أعلنت Tencent عن إطلاق WeVisOne-VL، وهو نموذج مفتوح للرؤية واللغة، متاح بإصدارات ذات 2B و4B معاملات، وفقًا لفريق WeChat Vision التابع للشركة. يقوم نموذج واحد بتنفيذ مهام الكشف، والتسمية، والعد، والتأشير، والتعرف الضوئي على الحروف (OCR)، والتجزئة، واستخراج الخلفية الدقيق (alpha matting). يتم إنتاج المخرجات على مستوى البكسل بواسطة وحدة فك تشفير تحتوي على 9.6 مليون معامل، دون الحاجة إلى نموذج SAM منفصل.
تم بناء WeVisOne-VL، الذي يعني اسمه «WeChat Vision All-in-One»، على أساس Qwen3-VL. وهو مصمم لتحديد العناصر بدقة داخل الصورة بدلاً من المحادثة الحرة. يختار المستخدم نوع المخرجات المطلوبة: نقاط، أو مربعات، أو أقنعة ثنائية، أو قناع ألفا مستمر. عندما يكون الكائن المطلوب غير موجود في الصورة، يجيب النموذج بـ «None» بدلاً من اقتراح مربع عشوائي.
آلية العمل والتدريب
يتم التعامل مع كل مهمة على أنها تنبؤ منظم للـ token التالي، أي الوحدة التالية من النص أو الصورة التي يولدها النموذج. يتم التعبير عن إحداثيات المربعات والنقاط بواسطة tokens تتراوح من إلى . بالنسبة للمهام المتعلقة بالبكسل، يصدر النموذج token بعد كل مربع متوقع، حيث تُستخدم حالته المخفية كاستعلام لوحدة فك التشفير. تتألف الأخيرة من محول للميزات البصرية، يعيد استخدام الميزات متعددة المستويات من ViT الخاص بـ Qwen3-VL، ووحدة فك تشفير للاستعلامات موجهة بالمربعات، مكونة من 6 كتل انتباه تقاطعية قابلة للتشوه، ورأس تنبؤ كثيف يقوم بتنقية النتيجة إلى قناع أو قناع ألفا بالدقة الكاملة.
تم تدريب النموذج باستخدام محرك بيانات مدفوع برسم بياني معرفي، قام بتعليق أكثر من 100 مليون صورة بحوالي 3.6 مليار مربع. تم اقتراح المناطق بواسطة SAM3 وRex-Omni وكاشف داخلي في Tencent، ثم تم التحقق منها بواسطة Qwen3-VL. يتضمن التدريب ثلاث مراحل من SFT (الضبط الخاضع للإشراف) ومرحلة نهائية من GRPO، على 178,000 مثال تمت تصفيتها بناءً على عدم اليقين الخاص بها، كما هو موضح في ورقة البحث المرتبطة.
الأداء المُعلن عنه والتنفيذ
جميع الأرقام التالية مقدمة من Tencent. بالنسبة للإصدار 4B، حقق النموذج متوسط درجة F1 قدره 71.3 على Dense200 (الكشف الكثيف)، مقابل 58.7 لـ LocateAnything-3B. على RefCOCOg test، حقق 81.8 مقابل 77.6 لـ LocateAnything-3B. وصل معدل الرفض، الذي يقيس القدرة على عدم اقتراح مربع لكائن غير موجود، إلى 96.4% على WeRef-Bench، وهو معيار قياسي داخلي لـ Tencent يحتوي على 2,880 استعلامًا، مقابل 73.0%. وفقًا للمصدر، بلغ معدل الرفض 52.6% على PR-Bench، حيث لا تزال العديد من الاستعلامات حول أهداف غير موجودة تتلقى مربعًا.
أوزان النماذج 2B و4B متاحة على Hugging Face، بموجب ترخيص Apache 2.0. يعرض النموذج 2B 2.44 مليار معامل، والنموذج 4B 4.83 مليار معامل. وفقًا للمصدر، يتم التشغيل على وحدة معالجة رسومية واحدة، عبر Transformers أو vLLM، بتنسيق BF16. قام إصدار GGUF مجتمعي بمعالجة المهام على مستوى الكائن على بطاقة RTX 2060 سعة 6 جيجابايت. أصدرت Tencent أيضًا Mask2Alpha، وهي أداة التعليق التوضيحي لاستخراج الخلفية الخاصة بمحرك البيانات الخاص بها. لا يزال كود الضبط الدقيق قيد الانتظار.
