Tencent выпустила WeVisOne-VL для объединения задач компьютерного зрения

Команда WeChat Vision компании Tencent выпустила WeVisOne-VL — зрительно-языковую модель с лицензией Apache 2.0 в вариантах 2B и 4B. Она объединяет обнаружение объектов, референтный поиск, подсчёт, указание, OCR, сегментацию и альфа-маттинг. За пиксельные результаты отвечает декодер на 9.6M параметров, поэтому отдельная модель SAM не требуется. Если запрошенный объект отсутствует, система может вернуть None, а не построить ошибочную рамку.

WeVisOne-VL создана на базе Qwen3-VL и ориентирована на детальную локализацию, а не на свободный диалог. Для точек и рамок используются нормализованные координатные токены, а для пиксельных задач — специальный токен объекта, состояние которого передаётся декодеру. Обучение проводилось на более чем 100M изображений и примерно 3.6B рамок, затем модель прошла три этапа supervised fine-tuning и финальный этап GRPO.

Согласно данным Tencent, модель 4B получила 71.3 F1 на Dense200, 81.8 F1 на RefCOCOg test, 52.0 F1 на TotalText и 71.2 gIoU на ReasonSeg. Показатели являются заявленными разработчиком. Веса доступны через Hugging Face; запуск поддерживается через Transformers или vLLM в BF16, а код для дообучения пока не опубликован.