WeVisOne-VL-2B vs LFM2.5-VL-3B: Một kẻ làm mặt nạ đối đầu với trình đọc màn hình

Hãy đưa cho cả hai mô hình cùng một bức ảnh và cùng một câu — “con chó ở bên trái” — và bạn sẽ nhận lại hai kết quả khác nhau. LFM2.5-VL-3B trả lời bằng một vị trí và, nếu bạn hỏi, một mô tả: một khung bao, một điểm, hoặc một câu ngắn về thứ nó tìm thấy. WeVisOne-VL-2B cũng trả lời bằng một khung bao, và sau đó một bộ giải mã nhỏ biến khung đó thành một alpha matte có viền mềm mà bạn có thể ghép lên một nền mới mà không có quầng quanh phần lông. Một mô hình được xây dựng để đọc giao diện và phản hồi. Mô hình kia được xây dựng để đưa cho bạn pixel.

Sự khác biệt đó chính là toàn bộ phép so sánh, và nó vẫn đứng vững qua mọi bảng đánh giá mà cả hai nhà cung cấp đã công bố. Điều đó cũng giải thích vì sao hai mô hình hiếm khi được đánh giá đối chiếu với nhau: thẻ của Liquid AI không đề cập WeVisOne, bài báo của Tencent không đề cập Liquid, và chưa có bên thứ ba nào chạy chúng song song. Phần tiếp theo là những gì mỗi bản phát hành thực sự ghi nhận chính thức, những con số nào của chúng có thể đặt cạnh nhau để so sánh, và những con số nào không.

Hai bản phát hành, hai lượng bằng chứng rất khác nhau

LFM2.5-VL-3B được Liquid AI công bố vào ngày 11 tháng 8 năm 2026 — trọng số được phát hành trước, thông báo vào ngày hôm sau — và nó ra mắt cùng một bảng đánh giá chuẩn dạng số, một đường cơ sở được nêu tên cho mỗi hàng, và một phần tốc độ được đo trên phần cứng được nêu tên. Đây là mô hình dày đặc 3,12 tỷ tham số: một xương sống ngôn ngữ LFM2.5-2.6B ghép với bộ mã hóa thị giác SigLIP2 NaFlex 400M, ngữ cảnh 32.768 token, từ vựng 128.000 token và mười sáu ngôn ngữ được nêu tên. Giấy phép của nó là LFM Open License v1.0 của chính Liquid, loại giấy phép miễn phí cho mục đích thương mại dưới một ngưỡng doanh thu chứ không phải miễn phí vô điều kiện.

WeVisOne-VL-2B được nhóm WeChat Vision của Tencent công bố vào ngày 22 tháng 10 năm 2026, và thẻ mô hình của nó không có bảng benchmark nào cả — không điểm số, không độ dài ngữ cảnh, không số liệu thông lượng, không yêu cầu phần cứng. Những con số đó có tồn tại, nhưng nằm trong bài báo kèm theo, nơi báo cáo bảy bảng tác vụ trải khắp thứ mà các tác giả mô tả là hơn ba mươi bộ benchmark. Vì vậy, hai bản phát hành không chỉ là những mô hình khác nhau; chúng là những kiểu tài liệu khác nhau. Liquid công bố một bản đặc tả sản phẩm. Tencent công bố một kết quả nghiên cứu và để bảng thông số gần như trống.

Sự bất đối xứng đó có ý nghĩa khi bạn đọc một so sánh như thế này. Các con số của Liquid được tập hợp để đọc dựa trên các đường cơ sở của chính nó. Các con số của Tencent được tập hợp để thắng một bảng học thuật. Không nhà cung cấp nào chọn con số của mình với mô hình kia trong đầu, và đó chính xác là lý do các con số không khớp nhau.

Con số trông như thể so sánh được nhưng thực ra không phải vậy.

Cả hai mô hình đều công bố điểm RefCOCO, và đặt chúng cạnh nhau tạo ra một dòng tít trông gọn gàng: LFM2.5-VL-3B đạt 87.9 so với WeVisOne-VL-2B đạt 79.7. So sánh đó vô nghĩa, và đáng để đi sâu vào lý do, bởi vì sai lầm tương tự đang được mắc phải trong các bảng tính ngay lúc này.

• Liquid báo cáo RefCOCO precision@1 được lấy trung bình trên các split. Đó là một thống kê phát hiện: hộp dự đoán có thứ hạng cao nhất có chồng lấp với hộp ground-truth đủ để được tính là đúng hay không.

• 79,7 của Tencent nằm trên một bảng phân đoạn, và bài báo nêu rõ rằng các số liệu thuộc họ RefCOCO ở đó là IoU tích lũy — tổng phần giao trên tổng phần hợp trên toàn bộ tập đánh giá.

• Bảng phát hiện theo tham chiếu của Tencent hoàn toàn không báo cáo RefCOCO. Bảng đó báo cáo RefCOCOg, trong đó mô hình 2B đạt 77,1 F1 trung bình.

Vậy nên 87.9 và 79.7 đo ba thứ khác nhau trên hai tác vụ khác nhau. Một hộp chỉ vừa chớm chồng lấn với mục tiêu có thể đạt điểm cao trên precision@1 và điểm thấp trên cIoU; một mặt nạ bao phủ tốt một vật thể lớn có thể đạt điểm cao trên cIoU trong khi hộp giới hạn của nó lại thiếu chính xác. Không có phép số học nào dung hòa được chúng.

Cùng một cái bẫy xuất hiện trong OCR. Liquid công bố OCRBench v1 đạt 84,2 và OCRBench v2 English đạt 47,5 — các benchmark chép lại văn bản. Tencent công bố OCR dưới dạng F1 định vị với ngưỡng IoU 0,5: 62,1 trên SROIE, 42,6 trên ICDAR2015, 42,5 trên TotalText, 30,5 trên HierText. Những chỉ số đó đo xem mô hình có tìm thấy và đóng khung được văn bản hay không, chứ không đo xem nó có đọc đúng văn bản hay không. Trích dẫn "84,2 so với 62,1" sẽ là so sánh một bài kiểm tra đọc với một bài kiểm tra chỉ vị trí.

Thực ra thế nào mới là một so sánh công bằng?

Bỏ điểm số đi, hai mô hình sẽ trùng khớp trên những khía cạnh không cần harness:

• Kích thước — khoảng 3,12B tham số dense cho LFM2.5-VL-3B so với khoảng 2B cho WeVisOne-VL-2B, cộng thêm một bộ giải mã 9,5M tham số phải được tải xuống riêng và là bắt buộc để có đầu ra dense.

• Cơ sở — backbone lai LFM2.5-2.6B của chính Liquid so với Qwen3-VL.

• Ngữ cảnh — 32.768 token được công bố trên card so với hoàn toàn không có độ dài ngữ cảnh nào được công bố. Các giai đoạn huấn luyện trong bài báo WeVisOne chạy ở 4.096 và 8.192 token, và suy luận giới hạn mỗi ảnh ở 1.960 token thị giác, nhưng không có điểm nào trong số đó là cửa sổ triển khai.

• Các loại đầu ra — hộp, điểm và văn bản so với hộp, điểm, mặt nạ nhị phân và mặt nạ alpha liên tục.

• Suy luận — LFM2.5-VL-3B cố ý không suy luận, trả lời trực tiếp để giữ độ trễ thấp; WeVisOne cũng không suy luận, nhưng vì một lý do khác: tạo đầu ra có cấu trúc mà không cần chain-of-thought để tối ưu hiệu quả suy luận. Cả hai mô hình đều không "suy nghĩ" trước khi trả lời, và cả hai nhà cung cấp đều không giả vờ điều ngược lại.

• Gọi công cụ — được hỗ trợ và đánh giá chuẩn trên LFM (ToolSandbox 59,5, BFCL v4 32,5), trong khi WeVisOne không công bố khả năng này.

• Ngôn ngữ — mười sáu ngôn ngữ được nêu trên thẻ LFM, so với không được nêu trên thẻ WeVisOne.

{{1}}Giấy phép{{/1}} — LFM Open License v1.0, với ngưỡng doanh thu, so với Apache 2.0 cho mã do Tencent viết.

• Các bản dựng lượng tử hóa — Liquid cung cấp bản xuất GGUF, ONNX và MLX, trong khi Tencent không công bố bản nào.

• Đánh giá độc lập — tính đến thời điểm viết bài, cả hai mô hình đều chưa có mục nào trên Artificial Analysis. Mọi số liệu trong bài viết này, từ cả hai nhà cung cấp, đều do nhà cung cấp tự báo cáo.

Khoảng cách triển khai lớn hơn khoảng cách tham số.

LFM2.5-VL-3B được thiết kế để chạy trên điện thoại và thẻ chứng minh điều đó bằng những con số: dưới 3,3GB bộ nhớ, 20 token mỗi giây trên Galaxy S26 Ultra, 228 token mỗi giây trên Apple M5 Max, 116 trên AMD Ryzen AI Max+ 395, và khoảng 11.000 token đầu ra mỗi giây ở mức đồng thời cao trên một H100. Nó được phát hành ở các định dạng mà runtime tiêu dùng thực sự có thể tải.

WeVisOne-VL-2B không công bố bất kỳ thông tin nào trong số đó. Những gì nó công bố hàm ý một hóa đơn khác. Giai đoạn cuối của bộ giải mã tạo ra alpha matte độ phân giải đầy đủ với stride-1, nghĩa là đầu ra dày đặc có kích thước bằng ảnh đầu vào thay vì một vector kích thước cố định — một chi phí tăng theo độ phân giải, không phải theo số lượng tham số. Đối với một mô hình 2B trên GPU hiện đại thì điều đó là có thể xử lý được. Đối với điện thoại, điều đó hoàn toàn không rõ ràng là có thể xử lý được, và Tencent chưa từng tuyên bố là có.

Hệ quả thực tế là hai mô hình này không cạnh tranh cho cùng một vị trí triển khai. Một mô hình là thành phần bạn có thể đóng gói phát hành bên trong một ứng dụng. Mô hình còn lại là thành phần bạn sẽ chạy trên máy chủ hoặc trên máy trạm, bên cạnh bất kỳ thứ gì khác cần được masking.

Chọn theo loại đầu ra, không phải theo điểm số

Nếu công việc là đọc một màn hình — phân tích luồng thanh toán, tìm nút có nhãn "Continue", trích xuất một bảng từ một tài liệu được chụp ảnh — thì LFM2.5-VL-3B là ứng viên hiển nhiên. Nó đạt ScreenSpot-v2 80,7, DocVQA 91,1, ChartQA 81,3, và điểm ToolSandbox cho thấy nó có thể hành động dựa trên những gì nó thấy chứ không chỉ mô tả. Nó cũng có mức trung bình trên 28 benchmark là 69,4 mà Liquid công bố so với các mô hình anh em được nêu tên, điều này ít nhất cho bạn biết nhà cung cấp nghĩ những mô hình cùng phân khúc của mình trông như thế nào.

Nếu công việc là tách riêng một đối tượng — ảnh cắt sản phẩm, một người trên nền phức tạp, một tiền cảnh có tóc bay lả tả hoặc mép trong suốt — thì LFM2.5-VL-3B không tạo ra đầu ra đó, và có gợi ý thế nào đi nữa cũng không làm được. WeVisOne-VL-2B thì có, và khoảng cách trên các bảng matting là rất lớn: 6,6 độ lệch tuyệt đối trung bình so với 15,4 của SAM2-Matting trên P3M-500-NP, 15,8 so với 23,0 của pipeline Qwen3-VL-8B cộng SAM2 trên tập tách WeRefMat có gợi ý bằng ngôn ngữ.

Có thêm một trường hợp nữa mà WeVisOne có một tuyên bố đáng chú ý: sự vắng mặt. Tencent báo cáo tỷ lệ từ chối 50.2 trên RefCOCOg đối với các truy vấn mà mục tiêu không có trong ảnh, so với 0.5 và 0.6 của hai mô hình grounding chuyên dụng trong cùng bảng. Nếu pipeline của bạn chạy hàng nghìn crop và phần lớn trong số đó không chứa gì bạn quan tâm, một mô hình nói "không có ở đó" một cách đáng tin cậy sẽ giúp bạn tiết kiệm một bộ phân loại ở hạ nguồn. Thẻ của LFM2.5-VL-3B không báo cáo một con số từ chối tương đương, nên không có gì để đặt bên cạnh nó — một khoảng trống trong bằng chứng, không phải một mất mát.

Không điều nào trong số này là lý do để chọn một cái và loại bỏ cái kia, và cũng đáng để nói thật về việc một router phù hợp ở đâu. OrcaRouter không phục vụ cả hai mô hình; cả hai đều không có trong danh mục của chúng tôi, và cả hai đều không được lưu trữ ở bất kỳ đâu mà chúng tôi có thể xác minh, đặc biệt là đối với WeVisOne. Điều chúng tôi cung cấp là toàn bộ ngăn xếp xung quanh: nếu pipeline của bạn dùng một mô hình thị giác được lưu trữ cho phần đọc và một mô hình tự lưu trữ cho phần tạo mặt nạ, thì các lệnh gọi được lưu trữ sẽ đi qua một khóa API duy nhất ở mức giá niêm yết của nhà cung cấp, không có phụ phí, tính năng chuyển đổi dự phòng sẽ chuyển chúng sang nhà cung cấp khác khi một bên bị suy giảm, và DSL định tuyến cho phép bạn đặt cả hai phần phía sau một điểm cuối duy nhất để ứng dụng của bạn không bao giờ biết bên nào đã trả lời.

Điều gì thực sự sẽ giải quyết được chuyện đó

Một bộ khung đánh giá độc lập, được vận hành bởi một người không thuộc bất kỳ nhà cung cấp nào, trên cùng những hình ảnh, báo cáo cả một thống kê phát hiện lẫn một thống kê phân đoạn cho cả hai mô hình. Điều đó không tồn tại. Cho đến khi nó tồn tại, lập trường có thể bảo vệ được là lập trường nhàm chán: các mô hình này trả lời những câu hỏi khác nhau, những con số đã công bố của chúng được đo bằng những công cụ khác nhau, và lựa chọn giữa chúng được quyết định bởi thứ mà mã hạ nguồn của bạn mong đợi nhận được — một câu, hay một mặt nạ.

Nếu bạn chỉ rút ra một điều từ so sánh này, hãy rút ra hình thái của bằng chứng. Liquid AI đưa cho bạn một bảng mà bạn có thể kiểm chứng sai. Tencent đưa cho bạn một bài viết nghiên cứu mà bạn có thể đọc và một thẻ mô hình cho bạn biết, một cách thẳng thắn, những gì mô hình sẽ không làm. Không bên nào đưa cho bạn một con số có thể so sánh với bên kia, và bất kỳ bài viết nào in 87.9 cạnh 79.7 mà thiếu lưu ý đó là đang bán cho bạn một thứ hạng không hề tồn tại.