LFM3-VL-2B vs WeVisOne-VL-2B: Cách nhau ba ngày, hai canh bạc trái ngược

LFM3-VL-2B xuất hiện trên Hugging Face vào ngày 19 tháng 10 năm 2026. WeVisOne-VL-2B xuất hiện vào ngày 22 tháng 10. Hai mô hình, đều khoảng hai tỷ tham số, đều có trọng số mở, đều đến từ những phòng thí nghiệm nổi tiếng, được công bố cách nhau trong vòng 72 giờ. Bạn sẽ kỳ vọng chúng gần như có thể thay thế cho nhau. Chúng gần hơn với hai canh bạc đối lập về ý nghĩa của "thị giác": một mô hình trả lời các câu hỏi về những gì nó nhìn thấy, mô hình kia trả về hình dạng chính xác của những gì nó nhìn thấy.

Sự khác biệt đó rất dễ bị bỏ qua trên bảng thông số kỹ thuật, vì cả hai thẻ đều liệt kê boxes và cả hai đều liệt kê OCR. Điểm khác biệt nằm ở định dạng đầu ra và mục tiêu huấn luyện, và nó quyết định liệu bạn có thể đưa một trong hai mô hình vào pipeline mà không cần lớp phân tích cú pháp hay không. Nó cũng quyết định mô hình nào còn lý do tồn tại sau khi các mô hình đa dụng trở nên tốt hơn.

Hai định nghĩa về sự nhìn

LFM3-VL-2B là mô hình tổng quát của Liquid AI. Mô hình nhận văn bản, hình ảnh và video ở tốc độ 2 fps, xuất ra văn bản, hỗ trợ suy luận từng bước, có ngữ cảnh 128K và bao phủ 16 ngôn ngữ. Kiến trúc là một mô hình dense 1,92 tỷ tham số — gồm phần lõi ngôn ngữ 1,73 tỷ tham số, bộ mã hóa thị giác nội bộ 164M và projector 25M — với các bản dựng BF16, GGUF, MLX 4-bit và ONNX đã được phát hành. Bài đăng về dòng mô hình của Liquid mô tả đây là mô hình có thể "quan sát, suy luận và hiểu thế giới vật lý", và nhánh video thực sự là điểm mới đối với dòng mô hình này.

WeVisOne-VL-2B là mô hình Thị giác WeChat của Tencent. Nó được xây dựng trên xương sống Qwen3-VL với khoảng 2,4 tỷ tham số theo giấy phép Apache 2.0, và mục đích của nó là nhận thức hợp nhất: phát hiện từ vựng mở, định vị theo chỉ dẫn, đếm, chỉ điểm, định vị OCR, phân đoạn theo chỉ dẫn và alpha matting có thể nhắc lệnh. Nó trả về tọa độ đã chuẩn hóa thông qua các token chuyên dụng, cùng với mặt nạ thông qua một bộ giải mã điểm ảnh riêng biệt có 9,6 triệu tham số, phải được tải cùng với mô hình ngôn ngữ.

Một mô hình là người đọc. Mô hình kia là một dụng cụ đo lường. Sự trùng lặp trong các bảng benchmark của chúng là có thật, nhưng đó là sự trùng lặp của hai sản phẩm khác nhau cùng đo một cảnh.

Định dạng đầu ra chính là sản phẩm.

WeVisOne-VL-2B mã hóa tọa độ dưới dạng token từ <0> đến <1000>, đánh dấu mỗi đối tượng bằng một token <OBJ> và trả về None khi mục tiêu được yêu cầu không xuất hiện. Chi tiết cuối cùng đó chính là điều mà những người thực hành để ý: thẻ báo cáo tỷ lệ từ chối là 50.2 trên RefCOCOg, so với khoảng 0.5 của Rex-Omni và LocateAnything. Nó được huấn luyện để nói "không có ở đây" thay vì bịa ra một hộp.

Bộ giải mã pixel không phải là tùy chọn. Phân đoạn và alpha matting yêu cầu mask_decoder.pt, một mô-đun 9,6M tham số được kích hoạt bởi token đối tượng. Nếu bạn chỉ tải mô hình ngôn ngữ, bạn sẽ nhận được tọa độ nhưng không có mặt nạ. Kho lưu trữ GitHub cung cấp gói suy luận kết nối hai thành phần này với nhau, và mô hình chỉ hỗ trợ một lượt và chỉ dành cho hình ảnh theo thiết kế — bộ giải mã pixel từ chối lưới video.

LFM3-VL-2B không có hợp đồng tương đương. Nó sẽ mô tả một vùng, đếm đối tượng hoặc lý giải về một cảnh bằng văn xuôi, và hàng grounding của nó (RefCOCO-avg 90.5) cho thấy nó có năng lực định vị. Nhưng đầu ra là văn bản. Đối với một pipeline cần mặt nạ, sự khác biệt giữa 90.5 và một đa giác có thể phân tích cú pháp là sự khác biệt giữa bản demo và sản phẩm.

Những con số nền tảng mà bạn không thể trừ đi

Hai thẻ đều báo cáo kết quả thuộc họ RefCOCO, và chúng không phải cùng một phép đo. LFM3-VL-2B báo cáo RefCOCO-avg 90.5, tức trung bình trên các split biểu thức tham chiếu. WeVisOne-VL-2B báo cáo RefCOCOg 77.1 F1 trung bình cho phát hiện theo tham chiếu và RefCOCO testA 82.9 cIoU cho phân đoạn theo tham chiếu. RefCOCOg là một split khác với các biểu thức dài hơn, mang tính hội thoại hơn; cIoU là một chỉ số khác với F1.

Lấy 90,5 trừ 77,1 cho ra một con số vô nghĩa. Cách hiểu trung thực là cả hai mô hình đều mạnh ở tác vụ định vị theo tham chiếu trên khung đánh giá của riêng chúng, rằng chưa có khung đánh giá nào trong hai khung được tái tạo độc lập, và rằng các định nghĩa chỉ số khác nhau đủ nhiều khiến thứ hạng vẫn chưa được xác định. Lời thận trọng tương tự cũng áp dụng cho OCR: LFM3-VL-2B báo cáo OCRBench v1 86,3, trong khi WeVisOne-VL-2B báo cáo OCR HierText 30,5, đây là một bộ đánh giá khác trên một tập dữ liệu khó hơn.

Ở những chỗ so sánh là công bằng, nó nghiêng về chuyên gia trên chính sân nhà của mô hình đó: WeVisOne-VL-2B báo cáo F1 phát hiện trên COCO là 55.2, trên LVIS là 53.3 và trên Dense200 là 61.4, so với một mô hình hoàn toàn không công bố F1 phát hiện. Đó không phải là một chiến thắng mặc định. Đó là lời nhắc rằng mô hình tổng quát không được huấn luyện để được chấm điểm theo cách đó.

Lớp mờ chính là hào cạnh tranh.

Alpha matting theo lời nhắc là tính năng mà cả LFM3-VL-2B lẫn hầu hết các mô hình cùng cỡ đều không cung cấp. WeVisOne-VL-2B báo cáo sai khác tuyệt đối trung bình là 6,6 trên P3M-500-NP đối với matte viền mềm — ranh giới bán trong suốt quanh tóc, thủy tinh và lông mà mặt nạ phân đoạn nhị phân biến thành một đường cắt cứng. Thẻ thẳng thắn về các giới hạn: ranh giới alpha mịn bị giảm chất lượng khi bị che khuất, độ phân giải thấp và độ trong suốt. Nhưng đối với việc cắt tách sản phẩm, compositing và thay thế nền, matte mới là đầu ra mà pipeline thực sự cần.

Đây là lập luận mạnh nhất cho sự tồn tại của mô hình. Một mô hình tổng quát 2B có thể mô tả một hình ảnh; nó không thể đưa cho bạn một kênh alpha mềm. Tencent đã xây dựng một mô hình nhỏ xoay quanh một bộ giải mã pixel vì đầu ra đó rất tốn kém để có được từ một mô hình tổng quát lớn, và phiên bản anh em 4B tồn tại cho các nhóm cần độ chính xác cao hơn ở cùng tác vụ.

Video và tư duy là con hào khác

Điểm khác biệt của LFM3-VL-2B lại đi theo hướng ngược lại. Nó nhận video ở 2 fps và đạt Video-MME 62.8 khi không có phụ đề, MVBench 69.4 và MMMB 85.2. WeVisOne-VL-2B chỉ hỗ trợ một lượt và chỉ xử lý hình ảnh; bộ giải mã pixel của nó từ chối lưới video. Nếu đầu vào của bạn là một clip, cuộc so sánh kết thúc trước cả khi bảng điểm chuẩn bắt đầu.

Chế độ suy nghĩ tạo thêm một khoảng cách thứ hai. LFM3-VL-2B báo cáo MathVista đạt 84,2 khi bật suy nghĩ so với 68,5 khi tắt, và MMMU đạt 55,7 so với 48,6. WeVisOne-VL-2B không có chuỗi suy luận theo thiết kế, để đảm bảo hiệu quả. Đó là một lựa chọn kỹ thuật hợp lý cho một thành phần nhận thức và là một giới hạn cứng đối với một mô hình mà bạn muốn suy luận về một biểu đồ.

Ký ức, giấy phép và cái giá phải trả để được vào

• Tham số — LFM3-VL-2B dense 1,92B so với WeVisOne-VL-2B khoảng 2,4B, cộng thêm bộ giải mã điểm ảnh 9,6M.

• Bộ nhớ — khoảng 3,84 GB BF16 theo tính toán cho LFM3-VL-2B, với bản dựng MLX 4-bit; khoảng 9,1 GB trọng số ở F32 và ước tính 4,9 GB ở BF16 cho WeVisOne-VL-2B, theo ghi chú triển khai của bên thứ ba chứ không phải từ thẻ thông số.

• Đầu vào — văn bản, hình ảnh và video ở 2 fps so với chỉ hình ảnh và văn bản, một lượt.

• Đầu ra — văn xuôi, tùy chọn kèm suy luận so với văn bản, tọa độ chuẩn hóa, mặt nạ và alpha matte.

• Ngữ cảnh — 128K so với không được nêu rõ là cửa sổ quy mô tài liệu; bộ giải mã điểm ảnh là ràng buộc.

• Giấy phép — LFM Open License v1.0, sử dụng thương mại khi doanh thu hằng năm dưới 10 triệu USD so với Apache 2.0 ở mọi quy mô.

• Đã công bố — kho lưu trữ 19 tháng 10 năm 2026, thông báo gia đình 27 tháng 10 so với kho lưu trữ 22 tháng 10 năm 2026.

Hàng giấy phép thì ngược lại với câu chuyện thường thấy. Mô hình của Tencent là mô hình được cấp phép theo kiểu permissive; còn của Liquid là mô hình có giới hạn doanh thu. Đối với một công ty đang xây dựng sản phẩm nhận thức thương mại, Apache 2.0 loại bỏ một hạng mục thẩm định mà giấy phép LFM tạo ra. Điều đó không khiến các mô hình trở nên có thể thay thế cho nhau, nhưng nó có nghĩa là mô hình nhỏ hơn, tổng quát hơn lại mang ràng buộc pháp lý lớn hơn.

Cả hai mô hình đều không có giá dịch vụ lưu trữ.

Cả hai card đều công bố trọng số và không bên nào công bố mức giá API theo token. Hugging Face không liệt kê nhà cung cấp suy luận nào cho LFM3-VL-2B; card của WeVisOne-VL-2B cũng không có endpoint được lưu trữ, mặc dù có các bản chuyển cộng đồng cho LiteRT, Core AI, GGUF và Android. Đây là hình thái hiện tại của phân khúc thị giác 2B: trọng số miễn phí, phần phục vụ là của bạn, và chi phí thực sự là GPU cùng công việc tích hợp.

Nếu bạn muốn thuê hạng mô hình đó hơn là sở hữu nó, {{1}}OrcaRouter{{/1}} định tuyến các mô hình thị giác được lưu trữ — trong đó có {{2}}Qwen3-VL-8B{{/2}} — qua một API duy nhất với giá niêm yết của nhà cung cấp được chuyển nguyên vẹn ở mức tăng giá 0%, cùng tính năng hợp nhất mô hình nếu bạn muốn một mô hình nhận thức và một mô hình suy luận trả lời như một hội đồng. Chúng tôi không cung cấp checkpoint nào trong hai checkpoint được so sánh ở đây, và không có gì ở đây ngụ ý rằng chúng tôi có cung cấp. Điểm mấu chốt là việc thuê một mô hình được lưu trữ lớn hơn một chút là lựa chọn thứ ba chính đáng khi không mô hình trọng số mở nào được phát hành kèm endpoint.

Cách chọn

• Hãy chọn WeVisOne-VL-2B nếu đầu ra là hình học: hộp, mặt nạ, alpha matte, số đếm hoặc tín hiệu “không hiện diện”. Hãy chọn nó nếu Apache 2.0 là điều không thể thương lượng, hoặc nếu bạn đang xây dựng pipeline tách nền, ghép lớp hoặc nhận thức robot.

• Chọn LFM3-VL-2B nếu đầu vào bao gồm video, nếu bạn cần suy luận trên biểu đồ hoặc biểu mẫu, hoặc nếu bạn muốn một mô hình nhỏ trả lời các câu hỏi chung thay vì đo hình dạng.

• Chọn cả hai chỉ khi bạn sẵn sàng vận hành hai pipeline. Chúng chỉ chia sẻ một lớp tham số và gần như không có gì khác, và chi phí tích hợp của việc giả vờ ngược lại cao hơn chi phí của mô hình thứ hai.

Khoảng cách ba ngày giữa các kho lưu trữ của họ là một sự trùng hợp. Sự khác biệt trong những gì chúng trả về thì không phải. Hai phòng thí nghiệm đã nhìn vào cùng một ngân sách 2B và chi nó cho những đầu ra khác nhau, và câu hỏi đúng không phải là cái nào tốt hơn — mà là đầu ra nào mà bước pipeline tiếp theo của bạn thực sự có thể dùng được.