Tencent представи WeVisOne-VL за комбинирани зрителни задачи

Екипът WeChat Vision на Tencent представи WeVisOne-VL — зрително-езиков модел с лиценз Apache 2.0 във версии 2B и 4B. Той обединява откриване на обекти, рефериране, броене, посочване, OCR, сегментация и алфа матинг. Пикселните резултати се генерират от декодер с 9.6M параметра, така че не е необходим отделен SAM. При липсващ търсен обект моделът може да върне None, вместо да предвиди ограничителна рамка.

WeVisOne-VL е изграден върху Qwen3-VL и е насочен към прецизна локализация, а не към свободен разговор. Моделът използва нормализирани координатни токени за точки и рамки, а при пикселни задачи подава специален обектен токен към декодера. Обучението включва над 100M изображения и около 3.6B рамки, последвано от три етапа на supervised fine-tuning и финален GRPO етап.

По данни на Tencent, 4B версията постига 71.3 F1 на Dense200, 81.8 F1 на RefCOCOg test, 52.0 F1 на TotalText и 71.2 gIoU на ReasonSeg. Резултатите са самодекларирани. Теглата са достъпни през Hugging Face и моделът работи с Transformers или vLLM в BF16; код за дообучаване все още няма.