Molmo2-4B so với WeVisOne-VL-4B: Điểm, Mặt nạ và câu hỏi mà chẳng ai hỏi đầu tiên

Hãy yêu cầu cả hai mô hình tìm con chó và bạn sẽ nhận được câu trả lời từ mỗi mô hình. Molmo2-4B trả về một tọa độ. WeVisOne-VL-4B trả về một hộp bao, và nếu bạn yêu cầu matte, thì trả về một kênh alpha độ phân giải đầy đủ vẫn còn cả lông. Đó là ba sản phẩm khác nhau cùng khoác một từ — “grounding” — và việc bạn cần cái nào sẽ quyết định phép so sánh này từ rất lâu trước khi bất kỳ benchmark nào làm được điều đó. Molmo2-4B là một mô hình ngôn ngữ-thị giác tổng quát 4,85B đến từ Allen Institute for AI, với đầu ra dạng điểm và một luồng video thực sự. WeVisOne-VL-4B là một mô hình tri giác 4,83B đến từ nhóm WeChat Vision của Tencent, hợp nhất phát hiện, định vị theo mô tả, đếm, chỉ điểm, OCR, phân đoạn theo mô tả và matte alpha có thể nhắc lệnh phía sau một checkpoint cùng với một bộ giải mã điểm ảnh 9,6M tham số. Các pipeline tri giác hiếm khi dừng lại ở một mô hình. Định giá không cộng thêm 0% Giá niêm yết của nhà cung cấp được chuyển qua nguyên vẹn, nên mức giảm từ nhà cung cấp sẽ có hiệu lực ngay trong ngày.

Cả hai đều không mới. Molmo2-4B được công bố vào ngày 11 tháng 12 năm 2025 và trọng số của nó được đưa lên vào ngày 14 tháng 12. Kho lưu trữ của WeVisOne-VL-4B xuất hiện vào ngày 22 tháng 10 năm 2026 cùng một bài báo arXiv, 2610.31329, được đính kèm. Thay đổi gần đây ở phía Molmo là về hạ tầng chứ không phải một mô hình: hỗ trợ Transformers gốc được hợp nhất vào ngày 9 tháng 10 và phát hành trong v5.20.0 vào ngày 15 tháng 10, và Ai2 đã đăng một bản tinh chỉnh Molmo2-4B cho robot vào ngày 5 tháng 11. Hữu ích nếu bạn đang chờ chạy nó mà không cần mã từ xa. Không phải một bản phát hành, và cũng không phải lý do để gọi đây là một buổi ra mắt.

Hợp đồng đầu ra chính là toàn bộ quyết định

• Molmo2-4B — một điểm, trong khoảng 0–1000 theo chiều rộng và chiều cao ảnh, được bọc trong một thẻ với một regex đã công bố; ở chế độ video, mỗi điểm mang một dấu thời gian, và việc chỉ điểm trên nhiều ảnh được làm phẳng thành các bộ ba chỉ số khung hình, x, y.

• WeVisOne-VL-4B — một hộp, một điểm, một mặt nạ hoặc một alpha matte, được chọn bởi đối số tác vụ; các tác vụ dense phát ra một token thực thể sau mỗi hộp và bộ giải mã pixel biến chúng thành mặt nạ và matte.

• Chỉ tay là đầu ra duy nhất mà cả hai đều tạo ra, và đó là nơi duy nhất có thể có một so sánh công bằng.

• Molmo2-4B không có đầu phân đoạn và không thể tạo matte. WeVisOne-VL-4B không có nhánh video: tài liệu của chính nó cho biết lưới video bị bộ giải mã pixel từ chối.

• Molmo2-4B có khả năng xử lý một lượt nhưng vốn là mô hình đa ảnh; WeVisOne-VL-4B hướng đến nhận thức hình ảnh một lượt và chủ động bỏ qua chuỗi suy luận để giảm độ trễ.

Hàng thứ tư đó kết thúc phần lớn cuộc tranh luận. Nếu pipeline của bạn cần kênh alpha — hợp thành, tách sản phẩm, thay nền, bất cứ thứ gì mà viền tóc quan trọng — thì Molmo2-4B không phải là ứng viên và chưa từng là ứng viên. Nếu pipeline của bạn cần theo dõi một đối tượng qua 384 khung hình video, WeVisOne-VL-4B không thể tham gia so sánh. Phần còn lại của bài viết này nói về dải hẹp nơi cả hai đều khả thi.

Cả hai đều là "4B" và không cái nào thực sự đúng như vậy.

• Tham số — Molmo2-4B là 4.850.869.200; WeVisOne-VL-4B là 4.830.581.248. Hai mức này chỉ chênh nhau trong khoảng 0,4%, và chính sự trùng hợp ngẫu nhiên đó khiến màn đối đầu trở nên thú vị.

• Kiến trúc — SigLIP 2 so400m cùng Qwen3-4B-Instruct-2507 cho Molmo2-4B; một backbone Qwen3-VL cùng một bộ giải mã mặt nạ riêng biệt 9,6M tham số cho WeVisOne-VL-4B.

• Tải xuống — 19,42 GB safetensors float32 trong bốn shard cho Molmo2-4B; khoảng 9,7 GB trọng số bfloat16, bao gồm tệp mask_decoder.pt bắt buộc cho WeVisOne-VL-4B.

• Ngữ cảnh — 36.864 vị trí cho Molmo2-4B; ngân sách 262.144 token không phải là ràng buộc vận hành đối với WeVisOne, vốn đánh giá ở mức tối đa 1.960 token hình ảnh mỗi ảnh.

• Giấy phép — Apache 2.0 cho cả hai, với thẻ của Molmo2-4B bổ sung rằng dữ liệu huấn luyện của nó chỉ được dùng cho mục đích nghiên cứu học thuật và phi thương mại.

• Môi trường chạy — Transformers với remote code (hoặc native kể từ v5.20.0) cùng molmo_utils và decord2 cho Molmo2-4B; gói suy luận riêng của Tencent với backend transformers hoặc vLLM cho WeVisOne-VL-4B.

Dòng tải xuống mới là điều bất ngờ trên thực tế. Molmo2-4B có kích thước trên đĩa gấp đôi dù cùng số lượng tham số, vì AI2 phát hành nó ở float32 còn Tencent phát hành ở bfloat16. Một bản tải xuống 19,42 GB mà bạn ép giảm ngay lập tức không phải là cùng một đối tượng với một bản tải xuống 9,7 GB mà bạn phục vụ nguyên như khi phát hành, và chỉ một trong hai mới vừa vặn thoải mái bên cạnh một loạt mô hình khác trên cùng một máy.

Những con số đến từ đâu, và chúng dừng lại ở đâu

Cả hai mô hình đều không có bảng điểm độc lập, nên mọi thứ dưới đây đều do nhà cung cấp báo cáo. Hai nhà cung cấp đã chọn những bộ benchmark gần như không giao nhau, và chính vì thế mà việc so sánh cứ bị thực hiện một cách tệ.

WeVisOne-VL-4B, theo báo cáo kỹ thuật: Dense200 71.3, LVIS 55.3, RefCOCOg test 81.8, ReasonSeg val cIoU 71.2, PointBench 71.9, Ref-ZOM test cIoU 72.2, TotalText F1 52.0. Về matting, MAD của P3M-500-NP với gợi ý dạng hộp là 7.3 và MAD của WeRefMat với gợi ý dạng văn bản là 9.8 — chỉ số càng thấp càng tốt, và cả hai đều vượt các baseline SAM2-Matting mà bài báo so sánh.

Molmo2-4B, theo card của nó: điểm trung bình 62,8 trên 15 benchmark học thuật, đứng sau người anh em 8B của chính nó ở mức 63,1 và đứng trước Qwen3-VL-4B ở mức 58,1, InternVL3.5-4B ở mức 53,4 và GLM-4.1V-9B ở mức 56,9, với Gemini 3 Pro ở mức 70,0 và GPT-5 ở mức 70,6 trên cùng bảng.

Không một hàng nào trong số đó được dùng chung. Bài kiểm chuẩn duy nhất mà cả hai cùng xuất hiện trong cùng một phép đánh giá là bài đếm, và ngay cả ở đó, các con số cũng đến từ những bài báo khác nhau với những giao thức khác nhau.

Phát hiện gây khó chịu bên trong bài báo của chính WeVisOne

Điều có thể hành động nhất trong các bảng của WeVisOne không phải là điểm số của 4B. Mà là việc 4B đôi khi thua chính mô hình anh em 2B của nó.

• Tốt hơn ở 4B — Dense200 71,3 so với 61,4, LVIS 55,3 so với 53,3, kiểm thử RefCOCOg 81,8 so với 78,2, ReasonSeg val cIoU 71,2 so với 60,9, PointBench 71,9 so với 62,9, WeRefMat MAD 9,8 so với 15,8.

• Kém hơn ở 4B — P3M-500-NP box matting MAD 7,3 so với 6,6, PPM-100 6,1 so với 5,3, Ref-ZOM test cIoU 72,2 so với 73,4.

Hãy đọc lại gạch đầu dòng thứ hai đó hai lần. Với matting được nhắc bằng hộp trên cảnh thông thường, phần mô hình ngôn ngữ thêm 2,8B không mang lại gì và tốn một phần mười điểm MAD, rất có thể vì bộ giải mã 9,6M bắt buộc đang đảm nhận phần việc dày đặc còn mô hình ngôn ngữ chỉ chọn xem nên trỏ vào đâu. Bản 4B xứng đáng với kích thước của nó trên các tác vụ khó, có điều kiện ngôn ngữ — phân đoạn theo tham chiếu, đếm dày đặc, phát hiện cảnh đông đúc — và chỉ lướt nhẹ hoặc hơi thoái lui trên các tác vụ dễ.

Vậy nên "lấy WeVisOne lớn hơn" không phải là mặc định an toàn. Hãy gọi tên nhiệm vụ trước khi gọi tên checkpoint.

Dương tính giả, thứ mà không ai đánh giá chuẩn.

Cả hai mô hình đều có thể bị hỏi về một thứ không hề tồn tại. Hành vi được công bố của chúng khác biệt rõ rệt, và đây chính là dòng đáng khiến bất kỳ ai đang xây dựng một vòng lặp xác minh phải lo lắng.

Báo cáo của WeVisOne đưa ra ba tỷ lệ từ chối thường bị gộp thành một con số và không được gộp như vậy: RefCOCOg-Rej 67.4, WeRef-Bench Rej 96.4 và PR-Bench Rej 52.6. Khoảng cách giữa 96.4 và 52.6 mới là điều đáng chú ý. Trên bộ đánh giá nội bộ, mô hình gần như luôn từ chối đúng khi đối tượng được truy vấn không tồn tại; trên bộ đối kháng công khai, mô hình bịa ra câu trả lời trong khoảng một nửa số trường hợp.

Molmo2-4B không công bố tỷ lệ từ chối nào cả. Thẻ mô hình của nó chỉ báo cáo điểm trung bình trên 15 bộ đánh giá và không nói gì về việc kiêng trả lời. Nếu ứng dụng của bạn dựa vào việc mô hình nói "không có mặt", thì đó là một thuộc tính chưa được đo ở một phía của phép so sánh này, và nó xứng đáng có một bộ kiểm thử của riêng bạn thay vì chỉ trích dẫn một bộ đánh giá.

Từng cái dùng để làm gì

Hãy dùng WeVisOne-VL-4B khi đầu ra là một vùng hoặc một điểm ảnh: phát hiện theo từ vựng mở, phân đoạn theo tham chiếu, tách nền theo gợi ý, định vị OCR dày đặc trên một ảnh đơn. Thay vào đó, hãy dùng phiên bản 2B cùng dòng khi tác vụ là tách nền bằng hộp ở cảnh dễ, vì bài báo nói rằng 4B không cải thiện ở trường hợp đó. Đừng dùng cả hai nếu phạm vi có video, vì bộ giải mã điểm ảnh từ chối lưới video.

Hãy chọn Molmo2-4B khi sản phẩm bàn giao là một vị trí trong luồng: chỉ vào đối tượng, theo dõi nó qua các khung hình, đếm số thực thể theo thời gian, suy luận trên một tập ảnh. Hãy chọn nó khi một tọa độ cộng với dấu thời gian là thứ hữu ích và mặt nạ sẽ là quá mức cần thiết. Hãy dự trù cho bản tải xuống float32 và việc ép kiểu.

Có một mô hình thứ ba xuất hiện trong môi trường production thường xuyên hơn cả hai lựa chọn thuần túy: chạy cả hai, vì các tác vụ mang tính bổ trợ chứ không cạnh tranh. Một lượt phát hiện trên khung hình tĩnh và một lượt chỉ điểm trên video theo sau đó là hai lệnh gọi với hai dạng đầu ra khác nhau, và phần kết nối giữa chúng mới là phần tốn kém. Phần kết nối đó chính là mục đích của một lớp định tuyến — DSL định tuyếnkết hợp nhiều mô hình thành một lệnh gọi để việc bàn giao giữa một mô hình tách nền và một mô hình chỉ điểm là cấu hình chứ không phải một dịch vụ. Cả WeVisOne-VL-4B lẫn Molmo2-4B đều không có trong danh mục OrcaRouter; cả hai đều là trọng số bạn tự lưu trữ, và cách diễn đạt trung thực là định tuyến nằm ở tầng trên chúng.

Câu trả lời một dòng

Nếu bạn cần pixel, thì đây không phải là một cuộc so sánh — WeVisOne-VL-4B là mô hình duy nhất tạo ra chúng, và bạn nên kiểm tra xem phiên bản 2B cùng dòng có vượt qua nó trên tác vụ matting cụ thể của bạn hay không trước khi trả tiền cho bản 4B. Nếu bạn cần các điểm theo thời gian, thì đây cũng không phải là một cuộc so sánh — Molmo2-4B là mô hình duy nhất có đường xử lý video. Cuộc so sánh chỉ trở nên thực sự khi tác vụ là “tìm đối tượng trong ảnh tĩnh này”, và ở đó yếu tố quyết định không phải độ chính xác mà là việc từ chối trả lời: WeVisOne đã công bố số liệu từ chối, còn Molmo2-4B thì không có.