腾讯发布WeVisOne-VL-4B统一视觉感知模型
AI 总结
腾讯微信视觉团队发布了WeVisOne-VL-4B，这是一款基于Qwen3-VL、旨在结合目标级感知与像素级任务的视觉语言模型。腾讯模型卡列出的能力包括开放词汇目标检测、指代定位、目标计数、目标指向、OCR定位、指代分割和可提示式透明度抠图。此次发布包括推理包和一个必需的960万参数像素解码器。腾讯称，精细的透明度边界容易受到图像分辨率、严重遮挡、复杂透明度和提示措辞的影响，该模型目前面向单轮图像感知。除非另有说明，腾讯编写的代码采用Apache License 2.0许可；第三方组件仍保留其原有许可和版权声明。
深度见解
此次发布提供了一个面向研究的模型、推理包和像素解码器实现，将视觉定位与密集预测、可提示式透明度抠图结合起来。所列能力及局限均来自腾讯模型卡，提供的报告未对其进行独立验证。
tencent/WeVisOne-VL-4B Image-Text-to-Text • 5B • Updated 4 days ago • 8.11k • 89
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
#Tencent#WeChat Vision#WeVisOne-VL-4B#Qwen3-VL#Apache-2.0#Transformers