SingVL_S1_4B 對比 WeVisOne VL 4B：悄然發布，對上已然完成之作
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 102 tok/s
- orca新Orca: OrcaC2 1.02026-11-0732 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 122 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 229 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百萬 tokens · 39 tok/s
- Orca新OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 97 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 124 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 105 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百萬 tokens · 63 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百萬 tokens · 418 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228智能
騰訊微信視覺團隊於 2026 年 10 月以 Apache 2.0 授權發表了論文、權重、推論套件與示範。那才是完成品發布應有的樣子。inclusionAI 則在 2026 年 11 月 11 日上傳了兩個 safetensors 分片，沒有公告、沒有論文、沒有授權，也沒有託管端點，然後就此收工。WeVisOne VL 4B 與 SingVL_S1_4B 的參數量都大約在 45 億到 50 億之間，兩者都建立在 Qwen 視覺骨幹上，也都關注如何從影像中萃取出比一段文字更精確的內容——而它們正在做這項工作的相反兩半。一個在像素上繪製遮罩。另一個則對你想到要提供給它的答案回傳機率。比較它們，與其說是在比哪個更好，不如說是在探問：一個發布在完成之前究竟值多少。
這兩項能力，平實陳述
WeVisOne-VL-4B——這個名稱是 WeChat Vision All-in-One 的縮寫——將物件層級感知與像素層級感知統一於單一模型中。具體而言，它能執行開放詞彙物件偵測、指代表達定位、物件計數、指向、OCR 定位、指代表達分割，以及可提示的 Alpha 遮罩提取；後者是指針對頭髮或細樹枝之類的目標產生柔和連續的遮罩，因為在這些地方若使用生硬邊界，看起來會不自然。其機制是對專用座標 token 進行結構化下一 token 預測，並搭配一個隨檢查點一併以 mask_decoder.pt 形式提供的 960 萬參數像素解碼器。當查詢的目標不存在時，它會回傳 None；這聽起來微不足道，卻是生產環境 grounding 中最有用的行為。
SingVL_S1_4B 是一個決策模型。它接收一個狀態——文字、JSON、最多四張影像——以及一個具名問題的字典，每個問題都有宣告的類型與候選答案。Choice 回傳每個選項的機率，noul 回傳某個是非敘述成立的機率，score 回傳在二到十個有序等級中每個等級的機率以及期望等級。一次前向傳遞，不生成，不輸出座標。該儲存庫包含一個在 8173 埠運行的 FastAPI 伺服器，於 /v1/systemone 提供回應，而模型卡完全以該協定的詞彙撰寫。
所以分工很明確。WeVisOne 告訴你物體在哪裡、是什麼形狀。SingVL_S1_4B 告訴你該物體就是你猜想之物的可能性有多高。需要從照片中把人抠出來的流程，用不到針對三個選項的機率；而需要判斷影像是否通過政策門檻的流程，則用不到遮罩。
打磨後的發行版在自己的卡片上放了什麼
WeVisOne-VL-4B 的主表將其與各基準測試中最強的開源基線進行比較，這些基線取自最高 9B 的 Qwen3-VL 與 Qwen3.5、Rex-Omni、LocateAnything，以及任務專用的分割與去背模型。支撐論點的資料列如下：
• LVIS 偵測 — F1 平均值 55.3，相較於基準 50.7。
• Dense200 密集偵測 — 71.3 對比 58.7。
• RefCOCOg 測試指稱任務 — F1 平均值 81.8，相較於 77.6。
• WeRef-Bench 拒絕率——96.4 對 73.0，這是對生產環境的事實依據而言最重要的一列。
• PixMo-Count 計數準確率 — 89.6 對 82.8。
• TotalText OCR — F1 平均值為 52.0，相較於 43.3。
• ReasonSeg 指稱分割 — gIoU 71.2，相較於 65.0。
• P3M-500-NP 盒式去背 — MAD 7.3 對 15.4，數值越低越好。
• WeRefMat 文字去背 — MAD 9.8，相較於 22.4。
那些是廠商在其評估流程上得到的廠商數據，以貪婪解碼執行，每張影像最多 1,960 個視覺 token，並與廠商自行選定的基準比較。誠實的解讀是：這些數據證明模型可行，也大致顯示它在各項任務上相對於最強開放替代方案的位置——而不是說差距精確無誤。拒答率那一列在精神上最可信，因為 96.4 對 73.0 的差距大到測試框架的細節不太可能解釋得了，而拒答不存在的目標正是會毀掉生產環境中接地系統的失效模式。
還有一個 2B 變體，擁有自己的欄位，這很有用：在 RefCOCOg 測試上為 78.2，在拒答上為 50.2，在密集偵測那一列為 62.9。廠商把小模型較弱的數字放在大模型較強的數字旁邊，這種揭露方式暗示這張表不是為了發布貼文而整理的。
靜默發行在自己的卡片上放了什麼
SingVL_S1_4B 發布「Public Decision Index 0.3」表格：文字 69.76、視覺 73.94，相較於 TypeSafe Jev 1.14 的文字 60.70、StartLux-Decision v1.1 4B 的 67.8 與 67.90，以及 Perplexity Decider Flash v1.2 的 60.1 與 72.5。視覺彙總分數背後的細項，從 InfographicVQA 的 96.31 與 Winoground 的 93.12，一路降到 MMMU-Pro vision 的 50.17 與 R-Bench-M 的 49.77。
那些數字有三個問題，而 WeVisOne 的沒有。它們已是兩天前的資料。它們所在的排行榜，其評分套件是公開的，但私密的那一半不是；這些數字由一個尚未向公開重現套件提交過執行的實驗室所產出——儘管該卡片確實包含提交一份的說明。而且該儲存庫沒有授權條款，這意味著數字並不是採用的約束條件；文書作業才是。
這張卡真正無可爭辯地確立的是介面：單次前向傳遞即可得出每個問題、每個選項的機率，且協定內部以 SHA-256 雜湊隨附於 config.json，讓一次執行能對照產生它的程式碼來驗證。這是實實在在的工程決策，也是這次發布中最可信的一點。
誠實的計分板只有一列共用的列，而它是空的。
這兩個模型沒有共同的基準測試。WeVisOne 在 IoU 閾值下測量 F1、gIoU，以及在 matte 上的平均絕對差。SingVL_S1_4B 則測量在選項集上的機會校正準確率。沒有任何一列是對兩者進行相同測量所得的結果，而要建構這樣一列，就得讓兩者在同一份資料上執行——但沒有人這麼做，因為其中一個檢查點才剛發布兩天。
可比較的是證據的形態。WeVisOne 的發布內容包括 arXiv 上的技術報告、專案頁面、附有評估流程的 GitHub 儲存庫、一份操作指南、兩個示範空間，以及第三方可依循的重現說明。SingVL_S1_4B 的發布內容則包括模型卡和一個推論資料夾。前者讓局外人得以查核其主張；後者則要求局外人信任這些主張。
授權，其決定性勝過任一基準。
WeVisOne-VL-4B 採用 Apache 2.0 授權。此授權涵蓋 Tencent 撰寫的程式碼與權重，第三方元件則維持其自身條款；這也是為什麼在發布後兩週內，已有 GGUF 量化版本、ComfyUI 節點、適用於 Rockchip NPU 的 GGUF 建置，以及一套中文整合套件在流通。再散布是獲准的，所以再散布便發生了。
SingVL_S1_4B 在其中介資料中未宣告任何授權條款，也未隨附 LICENSE 檔案。inclusionAI 在其他發布版本中都使用了明確的授權條款——LemonDecider 採用 Apache 2.0，SingProbe 模型採用 Qwen 的社群授權條款——因此這個缺口看起來像是未完成的上傳。但「看起來像是疏忽」並不是授權條款，而合規審查不能因為發布者大概有意採取寬鬆授權，就核准一個模型。
對任何其答案會影響{{1}}「我們能發布這個嗎」{{/1}}這個問題的人來說，比較到此為止。WeVisOne 可以發布；SingVL_S1_4B 還不行。其餘的一切，都只是在討論兩個模型之間的能力，而目前只有其中一個模型可供使用，才讓這場討論具有意義。
哪一個適合哪一條管線
• 從影像中裁切出某物 — WeVisOne-VL-4B，而且差距不小，因為 SingVL_S1_4B 完全沒有分割輸出。
• 在擁擠畫面中計算物件——WeVisOne-VL-4B。它在密集偵測列上達到 57.1，而最佳基準為 47.9，且計數是核心任務，而非提示誘發的行為。
• 知道目標不存在——WeVisOne-VL-4B，憑藉拒絕列與明確的 None 回傳。這正是區分展示與系統的能力。
• 用置信度來決定是否執行昂貴呼叫——前提是你能託管 SingVL_S1_4B，且授權能到位，這就是它的形態。每個選項一個機率，正是閾值所需要的。
• 依固定分類法進行分類——原則上可用 SingVL_S1_4B；其選擇與分數類型可直接對應到分類法，而生成式模型則必須被約束回其中一種分類法。
• 讀取頁面並同時取得欄位及其位置——WeVisOne-VL-4B，它在同一趟處理中同時進行 OCR 與定位，與偵測一起完成。
• 本月任何商業部署的項目——WeVisOne-VL-4B，單就授權而言。
還有一列不屬於任何一方：如果你需要的是對圖像內容的文字說明，這兩個模型都是錯誤的工具。WeVisOne 回傳結構化感知，SingVL_S1_4B 回傳機率；兩者都不會寫出一段文字。
這場比較教會我們的是關於市場，而非模型的事。
有趣的地方不在於某一個模型更好，而在於兩個規模相當的實驗室在同一季度各自發布了 40 億至 50 億參數的視覺模型，卻以完全不同的方式對待這次發布。Tencent 交出了論文、附有明確標示參數量的解碼器檢查點、評估流程、授權條款和專案頁面，生態系在兩週內就做出了量化模型與整合。inclusionAI 交出了權重、推論腳本和基準測試表，而在授權條款出現之前，生態系完全無法碰觸其中任何一項。
兩種策略都合理。低調釋出讓實驗室能在沒有發布敘事的情況下推出檢查點，而這裡的模型卡確實寫得很好——API 範例可以執行，題型附有演算過程的文件說明，設定檔也附上雜湊值，讓驗證成為可能。但沒有授權條款的檢查點是展示品，不是產品，而這個差異正好出現在這個比較不斷回到的地方：作者以外的人能否在其基礎上繼續建構。
如果你想在書面文件到來之前先測試這個決策模式，這個模式本身是可以呼叫的。OrcaRouter 以每百萬輸入 token 0.042 美元的價格提供 TypeSafe Jev 1.14，同時搭配單一金鑰下的 200 多個模型，以 0% 加價原樣傳遞供應商定價，並在各供應商間自動容錯移轉。Sing VL S1 不在 OrcaRouter 上，在任何地方也都沒有託管據點，所以這並非對它的可用性聲明——這是最便宜的方式，讓你在為條款空白的檢查點花上 GPU 之前，先弄清楚機率輸出是否能勝過你自己標籤上的遮罩。
WeVisOne-VL-4B 你可以直接下載。說到底，比較的就是這個：其中一個是你能實際使用的模型，另一個則是你只能讀到相關介紹的模型。
