Tencent випустила WeVisOne-VL для об’єднання завдань комп’ютерного зору

Команда WeChat Vision компанії Tencent випустила WeVisOne-VL — візуально-мовну модель з ліцензією Apache 2.0 у версіях 2B і 4B. Вона поєднує виявлення об’єктів, пошук за описом, підрахунок, вказування, OCR, сегментацію та альфа-матинг. Піксельні результати створює декодер на 9.6M параметрів, тому окрема модель SAM не потрібна. Якщо запитаний об’єкт відсутній, система може повернути None замість помилкової рамки.

WeVisOne-VL побудована на Qwen3-VL і призначена для детальної локалізації, а не для відкритого діалогу. Для точок і рамок модель використовує нормалізовані координатні токени, а для піксельних завдань — спеціальний токен об’єкта, стан якого передається декодеру. Навчання охопило понад 100M зображень і близько 3.6B рамок, після чого відбулися три етапи supervised fine-tuning та фінальний етап GRPO.

За даними Tencent, версія 4B показала 71.3 F1 на Dense200, 81.8 F1 на RefCOCOg test, 52.0 F1 на TotalText і 71.2 gIoU на ReasonSeg. Це самостійно заявлені результати. Ваги доступні через Hugging Face, запуск підтримують Transformers і vLLM у BF16; код для донавчання поки не оприлюднено.