Molmo2-4B 對比 WeVisOne-VL-4B：點、遮罩，以及沒人先問的那個問題

請兩個模型找出那隻狗，你會得到各自的一個答案。Molmo2-4B 回傳一個座標。WeVisOne-VL-4B 回傳一個邊界框，而如果你要求去背遮罩，它會回傳一張保留毛髮細節的全解析度 alpha 通道。這是三種不同的產品，卻都掛著同一個詞——「grounding」——而你需要的是哪一種，早在任何基準測試之前就已決定了這場比較。Molmo2-4B 是來自 Allen Institute for AI 的 4.85B 通用視覺語言模型，輸出為點，並具備真正的影片處理路徑。WeVisOne-VL-4B 是騰訊微信視覺團隊的 4.83B 感知模型，將偵測、指稱定位、計數、指向、OCR、指稱分割與可提示的 alpha 去背，整合在單一檢查點加上一個 9.6M 參數的像素解碼器之後。 感知流程很少只停留在一個模型。 0% 加成定價 供應商的定價會原樣傳遞，因此廠商降價當天就會生效。

兩者都不是新的。Molmo2-4B 於 2025 年 12 月 11 日公布，權重於 12 月 14 日上線。WeVisOne-VL-4B 的儲存庫於 2026 年 10 月 22 日出現，並附上 arXiv 論文 2610.31329。Molmo 這邊近期的變動屬於基礎設施而非模型：原生 Transformers 支援於 10 月 9 日合併，並於 10 月 15 日隨 v5.20.0 發布；Ai2 則於 11 月 5 日發布了 Molmo2-4B 的機器人微調版本。如果你一直在等不必使用遠端程式碼就能執行它，這會很有用。這不是發布，也不是把這件事稱為推出的理由。

輸出契約就是決策的全部

• Molmo2-4B — 一個點，以影像寬度與高度的 0–1000 表示，並包在具有已公布正規表達式的標籤中；在影片模式下，每個點都帶有時間戳記，而多影像指向會展平為影格索引、x、y 三元組。

• WeVisOne-VL-4B — 框、點、遮罩或 Alpha 遮罩，由任務參數選擇；密集任務會在每個框後發出一個實例 token，而像素解碼器會將這些轉換成遮罩與 Alpha 遮罩。

• 指向是雙方都會產生的唯一輸出，而這也是唯一能進行公平比較的地方。

• Molmo2-4B 沒有分割頭，無法產生去背遮罩。WeVisOne-VL-4B 沒有影片路徑：其自身文件指出，影片網格會被像素解碼器拒絕。

• Molmo2-4B 具備單輪能力，但原生支援多圖像；WeVisOne-VL-4B 則針對單輪圖像感知，並為了降低延遲而明確跳過思維鏈。

那第四行就終結了大部分的爭論。如果你的管線需要 alpha 通道——合成、產品去背、背景替換，任何髮絲邊緣要緊的情況——Molmo2-4B 不是候選，也從來不是。如果你的管線需要在 384 幀影片中追蹤一個物件，WeVisOne-VL-4B 無法進入比較。本文其餘部分討論的是兩者都可行的狹窄區間。

兩者都是「4B」，但兩者都不完全是那樣。

• 參數量——Molmo2-4B 為 4,850,869,200；WeVisOne-VL-4B 為 4,830,581,248。兩者相差不到 0.4%，正是這個巧合讓這場對決變得有趣。

架構 — Molmo2-4B 採用 SigLIP 2 so400m 加上 Qwen3-4B-Instruct-2507；WeVisOne-VL-4B 則採用 Qwen3-VL 主幹，外加一個獨立的 9.6M 參數遮罩解碼器。

• 下載 — Molmo2-4B 的 19.42 GB float32 safetensors，分為四個分片；WeVisOne-VL-4B 約 9.7 GB 的 bfloat16 權重，包含必要的 mask_decoder.pt。

• 背景 — Molmo2-4B 有 36,864 個位置；262,144 個 token 的預算並非 WeVisOne 的運作限制，WeVisOne 每張圖片最多以 1,960 個視覺 token 進行評估。

• 授權條款 — 兩者皆採用 Apache 2.0，而 Molmo2-4B 的模型卡補充說明其訓練資料僅限用於學術及非商業研究用途。

• 執行環境 — 使用遠端程式碼的 Transformers（或自 v5.20.0 起原生支援），以及用於 Molmo2-4B 的 molmo_utils 與 decord2；WeVisOne-VL-4B 則使用 Tencent 自家的推論套件，搭配 transformers 或 vLLM 後端。

下載那一列才是實用層面的意外。Molmo2-4B 的磁碟占用體積是兩倍，儘管參數量相同，因為 AI2 以 float32 發布，而 Tencent 以 bfloat16 發布。一個你下載後立刻降精度轉換的 19.42 GB 檔案，與一個你按原樣提供服務的 9.7 GB 下載，並不是同一個東西；而且只有其中一個能輕鬆地與一批其他模型並存在單一機器上。

數字從何而來，又在哪裡止步

兩個模型都沒有獨立的計分板，因此以下所有內容都是廠商自行回報的。兩家廠商選擇了幾乎不相交的基準測試集，這正是為什麼這項比較總是被做得不理想。

WeVisOne-VL-4B，摘自技術報告：Dense200 71.3、LVIS 55.3、RefCOCOg 測試 81.8、ReasonSeg 驗證集 cIoU 71.2、PointBench 71.9、Ref-ZOM 測試 cIoU 72.2、TotalText F1 52.0。在去背方面，P3M-500-NP 的框提示 MAD 為 7.3，WeRefMat 的文字提示 MAD 為 9.8——數值越低越好，且兩者皆優於論文所比較的 SAM2-Matting 基準。

Molmo2-4B，依據其模型卡：在 15 項學術基準測試上平均得分 62.8，落後於同系列的 8B 版本（63.1），但領先 Qwen3-VL-4B 的 58.1、InternVL3.5-4B 的 53.4 以及 GLM-4.1V-9B 的 56.9；同一張表上，Gemini 3 Pro 為 70.0，GPT-5 為 70.6。

那些資料列中沒有任何一列是共用的。唯一會讓兩者同時出現在同一項評估中的基準測試是計數，而且即使在該處，數字也來自採用不同協定的不同論文。

WeVisOne 自家論文中令人不安的發現

WeVisOne 表格中最值得採取行動的，不是 4B 的分數，而是 4B 有時會輸給自家的 2B 兄弟。

在 4B 規模下表現更佳——Dense200 71.3 對 61.4，LVIS 55.3 對 53.3，RefCOCOg 測試 81.8 對 78.2，ReasonSeg 驗證 cIoU 71.2 對 60.9，PointBench 71.9 對 62.9，WeRefMat MAD 9.8 對 15.8。

• 在 4B 上較差 — P3M-500-NP 邊界框摳圖 MAD 7.3 對 6.6，PPM-100 6.1 對 5.3，Ref-ZOM 測試 cIoU 72.2 對 73.4。

把第二個要點再讀一遍。在一般場景、以框提示的摳圖任務上，多出來的 2.8B 語言模型毫無助益，還讓 MAD 少了 0.1 分，最可能的原因是，必要的 9.6M 解碼器在做密集運算，而語言模型只是在選擇要指向哪裡。4B 模型則在困難、以語言為條件的任務上證明其規模有其價值——指稱分割、密集計數、擁擠偵測——而在簡單任務上則輕鬆過關或略微退步。

所以「使用更大的 WeVisOne」並不是安全的預設做法。先為任務命名，再為檢查點命名。

偽陽性，卻沒有人對其進行基準測試

兩個模型都可能被要求提供不存在的東西。它們已公開的行為截然不同，而這一列正是任何在建置驗證迴圈的人都該擔心的地方。

WeVisOne 的報告給出三個經常被合併成單一數字、但絕不應合併的拒絕率：RefCOCOg-Rej 67.4、WeRef-Bench Rej 96.4 與 PR-Bench Rej 52.6。96.4 與 52.6 之間的落差正是關鍵所在。在內部基準測試中，當查詢物件不存在時，模型幾乎總能正確拒答；但在公開對抗集上，它約有一半的時間會編造答案。

Molmo2-4B 完全沒有公布拒答率。它的模型卡只報告 15 個基準測試的平均值，對棄答一事隻字未提。如果你的應用仰賴模型說出「不存在」，那麼在這項比較的其中一方，這便是一項未經測量的特性；它值得你自行建立測試集，而非引用某個基準測試。

每個的用途是什麼

當交付物是一個區域或一個像素時，選用 WeVisOne-VL-4B：單張影像上的開放詞彙偵測、指稱式分割、可提示去背、密集 OCR 定位。若任務是簡單場景的框選去背，則改用 2B 版本，因為論文指出 4B 在那裡沒有改善。若範圍包含影片，兩者都不要選，因為像素解碼器不接受影片網格。

當交付成果是串流中的位置時，就選用 Molmo2-4B：指向物件、跨幀追蹤、隨時間計數實例、對一組影像進行推理。當有用的產物是座標加時間戳，而遮罩會顯得多此一舉時，就選它。要為 float32 下載與轉型預留預算。

在生產環境中，還有第三種模式出現的頻率比任何一種單純選擇都更高：兩者都跑，因為這些任務是互補而非競爭。對靜態影格做一次偵測，以及對其後影片做一次指向，是兩次具有不同輸出形式的呼叫，而它們之間的管線才是昂貴的部分。那套管線正是路由層的用途——路由 DSL會將多個模型組合成一次呼叫，讓去背模型與指向模型之間的交接成為一項設定，而不是一項服務。WeVisOne-VL-4B 與 Molmo2-4B 都不在 OrcaRouter 目錄中；兩者都是你自己託管的權重，而誠實的說法是，路由位於它們之上。

一句話的答案

如果你需要像素，這並不是一場比較——WeVisOne-VL-4B 是唯一能產生像素的模型，而且在為 4B 付費之前，你應該先確認它的 2B 同系列模型是否能在你的特定摳圖任務上勝過它。如果你需要隨時間變化的點，這也不是一場比較——Molmo2-4B 是唯一具備影片路徑的模型。只有當任務是「在這張靜態圖像中找到物體」時，這場對決才真正成立，而此時決定因素不是準確率，而是棄權：WeVisOne 已公布拒絕數據，Molmo2-4B 則完全沒有。