน์ใดก็ตามที่คำว่า “โมเดลบอกว่าไม่” ต้องเป็นคำตอบที่เชื่อถือได้ ยอมรับว่าคุณเป็นผู้เริ่มใช้ก่อนใคร: ยังไม่มีการรัน benchmark แบบอิสระ ยังไม่มี hosted endpoint โค้ด fine-tuning ยังอยู่ในรายการ TODO และเปเปอร์เพิ่งอายุได้สองวัน

สิ่งเดียวที่ไม่ควรทำคือเลือกฝ่ายใดฝ่ายหนึ่งจากคะแนน benchmark เพียงค่าเดียว เพราะไม่มีใครวัดทั้งสองสิ่งนี้เทียบกันบนข้อมูลชุดเดียวกันเลย