LFM3-VL-2B so với WeVisOne-VL-4B: Gấp 2,5 lần số tham số thực sự mang lại điều gì

Bảng đánh giá của chính Tencent lại lập luận chống lại lựa chọn mua rõ ràng. WeVisOne-VL-4B, mô hình lớn hơn trong hai mô hình cảm nhận mà nhóm WeChat Vision công bố vào ngày 22 tháng 10 năm 2026, làm alpha matting theo gợi ý khung kém hơn người anh em 2B của chính nó: sai lệch tuyệt đối trung bình 7,3 trên P3M-500-NP so với 6,6 của bản 2B, trong đó thấp hơn là tốt hơn. Tuy nhiên, mô hình mà hầu hết người mua thực sự sẽ đem ra so sánh không phải là người anh em của nó mà là LFM3-VL-2B — mô hình thị giác trên thiết bị 1,92B của Liquid AI, có trọng số xuất hiện vào ngày 19 tháng 10 và được công bố cùng phần còn lại của dòng LFM3 vào ngày 27 tháng 10.

Đặt hai mô hình đó cạnh nhau, và câu hỏi thú vị không phải là mô hình nào thông minh hơn. Mà là số tham số gấp hai lần rưỡi mang lại cho bạn những gì, và chúng phải trả giá ra sao. Câu trả lời ngắn gọn, từ chính các bảng của nhà cung cấp: chúng mang lại khả năng phát hiện dày đặc, độ chính xác khi tham chiếu, và tỷ lệ từ chối trả lời cao hơn nhiều khi đối tượng không có mặt. Chúng không mang lại một mô hình đa dụng, không mang lại video, và không mang lại một mô hình có thể đặt trên điện thoại. Mọi thứ dưới đây đến từ hai bảng đã công bố với các đường nối vẫn còn lộ rõ — chưa có bộ khung đánh giá độc lập nào tái lập được số liệu của cả hai mô hình.

Thực tế mỗi thứ là gì

LFM3-VL-2B có 1,92 tỷ tham số dense: một phần xương sống ngôn ngữ 1,73 tỷ tham số, một bộ mã hóa thị giác nội bộ 164 triệu tham số và một bộ chiếu 25 triệu tham số. Phần xương sống là ngăn xếp lai ba nhánh của Liquid — 24 lớp được chia thành 13 tích chập ngắn có cổng, 5 lớp attention cửa sổ trượt với cửa sổ 256 token và 6 lớp attention toàn cục. Nó tiếp nhận văn bản, hình ảnh và video ở độ phân giải gốc, lấy mẫu video ở 2 khung hình/giây, giữ ngữ cảnh 128K token, bao phủ 16 ngôn ngữ và có chế độ suy nghĩ tùy chọn tạo ra một lượt lập luận trước câu trả lời. Đầu ra của nó là văn xuôi.

WeVisOne-VL-4B được xây dựng trên nền tảng Qwen3-VL và được đặt tên là 4B, mặc dù siêu dữ liệu Hugging Face làm tròn nó thành 5B và các bài viết của bên thứ ba đặt số lượng thực tế gần 4,83B. Nó không trả lời bằng văn xuôi mà chủ yếu phát ra hình học: các hộp và điểm dưới dạng token tọa độ đã chuẩn hóa từ 0 đến 1000, một điểm đánh dấu OBJ (id token 152678) sau mỗi hộp được dự đoán và chuỗi literal None khi không có mục tiêu. Mặt nạ và alpha matte yêu cầu một artefact thứ hai, mask_decoder.pt, một bộ giải mã pixel 9,6M tham số nhận trạng thái ẩn của mỗi token OBJ và hộp được dự đoán rồi trả về alpha độ phân giải đầy đủ ở stride 1. Nó chỉ một lượt và chỉ xử lý hình ảnh, đồng thời tạo đầu ra có cấu trúc trực tiếp, không có chain-of-thought.

Sự tương phản trong một lượt:

• Kích thước — LFM3-VL-2B 1.92B dense so với WeVisOne-VL-4B khoảng 4.83B, cộng thêm một decoder 9.6M bắt buộc cho mask

• Đầu vào — văn bản, hình ảnh và video ở 2 fps so với văn bản và một hình ảnh duy nhất

• Đầu ra — văn xuôi và một lượt suy nghĩ so với token tọa độ, hộp, mặt nạ, matte, hoặc một None tường minh

• Ngữ cảnh — 128K token so với việc không có giới hạn suy luận nào được công bố trên thẻ; bài báo mô tả huấn luyện ở 4,096 và 8,192 token

• Độ phủ ngôn ngữ — có nêu 16 ngôn ngữ so với không nêu ngôn ngữ nào

• Giấy phép — LFM Open License v1.0, miễn phí sử dụng thương mại dưới 10 triệu USD doanh thu hằng năm, so với Apache 2.0 cho mã do Tencent phát triển

• Môi trường chạy — GGUF/llama.cpp, MLX 4-bit, ONNX và BF16 so với BF16 thông qua Transformers, vLLM hoặc SGLang

Quá trình nâng cấp diễn ra không đồng đều, và bài báo chỉ ra những chỗ.

WeVisOne-VL-2B và WeVisOne-VL-4B có cùng kiến trúc ở hai quy mô, được huấn luyện trên cùng khoảng 100 triệu hình ảnh thông qua cùng một lộ trình ba giai đoạn, và được đánh giá trên cùng một bảng. Điều đó khiến việc so sánh hai mô hình cùng dòng trở thành bằng chứng rõ ràng nhất hiện có về những gì các tham số bổ sung tác động — và nó không đi theo một hướng duy nhất.

Nơi mà 4B rõ ràng chiếm ưu thế, theo số liệu của Tencent:

• Phát hiện Dense200 — F1 trung bình 71.3 so với 61.4, mức tăng lớn nhất cho một hạng mục duy nhất

• LVIS — 55,3 so với 53,3, một mức cải thiện khiêm tốn 2 điểm

• Phát hiện theo tham chiếu RefCOCOg — 81.8 trên tập kiểm thử so với 78.2

• Phân đoạn theo tham chiếu RefCOCO — 84,5 cIoU trên testA so với 82,9

• ReasonSeg — 71.2 cIoU trên val so với 60.9, tăng 10 điểm ở phân đoạn suy luận

• Chỉ điểm PointBench — 71.9 so với 62.9

• Matting theo tham chiếu WeRefMat — độ lệch tuyệt đối trung bình 9,8 trên tập tham chiếu so với 15,8, tức giảm 38% lỗi

Ở những trường hợp không:

• P3M-500-NP làm mờ hộp — 7.3 so với 6.6 của 2B, tệ hơn

• Độ mờ hộp PPM-100 — 6,1 so với 5,3, tệ hơn

• Ref-ZOM cIoU — 72,2 trên tập kiểm tra so với 73,4, 2B lại dẫn trước

Mô hình này có thể nhận thấy rõ ngay cả khi nguyên nhân không được công bố: 4B vượt lên ở các tác vụ khó và phụ thuộc ngôn ngữ — phân đoạn theo chỉ dẫn, phân đoạn có suy luận, matting theo chỉ dẫn trên cảnh thật — và không bù lại được gì trên các bộ matting dễ hơn được gợi ý bằng hộp, nơi cả hai mô hình đã gần mức trần và bộ giải mã 9,6M có thể đang đảm nhận phần lớn công việc. Hai trong ba điểm chuẩn matting được gợi ý bằng hộp đi sai hướng. Nếu alpha matting trên một hộp cho sẵn là tác vụ duy nhất của bạn, thì 4B không phải là một bản nâng cấp; đó là một cách tốn kém hơn để có cùng câu trả lời, hơi tệ hơn.

Đối tượng vắng mặt: tốt hơn, vẫn chưa được giải quyết

Cột hữu ích nhất trong bài báo là cột mà gần như không có thẻ mô hình thị giác nào công bố. RefCOCOg-Rej là một biến thể trong đó mọi biểu thức đều được sửa đổi sao cho không tồn tại đối tượng nào khớp trong ảnh. Một mô hình không thể nói "không" sẽ bịa ra một hộp, và mọi thao tác cắt, đếm và mặt nạ ở hạ nguồn đều thừa hưởng sự bịa đặt đó.

WeVisOne-VL-4B từ chối đúng 67,4% số lần, so với 50,2% ở bản 2B. Đó là một cải thiện thực sự và lớn — mức tăng 17 điểm, đưa chế độ lỗi của một pipeline từ kiểu tung đồng xu sang hai trong ba. Điều đó cũng có nghĩa là bản 4B vẫn trả về một box đầy tự tin cho khoảng một trong ba truy vấn vật thể vắng mặt. Trên WeRef-Bench nội bộ do chính Tencent xây dựng, tỷ lệ từ chối là 96,4%, nhưng bộ đánh giá đó gồm 2.880 truy vấn tiếng Anh và tiếng Trung do chính phòng thí nghiệm tạo ra, nên nó đo một phân phối thân thiện hơn so với bộ công khai. Tóm tắt trung thực là mô hình đã có hành vi từ chối hữu dụng nhưng chưa giải quyết được vấn đề; nếu ứng dụng của bạn không thể chấp nhận một vùng bị ảo giác, thì dù chọn mô hình nào, bạn cũng cần thêm một ngưỡng hoặc một bước kiểm tra thứ hai.

Con số trông có vẻ có thể so sánh được nhưng thực ra không phải.

Thật dễ bị cám dỗ khi đặt 90.5 RefCOCO-avg của LFM3-VL-2B bên cạnh 81.8 RefCOCOg của WeVisOne-VL-4B và công bố mô hình nhỏ hơn thắng 8.7 điểm. Đừng làm vậy. Đó là những split khác nhau và những chỉ số khác nhau: Liquid báo cáo mức trung bình trên họ RefCOCO, Tencent báo cáo F1 trên test RefCOCOg cho referring detection. Trừ chúng cho nhau sẽ tạo ra một con số không có đối tượng tham chiếu.

Cái bẫy tương tự cũng xuất hiện trong OCR. LFM3-VL-2B đạt 86,3 trên OCRBench v1, một bài kiểm tra tổng hợp gồm nhận dạng văn bản, phát hiện và suy luận; WeVisOne-VL-4B đạt F1 trung bình 52,0 trên TotalText, một bộ đánh giá định vị văn bản trong cảnh. Một bên là kỳ thi bao quát, bên kia là tác vụ dự đoán dày đặc. Chúng không phải cùng một kỹ năng được đo hai lần.

Vì vậy, hai bảng nhà cung cấp không giao nhau ở một con số so sánh tương đương duy nhất. Điều có thể so sánh một cách trung thực là năng lực và chi phí, đó là lý do phần còn lại của so sánh này nói về độ phù hợp chứ không phải xếp hạng. Bất kỳ ai công bố một người chiến thắng từ hai bảng này đều đang tự bịa ra một người.

Ký ức mới là cái giá thật.

Cả hai mô hình đều không có giá công bố trên mỗi token vào ngày 28 tháng 10 năm 2026. Thẻ của Liquid liên kết quyền truy cập API và Playground qua bảng điều khiển của họ, nhưng không có bảng giá nào được công bố cho LFM3-VL-2B; các dịch vụ theo dõi bên thứ ba liệt kê giá mô hình văn bản của Liquid không bao gồm mô hình thị giác. Tencent hoàn toàn không có endpoint được lưu trữ. Vì vậy, đây là phép so sánh giữa các phương án tự vận hành, và chi phí được tính theo bộ nhớ.

• LFM3-VL-2B — khoảng 3,84 GB ở BF16 theo tính toán từ số lượng tham số, cùng với các bản dựng 4-bit MLX, GGUF và ONNX được phát hành kèm theo

• WeVisOne-VL-4B — khoảng 9,7 GB ở BF16 theo ước tính của bên thứ ba, khoảng 19 GB ở F32, cộng với mask_decoder.pt bắt buộc.

Khoảng cách 2,5× đó không chỉ là một GPU lớn hơn. Đó là một lớp thiết bị khác. Thẻ LFM3-VL-2B nói rõ rằng mô hình được xây dựng cho công việc trên thiết bị — các câu hỏi về video, tài liệu, biểu đồ và màn hình ứng dụng, tìm vật thể, suy luận không gian cho robot — và các bản dựng MLX 4-bit và GGUF chính là cách giữ lời hứa đó: một máy tính xách tay, một điện thoại, một khung gầm robot. Các đường dẫn được tài liệu hóa của WeVisOne-VL-4B là Transformers, vLLM và SGLang trên BF16, không có bản dựng lượng tử hóa chính thức và không có runtime trên thiết bị. Nó cần một GPU máy chủ.

Hỗ trợ framework nên được kiểm tra với chính luồng triển khai của bạn thay vì dựa vào bảng. Video ở 2 fps là một năng lực của mô hình trong LFM3-VL-2B, nhưng việc một runtime cụ thể có chấp nhận lưới video hay không lại là một câu hỏi riêng, và model card, các bản port cùng các PR upstream không phải lúc nào cũng thống nhất về điều đó. Hãy kiểm thử đúng tổ hợp bạn định phát hành.

OrcaRouter không lưu trữ mô hình nào trong hai mô hình đó. Điều này đã được xác minh dựa trên danh mục vào ngày 28 tháng 10 năm 2026, chứ không phải giả định — cả dòng LFM3 của Liquid lẫn WeVisOne của Tencent đều không xuất hiện trong danh sách mô hình — vì vậy không có gì ở đây nên được hiểu là một tuyến đường đến một trong hai. Điều mà danh mục mô hình OrcaRouter thực sự có là Qwen3-VL-8B, ở các biến thể instruct và thinking, đây là lựa chọn thực dụng nếu yêu cầu thực tế của bạn là một mô hình thị giác được lưu trữ với mức giá được công bố hôm nay thay vì một checkpoint tự lưu trữ. Một khóa truy cập đến tất cả với giá niêm yết của nhà cung cấp, không có phụ phí, và nếu bạn đang tạo nguyên mẫu với một mô hình trọng số mở chưa được chứng minh, chạy nó qua một router có chuyển đổi dự phòng sẽ tốt hơn việc nối một đường dẫn sản xuất vào một checkpoint chưa có đánh giá độc lập.

Chọn cái nào?

• Chọn WeVisOne-VL-4B khi đầu ra cần bàn giao là hình học — mặt nạ, alpha matte, hộp dày đặc, số đếm, chỉ điểm — trên ảnh tĩnh, khi các truy vấn được điều kiện hóa bằng ngôn ngữ thay vì gợi ý bằng hộp, và khi bạn có GPU dư để dùng

• Chọn WeVisOne-VL-2B thay vì 4B khi tác vụ của bạn là matting theo hộp gợi ý trên các cảnh thông thường; theo các số liệu đã công bố, mô hình nhỏ hơn làm việc này tốt hơn và tốn chưa bằng một nửa bộ nhớ.

• Chọn {{1}}LFM3-VL-2B{{/1}} khi đầu vào bao gồm video, khi tài liệu dài, khi câu trả lời cần là một câu thay vì một đa giác, hoặc khi thiết bị không phải là máy chủ

• Đừng chọn bên nào nếu bạn cần một endpoint được lưu trữ với mức giá công bố theo token trong tuần này — cả hai nhà cung cấp đều không cung cấp dịch vụ đó, và không mức độ benchmark nào có thể thu hẹp khoảng cách đó.

• Chỉ chọn cả hai nếu bạn chấp nhận hai lược đồ đầu ra và hai lộ trình tích hợp; dải thông số chung "khoảng 2B đến 5B" đang che giấu hai sản phẩm khác nhau

Điều gì sẽ thay đổi điều này

Ba điều. Một bộ khung kiểm thử độc lập chạy cả hai mô hình trên cùng ảnh với cùng prompt — cho đến lúc đó, mọi thứ ở trên chỉ là một bảng của nhà cung cấp được đọc cẩn thận, tốt hơn đọc cẩu thả nhưng vẫn không phải bằng chứng về chất lượng. Một bản dựng WeVisOne đã lượng tử hóa, hoặc một môi trường chạy trên thiết bị, sẽ chuyển lập luận về bộ nhớ từ mang tính quyết định sang có thể thương lượng. Và một mức giá công bố trên mỗi token từ bất kỳ bên nào, sẽ thay phép tính về gigabyte bằng một con số mà người ta có thể lập ngân sách dựa vào.

Điều ít có khả năng xảy ra nhất trong ba điều lại là điều quan trọng nhất đối với sự kết hợp cụ thể này: khả năng hỗ trợ video trong bộ giải mã pixel của WeVisOne. Hiện tại, mô hình tổng quát 2B xử lý được video còn mô hình chuyên dụng 4B thì không, và không có con số tham số nào khắc phục được một phương thức chưa từng được huấn luyện.