WeVisOne-VL

WeVisOne-VL (WeChat Vision All-in-One) är en så kallad vision-language-modell, alltså en modell som tar emot en bild och en textfråga. Den är specialiserad på exakt visuell uppfattning snarare än på att prata om bilder. Samma modell kan hitta och rama in föremål, peka ut eller räkna dem, hitta det som en beskrivning syftar på (till exempel "spelaren med nummer 21 på tröjan"), läsa text i bilden (OCR), göra exakta masker och dessutom ta fram mjuka utklipp (så kallad matting) där hår och päls följer med. Om det man frågar efter inte finns i bilden ska modellen svara "None" i stället för att hitta på.

Modellen bygger på Qwen3-VL. Positioner skrivs ut som vanliga tokens (en ruta kostar fyra tokens, en punkt två), och för varje hittat föremål skickas en särskild <OBJ>-token till en liten pixelavkodare på 9,6 miljoner parametrar som ritar masken eller utklippet. Någon separat segmenteringsmodell som SAM behövs inte när modellen körs. Den tränades i tre steg med övervakad träning och sedan förstärkningsinlärning, på omkring 100 miljoner bilder som togs fram med en egen datamotor.

Tencent har släppt två storlekar, 2B och 4B, på Hugging Face tillsammans med kod, en teknisk rapport och en webbdemo. Enligt modellkortet är Tencents egen kod släppt under Apache 2.0, medan tredjepartskomponenter behåller sina egna licenser. Tencent skriver att modellen är tänkt för forskning och inte för att identifiera personer. Den hanterar en bild åt gången och har inte stöd för video i pixelavkodaren.