WeVisOne-VL-4B vs LFM2.5-VL-3B: Chuyên gia tách nền đối đầu với tay tốc độ ở biên

Liquid AI công bố một con số tốc độ cho LFM2.5-VL-3B và Tencent không công bố con số nào cho WeVisOne-VL-4B. Sự bất đối xứng đó, hơn bất kỳ dòng benchmark nào, chính là điểm đối đầu. LFM2.5-VL-3B là một mô hình biên 3,1 tỷ tham số được tinh chỉnh để trả lời trong một lượt: 228 token mỗi giây trên Apple M5 Max, 20 token mỗi giây trên Galaxy S26 Ultra, dưới 3,3 GB bộ nhớ, mười sáu ngôn ngữ. WeVisOne-VL-4B là một mô hình tri giác 4,83 tỷ tham số, có thể tiêu tốn tới 1.960 token hình ảnh và một bộ giải mã 9,6 triệu tham số để đưa cho bạn một alpha matte độ phân giải đầy đủ. Một mô hình được xây dựng để đủ nhanh nhằm nằm gọn trong giao diện điện thoại; mô hình kia được xây dựng để xuất ra điểm ảnh. Chúng trùng nhau ở từ "vision" và gần như không trùng ở chỗ nào khác.

Điều đó khiến đây trở thành một phép so sánh đáng để thực hiện một cách cẩn thận, bởi vì phiên bản hiển nhiên của nó — đặt các bảng benchmark cạnh nhau, tuyên bố ai là người thắng cuộc — sẽ sai theo một cách cụ thể và đáng rút ra bài học.

Các bảng benchmark không tương tác với nhau.

Cả hai mô hình đều công bố số liệu referring-expression và cả hai con số trông có vẻ so sánh được. Thực tế thì không phải vậy. LFM2.5-VL-3B báo cáo RefCOCO-avg P@1 là 87.9. WeVisOne-VL-4B báo cáo RefCOCOg test F1 mean là 81.8. Khác cách chia tập dữ liệu, khác thước đo, khác kiểu thất bại: P@1 hỏi liệu hộp được xếp hạng cao nhất có đúng không, còn F1 mean lấy trung bình precision và recall qua các ngưỡng IoU từ 0.5 đến 0.95. Một mô hình có thể thắng ở chỉ số này và thua ở chỉ số kia với cách biệt lớn mà không có kết quả nào đáng ngạc nhiên.

Cái bẫy tương tự cũng nằm trong mọi hàng còn lại. Con số 80,7 của Liquid trên ScreenSpot-v2 đo khả năng định vị phần tử giao diện; Tencent không có con số ScreenSpot nào. Tỷ lệ từ chối 96,4% của Tencent trên WeRef-Bench đo việc mô hình có từ chối trả lời khi đối tượng không có ở đó hay không; Liquid không công bố chỉ số từ chối nào cả. Không nhà cung cấp nào đánh giá mô hình của bên kia, vì vậy không hàng nào trong hai bảng là so sánh trực tiếp.

Điều có thể nói một cách trung thực chỉ mang tính định hướng. LFM2.5-VL-3B là một mô hình tổng quát mạnh ở kích thước của nó — điểm trung bình 69,4 trên 28 benchmark thị giác theo cách tính của chính Liquid, chỉ kém Qwen3.5-4B 0,7 điểm — và bước nhảy ScreenSpot-v2 từ gần bằng không ở thế hệ trước lên 80,7 là mức cải thiện lớn nhất trong bảng của nó. WeVisOne-VL-4B không cạnh tranh trên trục đó. Những điểm mạnh nhất của nó nằm ở phát hiện dày đặc các vật thể nhỏ, khả năng từ chối và đầu ra ở cấp điểm ảnh, không có điểm nào trong số đó được LFM2.5-VL-3B cố gắng thực hiện.

Mỗi mô hình thực chất là gì về mặt vật lý

• Số tham số — WeVisOne-VL-4B 4,83B dense (checkpoint F32) so với LFM2.5-VL-3B 3,12B dense (BF16)

• Nhánh thị giác — backbone Qwen3-VL cùng bộ giải mã điểm ảnh 9.6M so với nền văn bản lai tích chập–chú ý LFM2.5-2.6B cùng bộ mã hóa SigLIP2 NaFlex 400M

• Bộ nhớ — khoảng 19 GB trên ổ đĩa đối với checkpoint F32 4B, so với tổng dung lượng dưới 3.3 GB đối với bản 3B

• Ngữ cảnh — không có số liệu công bố cho WeVisOne-VL-4B so với 32.768 token của LFM2.5-VL-3B

• Ngôn ngữ — không được nêu đối với WeVisOne-VL-4B so với 16 đối với LFM2.5-VL-3B, với bộ từ vựng 128K được xây dựng cho các hệ chữ không phải chữ Latinh

• Các loại đầu ra — hộp, điểm, mặt nạ và alpha matte so với chỉ hộp và văn bản

• Giấy phép — Apache 2.0 cho mã do Tencent viết so với LFM Open License v1.0

• Tốc độ — chưa công bố so với 228 tok/s trên M5 Max, 116 tok/s trên Ryzen AI Max+ 395, 20 tok/s trên Galaxy S26 Ultra

Khoảng cách năng lực thực sự quyết định điều đó

LFM2.5-VL-3B có thể cho bạn biết một người nằm ở đâu trong ảnh. WeVisOne-VL-4B có thể cho bạn biết một người nằm ở đâu, trả về mặt nạ nhị phân cho thực thể đó và trả về một alpha matte liên tục với các cạnh mềm — tóc, lông, vải mỏng, nhòe do chuyển động — ở độ phân giải đầy đủ. Đó là khác biệt về chủng loại, không phải khác biệt về chất lượng. Nếu sản phẩm của bạn cần ghép một chủ thể lên nền mới, tách nền một ảnh sản phẩm hoặc điều khiển việc thay nền trong cuộc gọi video, LFM2.5-VL-3B không có gì để mang lại cho bạn và không lượng kỹ thuật gợi ý nào có thể thay đổi điều đó.

Chạy phép so sánh theo chiều ngược lại thì điều tương tự cũng xảy ra. Nếu sản phẩm của bạn cần tìm một nút trên màn hình điện thoại trong 40 mili giây, WeVisOne-VL-4B hoàn toàn không phù hợp: đây là mô hình 4,83B không có số liệu độ trễ được công bố, không có bản dựng edge lượng tử hóa và bộ giải mã giả định một ảnh mỗi lượt. Liquid phát hành các bản dựng GGUF, MLX, ONNX và native, cùng ngữ cảnh 32K và các benchmark gọi công cụ. Tencent phát hành gói suy luận nghiên cứu và dịch vụ phục vụ vLLM/SGLang.

Sự từ chối là chuyên mục bị xem nhẹ.

Một năng lực trong bảng của Tencent đáng được chú ý ngay cả khi bạn không bao giờ dùng đến matting. Trên WeRef-Bench, WeVisOne-VL-4B từ chối đúng 96,4% truy vấn về các đối tượng không có trong ảnh, so với 73,0% của mô hình cơ sở tốt nhất mà nhóm tác giả liệt kê; trên PR-Bench, tỷ lệ từ chối là 52,6% so với 10,8% của Qwen3-VL-4B. Mô hình trả về None thay vì bịa ra một hộp. Một bộ phát hiện đưa ra kết quả ảo giác còn tệ hơn không có bộ phát hiện nào, vì lỗi đó diễn ra âm thầm và mã hạ nguồn vẫn tin vào nó.

Tài liệu của LFM2.5-VL-3B không báo cáo con số từ chối nào, nên chẳng có gì để so sánh — và đó chính là điểm mấu chốt. Thiếu bằng chứng không phải là thất bại, nhưng nếu bạn đang xây dựng một agent quyết định xem có nên nhấp vào thứ gì đó hay không, thì việc có một tỷ lệ từ chối được đo lường là lý do chính đáng để xem xét mô hình của Tencent trước tiên.

Cấp phép là yếu tố khác biệt âm thầm

Đây là điểm hai bên rẽ hướng theo cách có ý nghĩa với bất kỳ ai đưa sản phẩm ra thị trường thương mại. Trọng số của WeVisOne-VL-4B dùng Apache 2.0 cho mã do Tencent viết, còn các thành phần bên thứ ba giữ điều khoản riêng của chúng. LFM2.5-VL-3B phát hành theo LFM Open License v1.0, miễn phí cho mục đích thương mại dưới một ngưỡng doanh thu và yêu cầu thỏa thuận thương mại khi vượt ngưỡng đó. Nếu bạn là một nhóm nhỏ, khác biệt này chỉ mang tính lý thuyết. Nếu không phải, một trong hai sẽ là một cuộc rà soát pháp lý, còn cái kia chỉ là một dòng trong tệp phụ thuộc.

Cả hai giấy phép đều không cấp cho bạn một dịch vụ được lưu trữ. WeVisOne-VL-4B hoàn toàn không có API; LFM2.5-VL-3B là bản phát hành trọng số, và mọi việc lưu trữ bên thứ ba là một thỏa thuận riêng. Nói rõ điều đó quan trọng hơn trước đây, vì một mô hình không có endpoint đồng nghĩa với cam kết tự sở hữu toàn bộ ngăn xếp suy luận.

OrcaRouter phù hợp ở đâu, và ở đâu thì không

Cả hai mô hình này hiện đều không có trong danh mục của OrcaRouter, nên không có gì ở đây là cách để gọi chúng. Điều nền tảng thực sự cung cấp là quyết định xoay quanh vấn đề đó. Hầu hết các nhóm đang đánh giá một VLM biên 3B không phải đang thay mô hình này bằng mô hình khác — họ đang thêm một mô hình thứ hai bên cạnh mô hình đa dụng đã có trong môi trường sản xuất, và chi phí vận hành của hợp đồng nhà cung cấp thứ hai, khóa thứ hai và chế độ lỗi thứ hai thường giết chết thử nghiệm trước cả khi mô hình làm vậy.

Định tuyến cả hai ý định qua một điểm cuối, với hơn 200 mô hình phía sau một khóa với mức tăng giá 0% so với giá niêm yết của nhà cung cấp, nghĩa là mô hình nhận thức có thể là một quyết định định tuyến thay vì một dự án tích hợp. Nếu mô hình biên không khả dụng, tính năng chuyển đổi dự phòng tự động sẽ gửi yêu cầu đi nơi khác thay vì trả về lỗi 503. Đó là phần mà OrcaRouter thực sự giải quyết ở đây; trọng số và GPU vẫn là của bạn.

Chọn cái nào?

Chọn LFM2.5-VL-3B nếu công việc bị ràng buộc bởi độ trễ và thiên về văn bản: hiểu màn hình, tác nhân UI, OCR tài liệu có bố cục, dịch trên thiết bị, gọi công cụ. Nó nhanh hơn gần như mọi thứ ở cùng kích thước, chạy trong ngân sách bộ nhớ của điện thoại và Liquid đã công bố đủ số liệu để bạn tự kiểm chứng các tuyên bố với khối lượng công việc của riêng mình.

Chọn WeVisOne-VL-4B nếu công việc kết thúc ở mức điểm ảnh. Phân đoạn, tách nền (matting), phát hiện dày đặc các vật thể nhỏ, hoặc bất kỳ pipeline nào mà “mô hình nói không” cần phải là một câu trả lời đáng tin cậy. Hãy chấp nhận rằng bạn là người dùng sớm: chưa có lần chạy benchmark độc lập nào, chưa có endpoint được lưu trữ nào, mã fine-tuning vẫn còn trong danh sách TODO, và bài báo mới có hai ngày.

Điều duy nhất cần tránh là lựa chọn giữa chúng dựa trên một điểm benchmark duy nhất. Chưa ai đo đối chiếu chúng với nhau trên cùng một bộ dữ liệu.