Tencent/WeVisOne-VL

WeVisOne-VL 是腾讯微信视觉团队推出的视觉语言模型，可以理解为把检测、分割、抠图等多个视觉任务塞进同一个模型的「全家桶」。你用自然语言提问，它既能给出目标的点、框等对象级定位，也能直接输出像素级的 mask 和带透明通道的 alpha matte，覆盖目标检测、指代定位、计数、指指点点、OCR、指代分割和精细抠图等任务，还内置一个仅 9.6M 参数的轻量像素解码器，不再依赖 SAM。它还有一个实用特性：当图里根本没有你问的目标时，会老实返回空结果而不是胡乱编一个框。在 LVIS 检测、RefCOCOg 指代、ReasonSeg 分割、P3M 抠图等多个基准上，它的 4B 版本都超过了 Qwen3-VL 等开源基线。做多模态感知、图像标注工具链、内容审核或视觉 Agent 的算法和工程人员值得看看，尤其是需要在一个模型里同时搞定定位和精细分割的场景；只做纯文本或后端开发的人关系不大。

Star 趋势

仓库信息