Tencent ha rilasciato WeVisOne-VL, un modello open di visione e linguaggio, disponibile in versioni da 2B e 4B di parametri, secondo il team WeChat Vision dell’azienda. Un unico modello assicura rilevamento, designazione, conteggio, puntamento, riconoscimento del testo (OCR), segmentazione e ritaglio fine (alpha matting). Le uscite a livello di pixel sono prodotte da un decodificatore da 9,6 milioni di parametri, senza ricorrere a un modello SAM separato.
- Tencent ha rilasciato WeVisOne-VL, un modello aperto di visione e linguaggio da 2B e 4B di parametri.
- Un unico modello gestisce rilevamento, conteggio, OCR, segmentazione e ritaglio fine, senza ricorrere a un SAM separato.
- Il modello, costruito su Qwen3-VL, è stato addestrato su oltre 100 milioni di immagini annotate.
- Secondo Tencent, la versione 4B supera LocateAnything-3B, e i pesi sono disponibili su Hugging Face con licenza Apache 2.0.
WeVisOne-VL, il cui nome significa «WeChat Vision All-in-One», è costruito su Qwen3-VL. È concepito per la localizzazione fine di elementi in un’immagine piuttosto che per la conversazione libera. L’utente sceglie il tipo di uscita desiderato: punti, riquadri, maschere binarie o matte alpha continuo. Quando l’oggetto cercato è assente dall’immagine, il modello risponde «None» invece di proporre un riquadro a caso.
Funzionamento e addestramento
Ogni compito è trattato come una previsione strutturata del prossimo token, cioè della prossima unità di testo o immagine che il modello genera. Le coordinate dei riquadri e dei punti sono espresse da token che vanno da a . Per i compiti legati ai pixel, il modello emette un token dopo ogni riquadro previsto, il cui stato nascosto serve da query al decodificatore. Quest’ultimo comprende un adattatore di caratteristiche visive, che riutilizza le caratteristiche multi-livello del ViT di Qwen3-VL, un decodificatore di query guidato dai riquadri, composto da 6 blocchi di attenzione incrociata deformabile, e una testa di previsione densa che affina il risultato fino a una maschera o un matte in piena risoluzione.
Il modello è stato addestrato grazie a un motore di dati pilotato da un grafo di conoscenze, che ha annotato oltre 100 milioni di immagini con circa 3,6 miliardi di riquadri. Le regioni sono state proposte da SAM3, Rex-Omni e un rilevatore interno a Tencent, poi verificate da Qwen3-VL. L’addestramento comprende tre fasi di SFT (adattamento supervisionato) e una fase finale di GRPO, su 178.000 esempi filtrati secondo la loro incertezza, come descritto nell’articolo di ricerca associato.
Prestazioni annunciate e implementazione
Tutte le cifre seguenti sono fornite da Tencent. Per la versione 4B, il modello ottiene un punteggio F1 medio di 71,3 su Dense200, il rilevamento denso, contro 58,7 per LocateAnything-3B. Su RefCOCOg test, raggiunge 81,8 contro 77,6 per LocateAnything-3B. Il tasso di rifiuto, che misura la capacità di non proporre un riquadro per un oggetto assente, raggiunge il 96,4% su WeRef-Bench, un benchmark interno di Tencent che conta 2.880 query, contro il 73,0%. Secondo la fonte, il tasso di rifiuto è invece del 52,6% su PR-Bench, dove molte query su target assenti ricevono ancora un riquadro.
I pesi dei modelli 2B e 4B sono disponibili su Hugging Face, sotto licenza Apache 2.0. Il modello 2B mostra 2,44 miliardi di parametri, e il modello 4B 4,83 miliardi. Secondo la fonte, l’esecuzione avviene su una singola GPU, via Transformers o vLLM, in BF16. Una versione GGUF comunitaria ha elaborato compiti a livello di oggetto su una scheda RTX 2060 da 6 GB. Tencent ha anche pubblicato Mask2Alpha, lo strumento di annotazione di ritaglio del suo motore di dati. Il codice per il fine-tuning resta da venire.
