SingVL_S1_4B vs WeVisOne VL 4B：静默发布，对阵成品之作

腾讯的 WeChat Vision 团队于 2026 年 10 月以 Apache 2.0 许可发布了论文、权重、推理包和演示。这才是一个完整发布该有的样子。inclusionAI 于 2026 年 11 月 11 日上传了两个 safetensors 分片，没有公告、没有论文、没有许可证，也没有托管端点，然后就此收工。WeVisOne VL 4B和SingVL_S1_4B都大约有 45 亿到 50 亿参数，都构建在 Q​wen 视觉骨干网络上，都致力于从图像中提取出比一段文字更精确的东西——而它们承担的正是这项任务彼此相反的两半。一个在像素上绘制掩码。另一个则对你想到要提供给它的答案返回一个概率。比较它们，与其说是在判断哪个更好，不如说是在追问：一次发布在完成之前究竟价值几何。

两项能力，不加修饰地陈述

WeVisOne-VL-4B ——该名称是 WeChat Vision All-in-One 的缩写——将对象级感知与像素级感知统一在同一个模型中。具体来说，它执行开放词汇目标检测、指代表达定位、目标计数、指向、OCR 定位、指代分割以及可提示 alpha 抠图；其中可提示 alpha 抠图是指围绕头发或细树枝等对象生成柔和连续掩膜的任务，因为在这类对象周围使用硬边界会显得不自然。其机制是通过专用坐标 token 进行结构化的下一 token 预测，并附带一个 960 万参数的像素解码器，该解码器以 mask_decoder.pt 的形式随检查点一同发布。当查询目标不存在时，它会返回 None；这听起来微不足道，却是生产级视觉定位中最有用的行为。

SingVL_S1_4B 是一个决策模型。它接收一个状态——文本、JSON、最多四张图像——以及一个由命名问题组成的字典，每个问题都声明了类型和候选答案。Choice 返回每个选项的概率，noul 返回一个是/否陈述成立的概率，score 返回跨二到十个有序等级中每个等级的概率以及期望等级。一次前向传播，不生成，不涉及坐标。该仓库包含一个运行在 8173 端口、在 /v1/systemone 上应答的 FastAPI 服务器，且模型卡完全使用该协议的词汇编写。

所以分工很清晰。WeVisOne 告诉你对象在哪里、具有什么形状。SingVL_S1_4B 告诉你该对象有多大可能就是你怀疑的那个东西。需要从照片中抠出人物的流水线，用不上在三个选项上给出的概率；需要判断图像是否达到政策阈值的流水线，也用不上掩码。

精装版本在自己的卡片上放了什么

WeVisOne-VL-4B 的主打表格会将其与每项基准中最强的开源基线进行对比，这些基线取自最高 9B 的 Qwen3-VL 与 Q​wen3.5、Rex-Omni、LocateAnything，以及针对特定任务的分割与抠图模型。真正承载论证的几行是：

• LVIS 检测 — F1 均值 55.3，相比 50.7 的基线。

• Dense200 密集检测 — 71.3 对 58.7。

• RefCOCOg 测试指代 — F1 均值 81.8，对比 77.6。

WeRef-Bench 拒绝率——{{1}}96.4{{/1}} 对比 {{2}}73.0{{/2}}，这是对生产环境 grounding 最关键的一行。

• PixMo-Count 计数准确率 — 89.6 对比 82.8。

• TotalText OCR — F1 均值 52.0，对比 43.3。

• ReasonSeg 指代分割 — gIoU 71.2，对比 65.0。

• P3M-500-NP 箱式抠图——MAD 7.3 对 15.4，越低越好。

• WeRefMat 文本抠图 — MAD 为 9.8，对比 22.4。

这些是厂商在其自身评测流程上得到的厂商数据，采用贪心解码，每张图像最多使用 1,960 个视觉 token，并与厂商选定的基线进行比较。客观地解读，这些数据只能说明该模型确实有效，并大致表明它在每项任务上相对于最强开源替代方案所处的位置，而不能说明差距就是精确的。拒绝率这一行从实质上看最可信，因为 96.4 对 73.0 的差距足够大，评测框架的细节不太可能解释得通；而拒绝不存在的目标，正是会让生产环境中的 grounding 系统失效的故障模式。

还有一个 2B 变体，单独占一列，这很有用：在 RefCOCOg 测试上是 78.2，在拒识上是 50.2，在密集检测那一行是 62.9。厂商把小模型较弱的数字和大模型较强的数字并排公布，这种披露方式说明这张表不是为发布宣传稿拼出来的。

静默发布在自己的卡片上放了什么

SingVL_S1_4B 发布了“Public Decision Index 0.3”表：文本 69.76，视觉 73.94；相比之下，TypeSafe Jev 1.14 为文本 60.70，StartLux-Decision v1.1 4B 为 67.8 和 67.90，Perplexity Decider Flash v1.2 为 60.1 和 72.5。视觉汇总背后的细分成绩从 InfographicVQA 的 96.31 和 Winoground 的 93.12，一直到 MMMU-Pro vision 的 50.17 和 R-Bench-M 的 49.77。

那些数字有三个 WeVisOne 的数字没有的问题。它们是两天前的。它们出现在一个排行榜上，该排行榜的评分套件是公开的，但非公开的那一半不是；这些数字由一个尚未向公开复现套件提交过运行的实验室产出——不过卡片确实包含提交一次运行的说明。而且该仓库没有许可证，这意味着数字并不是采用上的硬性约束；文书手续才是。

这张卡片无可争辩地确立的是接口：单次前向传播即可给出每个问题、每个选项的概率，并且协议内部信息以 SHA-256 哈希形式随附在 config.json 中，因此可以对照生成该次运行的代码来验证这次运行。这是一个真正的工程决策，也是此次发布中最可信的部分。

诚实的记分牌上只有一行共享记录，而这一行是空的。

这两个模型没有共同的基准测试。WeVisOne 在 IoU 阈值上测量 F1、gIoU，以及 matte 上的平均绝对差。SingVL_S1_4B 在选项集上测量经机会校正的准确率。没有任何一行是对两者进行同一测量的结果，而要构造这样一行，就需要在同一数据上运行两者——但没有人这样做过，因为其中一个检查点才发布两天。

可以比较的是证据的形态。WeVisOne 的发布内容包括 arXiv 上的技术报告、项目页面、带有评估流水线的 GitHub 仓库、实操手册、两个演示空间，以及第三方可遵循的复现说明。SingVL_S1_4B 的发布内容包括模型卡和一个推理文件夹。前者让陌生人能够核验其主张；后者则要求陌生人信任其主张。

许可，其决定性超过任何一项基准测试

WeVisOne-VL-4B 采用 Apache 2.0 许可证。该许可涵盖 T​encent 编写的代码和权重，第三方组件则保留其各自条款；这也正是发布后两周内就已经有 GGUF 量化版本、ComfyUI 节点、面向 Rockchip NPU 的 GGUF 构建以及一个中文集成包在流传的原因。允许再分发，所以就发生了再分发。

SingVL_S1_4B 在其元数据中未声明任何许可证，也未随附 LICENSE 文件。inclusionAI 在其其他发布版本中使用了明确的许可证——LemonDecider 采用 Apache 2.0，SingProbe 模型采用 Qwen 的社区许可证——因此这一缺失看起来像是上传尚未完成。但“看起来像是疏忽”并不是许可证，合规审查也不能以发布者很可能本意是采用宽松许可证为由批准一个模型。

对于任何其答案对“我们能否发布这个”至关重要的人来说，比较到此为止。WeVisOne 可以发布；SingVL_S1_4B 还不能。除此之外的一切，都是关于两个模型能力的讨论，而目前只有其中一个可用，才让这种讨论有意义。

哪一个适合哪条流水线

• 从图像中抠出某物——WeVisOne-VL-4B，而且差距很大，因为 SingVL_S1_4B 根本没有分割输出。

• 在拥挤画面中计数物体——WeVisOne-VL-4B。在密集检测这一项上它报告 57.1，而最佳基线为 47.9，并且计数是一项原生任务，而非靠提示词诱导出的行为。

• 知道目标不存在——WeVisOne-VL-4B 凭借拒绝行和显式的 None 返回做到了这一点。正是这种能力将演示与系统区分开来。

• 根据置信度来决定是否发起昂贵的调用——SingVL_S1_4B 的形态，前提是你能托管它并且许可证到位。每个选项一个概率，正是阈值所需要的。

• 基于固定分类体系进行分类——原则上由 SingVL_S1_4B 完成；其选择类型和分数类型可直接映射到分类体系上，而生成式模型则必须被约束回某一分类体系。

• 读取页面并同时获取字段及其位置——WeVisOne-VL-4B，它在同一次处理中完成 OCR 与定位，与检测同步进行。

• 本月任何商业化部署——WeVisOne-VL-4B，仅就许可而言。

还有一行两者皆非：如果你需要的是对图像内容的书面解释，那么这两个模型都是不合适的工具。WeVisOne 返回结构化感知，SingVL_S1_4B 返回概率；两者都不会写段落。

这场比较揭示的是市场，而非模型。

这里有趣的地方不在于某个模型更好，而在于两个规模相当的实验室在同一季度发布了40亿到50亿参数的视觉模型，却以完全不同的方式对待这次发布。Tencent 发布了论文、一个标明参数数量的解码器检查点、一套评估流程、一份许可证和一个项目页面，生态在两周内就构建出了量化版本和集成。inclusionAI 发布了权重、一个推理脚本和一张基准表，而在许可证出现之前，生态无法使用其中的任何内容。

两种策略都合理。静默发布让实验室无需发布叙事就能推出检查点，而这里的模型卡确实写得很好——API 示例可以运行，问题类型配有演算过程并附有文档，配置还附带哈希，使验证成为可能。但没有许可证的检查点只是演示，不是产品；而这一差异恰恰体现在本次比较反复回到的地方：作者之外的人能否在其基础上继续构建。

如果你想在文书到达之前测试这一决策模式，该模式本身是可调用的。OrcaRouter 以每百万输入 token 0.042 美元的价格提供 TypeSafe Jev 1.14，以及单一密钥下的 200 多个模型，按 0% 加价率原样传递供应商标价，并支持跨供应商自动故障转移。Sing VL S1 不在 OrcaRouter 上，且在任何地方都没有托管部署，所以这并不是关于其可用性的声明——这是在你花费 GPU 在条款尚为空白的检查点之前，用你自己的标签查明概率输出是否胜过掩码的最便宜方式。

WeVisOne-VL-4B 你可以直接下载。归根结底，比较就在于：其中一个是你可以使用的模型，另一个则是你只能读到相关介绍的模型。