腾讯发布统一视觉感知模型 WeVisOne-VL-2B
AI 总结
腾讯微信视觉团队发布了 20 亿参数的图文到文本模型 WeVisOne-VL-2B，该模型基于 Qwen3-VL 构建，采用 Apache 2.0 许可。模型卡称，其将开放词汇目标检测、指代定位、计数、指向和 OCR 等对象级任务，与指代分割和可提示 Alpha 抠图等像素级任务结合起来。模型卡同时指出，精细 Alpha 边界容易受到图像分辨率、遮挡、透明度和提示词措辞的影响。
深度见解
此次发布将目标检测、视觉定位和像素级分割整合进一个紧凑的视觉语言模型，但供应材料中的能力描述主要来自厂商陈述，尚未见独立验证。
tencent/WeVisOne-VL-2B Image-Text-to-Text • 2B • Updated 3 days ago • 8.82k • 64
license: apache-2.0 pipeline_tag: image-text-to-text library_name: transformers tags:
- vision-language
- object-detection
- referring-expression-comprehension
- object-counting
- point-grounding
- ocr
- referring-expression-segmentation
- image-matting
WeVisOne-VL: Unified Visual Perception from Objects to Pixels
Paper: WeVisOne-VL: Unified Visual Perception from Objects to Pixels | Project Page: WeVisOne-VL