SingVL_S1_4B so với WeVisOne VL 4B: Bản phát hành âm thầm đối đầu với bản đã hoàn thiện

Nhóm WeChat Vision của Tencent đã công bố bài báo, trọng số, gói suy luận và bản demo vào tháng 10 năm 2026 theo giấy phép Apache 2.0. Đó là dáng vẻ của một bản phát hành hoàn chỉnh. inclusionAI đã tải lên hai phân mảnh safetensors vào ngày 11 tháng 11 năm 2026, không có thông báo, không có bài báo, không có giấy phép và không có endpoint được lưu trữ, rồi coi như xong việc. WeVisOne VL 4B và SingVL_S1_4B đều có khoảng từ 4,5 đến 5 tỷ tham số, cả hai đều được xây dựng trên các backbone thị giác Q​wen, cả hai đều hướng tới việc rút ra từ một hình ảnh thứ gì đó chính xác hơn một đoạn văn — và chúng đang làm hai nửa đối lập của công việc đó. Một bên vẽ mặt nạ trên các điểm ảnh. Bên còn lại trả về một xác suất trên những câu trả lời mà bạn đã nghĩ tới để đưa cho nó. So sánh chúng không hẳn là về cái nào tốt hơn, mà là về việc một bản phát hành đáng giá bao nhiêu trước khi nó hoàn thiện.

Hai năng lực, được nêu ra không hề hoa mỹ

WeVisOne-VL-4B — tên này là dạng rút gọn của WeChat Vision All-in-One — hợp nhất nhận thức mức đối tượng và nhận thức mức điểm ảnh trong một mô hình duy nhất. Cụ thể, mô hình thực hiện phát hiện đối tượng theo từ vựng mở, định vị biểu thức tham chiếu, đếm đối tượng, chỉ điểm, định vị OCR, phân đoạn theo biểu thức tham chiếu và alpha matting theo gợi ý, tức nhiệm vụ tạo mặt nạ mềm liên tục quanh những thứ như tóc hoặc cành cây mảnh, nơi ranh giới cứng sẽ trông sai. Cơ chế là dự đoán token kế tiếp có cấu trúc trên các token tọa độ chuyên dụng, cùng một bộ giải mã điểm ảnh 9,6 triệu tham số đi kèm checkpoint dưới tên mask_decoder.pt. Mô hình trả về None khi mục tiêu được truy vấn không hiện diện, nghe có vẻ tầm thường nhưng lại là hành vi hữu ích nhất trong grounding khi đưa vào sản xuất.

SingVL_S1_4B là một mô hình ra quyết định. Mô hình nhận một trạng thái — văn bản, JSON, tối đa bốn hình ảnh — và một từ điển các câu hỏi có tên, mỗi câu hỏi có kiểu được khai báo và các câu trả lời ứng viên. Choice trả về xác suất cho mỗi tùy chọn, noul trả về xác suất để một phát biểu có/không là đúng, score trả về xác suất cho mỗi mức trên hai đến mười mức có thứ tự và mức kỳ vọng. Một lượt truyền xuôi, không sinh, không tọa độ. Kho lưu trữ bao gồm một máy chủ FastAPI trên cổng 8173 trả lời tại /v1/systemone, và thẻ mô hình được viết hoàn toàn bằng từ vựng của giao thức đó.

Vậy là sự tách bạch đã rõ ràng. WeVisOne cho bạn biết thứ đó nằm ở đâu và có hình dạng ra sao. SingVL_S1_4B cho bạn biết mức độ khả dĩ rằng thứ đó chính là thứ bạn nghi ngờ. Một pipeline cần tách một người ra khỏi bức ảnh thì không dùng được xác suất trên ba lựa chọn, và một pipeline cần biết liệu một hình ảnh có vượt qua ngưỡng chính sách hay không thì không dùng được mặt nạ.

Thứ mà bản phát hành chỉn chu đã đặt lên thẻ riêng của nó

Bảng tiêu đề của WeVisOne-VL-4B so sánh nó với baseline mở mạnh nhất trong từng benchmark, được lấy từ Qwen3-VL và Q​wen3.5 lên tới 9B, Rex-Omni, LocateAnything và các mô hình phân đoạn và matting chuyên biệt cho từng tác vụ. Những hàng làm nên lập luận:

• Phát hiện LVIS — F1 trung bình 55.3 so với mức cơ sở 50.7.

• Dense200 phát hiện dày đặc — 71,3 so với 58,7.

• RefCOCOg test referring — F1 trung bình 81,8 so với 77,6.

• Tỷ lệ từ chối của WeRef-Bench — 96,4 so với 73,0, đây là hàng quan trọng nhất đối với việc grounding trong môi trường production.

• Độ chính xác đếm của PixMo-Count — 89,6 so với 82,8.

• TotalText OCR — F1 trung bình 52.0 so với 43.3.

• Phân đoạn theo tham chiếu ReasonSeg — gIoU 71.2 so với 65.0.

• P3M-500-NP tách nền hộp — MAD 7,3 so với 15,4, càng thấp càng tốt.

• Tách nền văn bản WeRefMat — MAD 9,8 so với 22,4.

Đó là những số liệu của nhà cung cấp trên quy trình đánh giá của chính nhà cung cấp, được chạy ở chế độ giải mã tham lam với tối đa 1.960 token hình ảnh cho mỗi ảnh, so với các đường cơ sở do nhà cung cấp lựa chọn. Cách diễn giải trung thực là các số liệu này xác lập rằng mô hình hoạt động và cho thấy đại khái vị trí của nó so với phương án thay thế mở mạnh nhất trên từng tác vụ — chứ không phải rằng các khoảng cách là chính xác. Hàng tỷ lệ từ chối là hàng đáng tin cậy nhất về bản chất, vì 96,4 so với 73,0 là mức chênh lệch đủ lớn để các chi tiết của bộ khung đánh giá khó có thể giải thích được, và việc từ chối các mục tiêu không hiện diện chính là kiểu lỗi làm hỏng các hệ thống grounding trong môi trường sản xuất.

Cũng có một biến thể 2B với cột riêng, điều này hữu ích: 78.2 trên bài kiểm tra RefCOCOg, 50.2 về từ chối, 62.9 ở hàng phát hiện dày đặc. Nhà cung cấp đã công bố những con số yếu hơn của mô hình nhỏ hơn bên cạnh những con số mạnh hơn của mô hình lớn hơn, đây là kiểu công bố cho thấy bảng này không được lập cho một bài đăng ra mắt.

Bản phát hành âm thầm đã đặt gì lên tấm thẻ của riêng nó

SingVL_S1_4B công bố bảng “Public Decision Index 0.3”: 69,76 về Text, 73,94 về Vision, so với TypeSafe Jev 1.14 ở mức 60,70 text, StartLux-Decision v1.1 4B ở mức 67,8 và 67,90, và Perplexity Decider Flash v1.2 ở mức 60,1 và 72,5. Phần phân rã phía sau chỉ số tổng hợp vision trải từ InfographicVQA ở 96,31 và Winoground ở 93,12 xuống MMMU-Pro vision ở 50,17 và R-Bench-M ở 49,77.

Những con số đó có ba vấn đề mà của WeVisOne không có. Chúng đã hai ngày tuổi. Chúng nằm trên một bảng xếp hạng có bộ công cụ chấm điểm là công khai nhưng nửa riêng tư thì không, được tạo ra bởi một phòng thí nghiệm chưa gửi lượt chạy nào đến bộ công cụ tái tạo công khai — dù thẻ có bao gồm hướng dẫn để nộp một lượt. Và kho lưu trữ không có giấy phép, nghĩa là các con số không phải là ràng buộc quyết định đối với việc áp dụng; giấy tờ mới là.

Điều mà tấm thẻ này chứng minh một cách không thể tranh cãi là giao diện: xác suất cho từng câu hỏi, từng lựa chọn từ một lượt lan truyền xuôi duy nhất, với phần nội tại của giao thức được phát hành dưới dạng băm SHA-256 trong config.json để có thể xác minh một lần chạy dựa trên mã đã tạo ra nó. Đó là một quyết định kỹ thuật thực sự và là thứ đáng tin cậy nhất trong bản phát hành.

Bảng điểm trung thực chỉ có một hàng chung và hàng đó trống.

Hai mô hình này không có benchmark chung. WeVisOne đo F1 tại các ngưỡng IoU, gIoU và sai số tuyệt đối trung bình trên matte. SingVL_S1_4B đo độ chính xác đã hiệu chỉnh theo mức ngẫu nhiên trên các tập lựa chọn. Không có hàng nào mà cùng một phép đo được thực hiện cho cả hai, và để tạo ra một hàng như vậy sẽ cần chạy cả hai trên cùng dữ liệu — điều mà chưa ai làm, vì một trong các checkpoint mới chỉ hai ngày tuổi.

Điều có thể so sánh là hình thái của bằng chứng. Bản phát hành của WeVisOne bao gồm một báo cáo kỹ thuật trên arXiv, một trang dự án, một kho lưu trữ GitHub với quy trình đánh giá, một cẩm nang, hai không gian demo và hướng dẫn tái tạo mà bên thứ ba có thể làm theo. Bản phát hành của SingVL_S1_4B bao gồm một thẻ mô hình và một thư mục suy luận. Một trong số đó cho phép người lạ kiểm tra các tuyên bố; cái còn lại yêu cầu người lạ tin vào chúng.

Việc cấp phép, yếu tố quyết định nhiều hơn cả hai chuẩn đánh giá

WeVisOne-VL-4B được phát hành theo giấy phép Apache 2.0. Giấy phép này bao gồm mã và trọng số do Tencent tạo, còn các thành phần bên thứ ba vẫn giữ điều khoản riêng của chúng, và đó là lý do vì sao chỉ trong vòng hai tuần sau khi phát hành đã có sẵn các bản lượng tử GGUF, một node ComfyUI, một bản build GGUF cho NPU Rockchip và một gói tích hợp tiếng Trung đang được lưu truyền. Việc phân phối lại được cho phép, nên việc phân phối lại đã diễn ra.

SingVL_S1_4B không khai báo giấy phép nào trong metadata và không kèm tệp LICENSE. inclusionAI đã sử dụng giấy phép rõ ràng cho các bản phát hành khác — Apache 2.0 cho LemonDecider, giấy phép cộng đồng của Qwen cho các mô hình SingProbe — nên khoảng trống này trông giống như một lần tải lên chưa hoàn thiện. Nhưng "trông giống như một sơ suất" không phải là giấy phép, và một cuộc đánh giá tuân thủ không thể phê duyệt một mô hình dựa trên lý do rằng nhà phát hành của nó có lẽ đã có ý định cấp phép thoáng.

Đối với bất kỳ ai mà câu trả lời cho "chúng ta có thể phát hành cái này không" là quan trọng, cuộc so sánh dừng lại ở đây. WeVisOne có thể được phát hành; SingVL_S1_4B thì chưa thể. Mọi thứ còn lại là một cuộc thảo luận về năng lực giữa hai mô hình, trong đó chỉ một mô hình hiện đang có sẵn để cuộc thảo luận trở nên có ý nghĩa.

Cái nào phù hợp với pipeline nào

• Cắt một thứ gì đó ra khỏi ảnh — WeVisOne-VL-4B, và không hề sát nút, bởi vì SingVL_S1_4B hoàn toàn không có đầu ra phân đoạn.

• Đếm vật thể trong một khung hình đông đúc — WeVisOne-VL-4B. Mô hình báo cáo 57.1 ở dòng phát hiện dày đặc, nơi baseline tốt nhất là 47.9, và việc đếm là một tác vụ hạng nhất thay vì một hành vi được gợi ý bằng prompt.

• Nhận biết một mục tiêu vắng mặt — WeVisOne-VL-4B, dựa trên hàng từ chối và việc trả về None rõ ràng. Đây là năng lực phân biệt một bản demo với một hệ thống.

• Cổng kiểm soát một lệnh gọi đắt đỏ dựa trên độ tin cậy — hình dạng của SingVL_S1_4B, nếu bạn có thể host nó và giấy phép đến. Xác suất cho mỗi tùy chọn là thứ mà một ngưỡng cần.

• Phân loại theo một hệ phân loại cố định — về nguyên tắc là SingVL_S1_4B; các kiểu lựa chọn và điểm số của nó ánh xạ trực tiếp vào các hệ phân loại, trong khi mô hình sinh phải được ràng buộc để quay trở lại thành một hệ như vậy.

• Đọc một trang và lấy được cả các trường lẫn vị trí của chúng — WeVisOne-VL-4B, mô hình thực hiện OCR kèm định vị trong cùng một lượt xử lý với phát hiện.

• Bất kỳ thứ gì được triển khai thương mại trong tháng này — WeVisOne-VL-4B, chỉ xét về giấy phép.

Và một hàng không thuộc về cả hai: nếu thứ bạn cần là một lời giải thích bằng văn bản về những gì có trong hình ảnh, thì cả hai mô hình đều là công cụ sai. WeVisOne trả về nhận thức có cấu trúc và SingVL_S1_4B trả về xác suất; không mô hình nào viết một đoạn văn.

Điều mà sự so sánh này dạy về thị trường, chứ không phải về các mô hình

Điều thú vị ở đây không phải là việc một mô hình tốt hơn. Mà là hai phòng lab có quy mô tương đương đã phát hành một mô hình thị giác 4–5 tỷ tham số trong cùng một quý và xử lý việc phát hành hoàn toàn khác nhau. Tencent công bố một bài báo, một checkpoint decoder với số tham số được nêu rõ, một pipeline đánh giá, một giấy phép và một trang dự án, và hệ sinh thái đã tạo ra các bản lượng tử hoá cùng các tích hợp trong vòng hai tuần. inclusionAI phát hành trọng số, một script suy luận và một bảng benchmark, và hệ sinh thái không thể động đến bất cứ thứ gì trong đó cho đến khi giấy phép xuất hiện.

Cả hai chiến lược đều chính đáng. Một đợt phát hành âm thầm cho phép phòng thí nghiệm đưa ra một checkpoint mà không cần câu chuyện ra mắt, và model card ở đây thực sự được viết tốt — các ví dụ API chạy được, các dạng câu hỏi được ghi chép kèm phép tính cụ thể, và tệp cấu hình đi kèm các mã băm giúp việc xác minh trở nên khả thi. Nhưng một checkpoint không có giấy phép là một bản trình diễn, không phải sản phẩm, và sự khác biệt lộ ra đúng ở nơi mà phép so sánh này cứ quay lại: liệu có ai khác ngoài tác giả có thể xây dựng dựa trên nó hay không.

Nếu bạn muốn kiểm tra mẫu quyết định trước khi giấy tờ đến, bản thân mẫu đó có thể gọi được. OrcaRouter cung cấp TypeSafe Jev 1.14 với giá $0,042 mỗi triệu token đầu vào cùng với hơn 200 mô hình dưới một khóa duy nhất, chuyển thẳng giá niêm yết của nhà cung cấp với mức tăng giá 0%, cùng với tự động chuyển đổi dự phòng giữa các nhà cung cấp. Sing VL S1 không có trên OrcaRouter và không có nơi lưu trữ nào cả, vì vậy đây không phải là tuyên bố về khả năng sẵn có của nó — đây là cách rẻ nhất để tìm hiểu xem đầu ra xác suất có vượt trội hơn mặt nạ trên nhãn của chính bạn hay không, trước khi bạn chi một GPU cho một checkpoint mà các điều khoản còn bỏ trống.

WeVisOne-VL-4B bạn chỉ cần tải xuống. Suy cho cùng, sự so sánh chính là thế này: một trong hai là mô hình bạn có thể sử dụng, còn cái kia là mô hình bạn chỉ có thể đọc về.