Tencent ha publicado WeVisOne-VL, un modelo de visión y lenguaje abierto, disponible en versiones de 2B y 4B parámetros, según el equipo WeChat Vision de la empresa. Un solo modelo asegura la detección, la designación, el conteo, el señalamiento, el reconocimiento de texto (OCR), la segmentación y el recorte fino (alpha matting). Las salidas a nivel de píxel son producidas por un decodificador de 9,6 millones de parámetros, sin recurrir a un modelo SAM separado.
- Tencent publica WeVisOne-VL, un modelo abierto de visión y lenguaje de 2B y 4B parámetros.
- El modelo unifica detección, OCR, segmentación y recorte sin necesitar un SAM separado.
- Responde «None» cuando el objeto no aparece, en lugar de inventar un cuadro.
- Los pesos están en Hugging Face con licencia Apache 2.0 y se ejecutan en una sola GPU.
WeVisOne-VL, cuyo nombre significa «WeChat Vision All-in-One», está construido sobre Qwen3-VL. Está diseñado para la localización fina de elementos en una imagen más que para la conversación libre. El usuario elige el tipo de salida deseado: puntos, cuadros, máscaras binarias o matte alpha continuo. Cuando el objeto buscado está ausente de la imagen, el modelo responde «None» en lugar de proponer un cuadro al azar.
Funcionamiento y entrenamiento
Cada tarea se trata como una predicción estructurada del siguiente token, es decir, de la siguiente unidad de texto o imagen que el modelo genera. Las coordenadas de los cuadros y los puntos se expresan mediante tokens que van de a . Para las tareas relacionadas con los píxeles, el modelo emite un token después de cada cuadro predicho, cuyo estado oculto sirve de consulta al decodificador. Este último comprende un adaptador de características visuales, que reutiliza las características multinivel del ViT de Qwen3-VL, un decodificador de consultas guiado por los cuadros, compuesto por 6 bloques de atención cruzada deformable, y una cabeza de predicción densa que refina el resultado hasta una máscara o un matte en resolución completa.
El modelo fue entrenado gracias a un motor de datos impulsado por un grafo de conocimientos, que anotó más de 100 millones de imágenes con aproximadamente 3.600 millones de cuadros. Las regiones fueron propuestas por SAM3, Rex-Omni y un detector interno de Tencent, luego verificadas por Qwen3-VL. El entrenamiento incluye tres etapas de SFT (ajuste supervisado) y una etapa final de GRPO, sobre 178.000 ejemplos filtrados según su incertidumbre, como describe el artículo de investigación asociado.
Rendimientos anunciados e implementación
Todas las cifras siguientes son proporcionadas por Tencent. Para la versión 4B, el modelo obtiene una puntuación F1 promedio de 71,3 en Dense200, la detección densa, frente a 58,7 para LocateAnything-3B. En RefCOCOg test, alcanza 81,8 frente a 77,6 para LocateAnything-3B. La tasa de rechazo, que mide la capacidad de no proponer un cuadro para un objeto ausente, alcanza el 96,4 % en WeRef-Bench, un benchmark interno de Tencent con 2.880 consultas, frente al 73,0 %. Según la fuente, la tasa de rechazo es en cambio del 52,6 % en PR-Bench, donde muchas consultas sobre objetivos ausentes aún reciben un cuadro.
Los pesos de los modelos 2B y 4B están disponibles en Hugging Face, bajo licencia Apache 2.0. El modelo 2B muestra 2.440 millones de parámetros, y el modelo 4B 4.830 millones. Según la fuente, la ejecución se realiza en una sola GPU, vía Transformers o vLLM, en BF16. Una versión GGUF comunitaria ha procesado tareas a nivel de objeto en una tarjeta RTX 2060 de 6 GB. Tencent también ha publicado Mask2Alpha, la herramienta de anotación de recorte de su motor de datos. El código de fine-tuning está por venir.
