腾讯微信视觉团队(WeChat Vision)于10月22日在Hugging Face开源统一视觉感知模型WeVisOne-VL,提供2B和4B两个尺寸,基于Qwen3-VL构建,采用Apache 2.0协议。
同一个模型即可完成开放词表目标检测、指代定位、目标计数、指点、OCR,以及指代分割和可提示抠图(alpha matting),定位粒度可从点、框一直到掩码和alpha蒙版。技术上,它通过结构化的下一token预测输出结果,并外接一个约960万参数的轻量像素解码器生成实例级像素输出;训练采用三阶段课程式SFT加混合任务强化学习。对于画面中不存在的目标,模型会返回空结果而不是乱框。
论文《WeVisOne-VL: Unified Visual Perception from Objects to Pixels》(arXiv 2610.31329)10月23日登上Hugging Face每日论文榜第一,目前已获214个点赞。官方称其在30余项基准上取得领先表现(官方自测)。模型页面显示,2B与4B权重均于10月22日凌晨约2:47(太平洋时间)上传。
局限方面,官方说明精细的alpha边缘对图像分辨率、严重遮挡、复杂透明物体和提示词写法较敏感,且目前仅支持单轮图像感知,不支持视频。
信源:https://huggingface.co/tencent/WeVisOne-VL-4B