Molmo2-4B 与 WeVisOne-VL-4B：点、掩码，以及没人会先问的那个问题

让两个模型都去找那只狗，你会分别得到各自的答案。Molmo2-4B 返回一个坐标。WeVisOne-VL-4B 返回一个边界框；如果你要求蒙版，它还会返回一个全分辨率 Alpha 通道，连毛发都保留着。这是三种不同的产物，却共用“grounding”同一个词——你需要哪一种，早在任何基准测试之前就决定了这场比较。Molmo2-4B 是 Allen Institute for AI 的 4.85B 通用视觉语言模型，具有点输出和真实的视频处理路径。WeVisOne-VL-4B 是腾讯微信视觉团队的 4.83B 感知模型，它将检测、指代定位、计数、指向、OCR、指代分割和可提示 Alpha 抠像统一在一个检查点加一个 9.6M 参数的像素解码器之后。感知流水线很少只停留在一个模型上。0% 加价定价提供商的标价原样传递，因此供应商降价当天就会生效。

两者都不新。Molmo2-4B 于 2025 年 12 月 11 日公布，其权重于 12 月 14 日上线。WeVisOne-VL-4B 的仓库于 2026 年 10 月 22 日出现，并附有一篇 arXiv 论文，编号 2610.31329。Molmo 方面近期的变化属于基础设施层面，而非模型本身：原生 Transformers 支持于 10 月 9 日合并，并于 10 月 15 日随 v5.20.0 发布；Ai2 于 11 月 5 日发布了 Molmo2-4B 的机器人微调版本。如果你一直在等待无需远程代码即可运行它，这会很有用。这不是一次发布，也不是将其称为首发的理由。

输出契约就是整个决策

• Molmo2-4B —— 一个点，以图像宽度和高度的 0–1000 范围表示，包裹在带有已发布正则表达式的标签中；在视频模式下，每个点都带有一个时间戳，而多图像指向会扁平化为帧索引、x、y 三元组。

• WeVisOne-VL-4B —— 由任务参数选择输出框、点、掩码或 alpha 遮罩；密集任务会在每个框之后输出一个实例 token，像素解码器再将其转换为掩码和遮罩。

• 指向是两者都会产生的唯一输出，也是唯一可以进行公平比较的地方。

• {{1}}Molmo2-4B{{/1}} 没有分割头，无法生成遮罩。{{2}}WeVisOne-VL-4B{{/2}} 没有视频通路：其自身文档说明，视频网格会被像素解码器拒绝。

• Molmo2-4B 具备单轮处理能力，但原生支持多图；WeVisOne-VL-4B 面向单轮图像感知，并明确跳过思维链以降低延迟。

第四行基本终结了大部分争论。如果你的流水线需要 alpha 通道——合成、产品抠图、背景替换，以及任何发丝边缘至关重要的场景——那么 Molmo2-4B 不是候选，从来都不是。如果你的流水线需要在 384 帧视频中跟踪一个对象，WeVisOne-VL-4B 就无法进入比较。本文余下部分讨论的是两者都可行的狭窄区间。

两者都是“4B”，但两者都不完全是那样

• 参数规模——Molmo2-4B 为 4,850,869,200；WeVisOne-VL-4B 为 4,830,581,248。两者相差在 0.4% 以内，正是这一偶然因素让这场对比变得有趣。

• 架构——Molmo2-4B 采用 SigLIP 2 so400m 加 Qwen3-4B-Instruct-2507；WeVisOne-VL-4B 采用 Qwen3-VL 主干网络，外加一个独立的 9.6M 参数掩码解码器。

• 下载 — Molmo2-4B 的 19.42 GB float32 safetensors，分为四个分片；WeVisOne-VL-4B 约 9.7 GB 的 bfloat16 权重，其中包含必需的 mask_decoder.pt。

• 上下文——Molmo2-4B 为 36,864 个位置；262,144 个 token 的预算并非 WeVisOne 的运行约束，因为 WeVisOne 每张图像最多评估 1,960 个视觉 token。

• 许可证——两者均为 Apache 2.0，Molmo2-4B 的模型卡补充说明其训练数据仅限学术和非商业研究使用。

• 运行时 — 对于 Molmo2-4B，使用带远程代码的 Transformers（或自 v5.20.0 起的原生支持），外加 molmo_utils 和 decord2；对于 WeVisOne-VL-4B，使用腾讯自有的推理包，后端可选 transformers 或 vLLM。

下载这一行才是实际上的意外之处。Molmo2-4B 在磁盘上的体积是两倍，尽管参数量相同，因为 AI2 以 float32 发布，而腾讯以 bfloat16 发布。一个 19.42 GB 的下载，你拿到后立刻降精度转换，与一个 9.7 GB、按原样直接提供的下载，并不是同一个东西；而且只有后者才能在一台机器上与其他一批模型一起舒适地共存。

数字从何而来，又止于何处

两个模型都没有独立的评分板，因此以下所有内容均为厂商自行报告。两家厂商选择的基准测试集几乎完全不重叠，这正是为什么人们总是把这项比较做得如此糟糕。

WeVisOne-VL-4B，来自技术报告：Dense200 71.3，LVIS 55.3，RefCOCOg 测试 81.8，ReasonSeg 验证集 cIoU 71.2，PointBench 71.9，Ref-ZOM 测试 cIoU 72.2，TotalText F1 52.0。在抠图方面，P3M-500-NP 框提示的 MAD 为 7.3，WeRefMat 文本提示的 MAD 为 9.8——数值越低越好，且两者均优于论文所对比的 SAM2-Matting 基线。

Molmo2-4B，根据其模型卡：在15项学术基准上平均得分为62.8，落后于同系列8B版本的63.1，领先于Qwen3-VL-4B的58.1、InternVL3.5-4B的53.4和GLM-4.1V-9B的56.9；在同一张表中，Gemini 3 Pro为70.0，GPT-5为70.6。

那些行中没有一行是共用的。唯一能让两者同时出现在同一评估中的基准是计数，而且即便在那里，数字也来自采用不同协议的不同论文。

WeVisOne 自己论文中令人不安的发现

WeVisOne 表格中最具行动指导意义的信息并不是 4B 的得分，而是 4B 有时会输给自己的 2B 同系列模型。

• 在 4B 上表现更好——Dense200 71.3 对 61.4，LVIS 55.3 对 53.3，RefCOCOg 测试 81.8 对 78.2，ReasonSeg 验证集 cIoU 71.2 对 60.9，PointBench 71.9 对 62.9，WeRefMat MAD 9.8 对 15.8。

• 在 4B 上表现更差——P3M-500-NP 框选抠图 MAD 7.3 对 6.6，PPM-100 6.1 对 5.3，Ref-ZOM 测试 cIoU 72.2 对 73.4。

把第二条要点再读一遍。在普通场景的框提示抠图任务上，多出来的 2.8B 语言模型毫无收益，反而损失了十分之一个 MAD 点，最可能的原因是必需的 9.6M 解码器承担了密集计算工作，而语言模型只负责选择指向哪里。4B 模型则在困难的语言条件任务上体现了其规模价值——指代分割、密集计数、拥挤检测——而在简单任务上则表现平平或略有退步。

所以“选用更大的 WeVisOne”并不是安全的默认做法。先明确任务，再确定检查点。

误报，而没有人对此进行基准测试

两个模型都可能被问及并不存在的东西。它们公开的行为差异显著，而这一行应当让任何构建验证循环的人感到担忧。

WeVisOne 的报告给出了三个拒绝率，它们常被合并成一个数字，但绝不能这样处理：RefCOCOg-Rej 67.4、WeRef-Bench Rej 96.4 和 PR-Bench Rej 52.6。96.4 与 52.6 之间的差距才是关键所在。在内部基准测试中，当查询对象不存在时，模型几乎总能正确拒绝；而在公开的对抗性数据集上，它大约有一半的时候会凭空编造出一个答案。

Molmo2-4B 完全没有公布拒答率。它的模型卡只报告了 15 个基准上的平均值，对弃答行为只字未提。如果你的应用依赖模型说出“不存在”，那么在这组对比中，这一属性在一边是未被测量的，它值得你自建一套测试集，而不是引用某个基准。

每一个的用途

当交付物是区域或像素时，选择 WeVisOne-VL-4B：单张图像上的开放词汇检测、指代分割、可提示抠图、密集 OCR 定位。当任务是简单场景框选抠图时，改用 2B 版本，因为论文指出 4B 在该任务上没有提升。如果涉及视频，则两者都不选，因为像素解码器不接受视频网格。

当交付物是流中的位置时，选择 Molmo2-4B：指向对象、跨帧跟踪它、跨时间统计实例数量、对一组图像进行推理。当有用的产物是坐标加时间戳，而掩码会显得大材小用时，就选它。为 float32 下载和类型转换预留预算。

还有第三种模式，它在生产环境中出现的频率高于两种纯粹选择中的任何一种：两者都运行，因为这些任务是互补的，而不是相互竞争的。对静止帧做一次检测，以及对随后视频做一次指向，是两次具有不同输出形态的调用，而它们之间的管道连接才是昂贵的部分。这种管道连接正是路由层的用途所在——路由 DSL将多个模型组合成一次调用，因此抠图模型与指向模型之间的交接是一项配置，而不是一个服务。WeVisOne-VL-4B 和 Molmo2-4B 都不在 OrcaRouter 目录中；两者都是你自行托管的权重，而诚实的说法是，路由位于它们之上。

一句话的回答

如果你需要像素级输出，这就不是一场比较——WeVisOne-VL-4B 是唯一能生成像素的模型，而且在为 4B 付费之前，你应该先检查它的 2B 同系列模型在你具体的抠图任务上是否胜过它。如果你需要随时间变化的点，这同样不是一场比较——Molmo2-4B 是唯一具备视频路径的模型。只有当任务是“在这张静态图像中找到该物体”时，这场对决才真正成立，而这时决定因素不是准确率，而是弃权：WeVisOne 公布了拒识数据，Molmo2-4B 则没有。