Equipe WeChat Vision da Tencent lançou WeVisOne-VL, um modelo de linguagem visual aberto nas versões 2B e 4B. O modelo WeVisOne-VL lida com detecção, referência, contagem, apontamento, OCR, segmentação e matte alfa em um único modelo. Saídas de pixel vêm de um decodificador de 9,6 milhões de parâmetros, de modo que não é necessário um SAM separado. Ele também responde "None" quando um objeto pesquisado está ausente. Para desenvolvedores, isso pode substituir um detector, um motor OCR e um segmentador por um único modelo. TL;DR: Tamanho: 2B (2,44B parâmetros) e 4B (4,83B parâmetros) no Hugging Face, com um decodificador de pixel de 9,6M parâmetros. Treinado com até 8.192 tokens de contexto; o comprimento do contexto de implantação não foi divulgado. Executa em: uma única GPU por meio do Transformers ou vLLM em BF16. O pacote também lista dispositivos NPU e CPU. Necessidades de VRAM não foram divulgadas. Um GGUF comunitário executou tarefas de nível de objeto em uma RTX 2060 de 6GB. Desempenho: Supera as linhas de base VLM do mesmo tamanho nas tabelas da Tencent em mais de 30 benchmarks (auto-relatados). Melhor: 71,3 F1 médio no Dense200 de detecção densa, versus 58,7 para LocateAnything-3B. Pior: taxa de rejeição de 52,6% no PR-Bench, então muitas consultas de alvo ausente ainda recebem um caixa. O que é WeVisOne-VL? WeVisOne-VL ("WeChat Vision All-in-One") é um modelo focado em percepção da Tencent, construído sobre o Qwen3-VL. Ele visa localização de alta granularidade em vez de chat aberto. Os usuários escolhem a granularidade de saída: pontos, caixas, máscaras binárias ou matte alfa contínuo. Como WeVisOne-VL funciona? Cada tarefa é tratada como previsão de próximo token estruturado. O modelo adiciona tokens de coordenada a para caixas e pontos normalizadas. Um alvo ausente produz None em vez de uma caixa suposta. Para tarefas de pixel, o modelo emite um token após cada caixa prevista. Seu estado oculto se torna uma consulta para o decodificador de pixel, de acordo com a carta do modelo. O decodificador tem três partes: Adaptador de Recursos Visuais: reutiliza recursos ViT de múltiplos níveis do Qwen3-VL em vez de um segundo codificador de imagem. Guiado por Caixa...
Fonte: MarkTechPost
Publicado em 2026-11-04