A Tencent lançou o WeVisOne-VL, um modelo aberto de visão e linguagem, disponível em versões de 2B e 4B de parâmetros, de acordo com a equipa WeChat Vision da empresa. Um único modelo executa a deteção, a designação, a contagem, o apontamento, o reconhecimento de texto (OCR), a segmentação e o recorte fino (alpha matting). As saídas ao nível do pixel são produzidas por um descodificador de 9,6 milhões de parâmetros, sem recurso a um modelo SAM separado.
- A Tencent lança o WeVisOne-VL, um modelo aberto de visão e linguagem com 2B e 4B de parâmetros.
- Um único modelo faz deteção, OCR, segmentação e recorte, e responde «None» quando o objeto está ausente.
- Segundo a Tencent, o modelo 4B supera o LocateAnything-3B em Dense200 e RefCOCOg, mas a taxa de rejeição cai para 52,6% no PR-Bench.
- Os pesos estão no Hugging Face sob licença Apache 2.0, e o código de fine-tuning ainda não foi publicado.
O WeVisOne-VL, cujo nome significa «WeChat Vision All-in-One», é construído sobre o Qwen3-VL. Foi concebido para a localização precisa de elementos numa imagem, em vez de para conversação livre. O utilizador escolhe o tipo de saída desejado: pontos, caixas, máscaras binárias ou matte alpha contínuo. Quando o objeto solicitado está ausente da imagem, o modelo responde «None» em vez de propor uma caixa aleatória.
Funcionamento e treino
Cada tarefa é tratada como uma previsão estruturada do próximo token, ou seja, da próxima unidade de texto ou imagem que o modelo gera. As coordenadas das caixas e dos pontos são expressas por tokens que vão de a . Para as tarefas relacionadas com pixels, o modelo emite um token após cada caixa prevista, cujo estado oculto serve de consulta ao descodificador. Este último inclui um adaptador de características visuais, que reutiliza as características multi-nível do ViT do Qwen3-VL, um descodificador de consultas guiado pelas caixas, composto por 6 blocos de atenção cruzada deformável, e uma cabeça de previsão densa que refina o resultado até uma máscara ou matte em resolução total.
O modelo foi treinado através de um motor de dados orientado por um grafo de conhecimento, que anotou mais de 100 milhões de imagens com cerca de 3,6 mil milhões de caixas. As regiões foram propostas pelo SAM3, Rex-Omni e um detetor interno da Tencent, e depois verificadas pelo Qwen3-VL. O treino inclui três etapas de SFT (ajuste supervisionado) e uma etapa final de GRPO, em 178 000 exemplos filtrados de acordo com a sua incerteza, conforme descrito no artigo de investigação associado.
Desempenhos anunciados e implementação
Todos os números seguintes são fornecidos pela Tencent. Para a versão 4B, o modelo obtém uma pontuação F1 média de 71,3 no Dense200, a deteção densa, contra 58,7 do LocateAnything-3B. No teste RefCOCOg, atinge 81,8 contra 77,6 do LocateAnything-3B. A taxa de rejeição, que mede a capacidade de não propor uma caixa para um objeto ausente, atinge 96,4% no WeRef-Bench, um benchmark interno da Tencent com 2 880 consultas, contra 73,0%. Segundo a fonte, a taxa de rejeição é, no entanto, de 52,6% no PR-Bench, onde muitas consultas sobre alvos ausentes ainda recebem uma caixa.
Os pesos dos modelos 2B e 4B estão disponíveis no Hugging Face, sob licença Apache 2.0. O modelo 2B apresenta 2,44 mil milhões de parâmetros, e o modelo 4B 4,83 mil milhões. Segundo a fonte, a execução é feita numa única GPU, via Transformers ou vLLM, em BF16. Uma versão GGUF da comunidade processou tarefas ao nível do objeto numa placa RTX 2060 de 6 GB. A Tencent também lançou o Mask2Alpha, a ferramenta de anotação de recorte do seu motor de dados. O código de fine-tuning ainda está por vir.
