# WeVisOne-VL: відхилення відсутних об'єктів від 52,6% до 96,4%

> Tencent пропонує одну модель замість детектора, OCR і SAM. Але на PR-Bench вона відхиляє лише 52,6% запитів про відсутні об'єкти, на WeRef-Bench 96,4%.

- Опубліковано: 4 листопада 2026 р. (2026-11-04T10:10:00.129229+00:00)
- Розділ: AI-інструменти
- На основі публікації: [MarkTechPost](https://www.marktechpost.com/2026/11/03/tencent-wevisone-vl-vision-language-model/)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=wevisone-vl-%D0%B2%D1%96%D0%B4%D1%85%D0%B8%D0%BB%D0%B5%D0%BD%D0%BD%D1%8F-%D0%B2%D1%96%D0%B4%D1%81%D1%83%D1%82%D0%BD%D0%B8%D1%85-%D0%BE%D0%B1-%D1%94%D0%BA%D1%82%D1%96%D0%B2-%D0%B2%D1%96%D0%B4-52-6-%D0%B4%D0%BE-96-4

---

WeVisOne-VL від Tencent WeChat Vision, відкрита модель на 2B і 4B параметрів, робить детекцію, OCR, підрахунок об'єктів, сегментацію та alpha matting. Маски й матінги дає декодер на 9,6M параметрів, окремий SAM не потрібен.

Реліз у репозиторії датований жовтнем 2026 року. Чи можна прибрати зв'язку детектора, OCR-рушія й сегментатора, залежить від того, як модель поводиться без шуканого об'єкта в кадрі. Тут цифри двох бенчмарків розходяться майже вдвічі.

## Наскільки надійно WeVisOne-VL відхиляє відсутні об'єкти?

На внутрішньому WeRef-Bench (2 880 запитів) WeVisOne-VL відхиляє **96,4%** запитів про відсутні об'єкти проти 73,0% у порівнюваної моделі, [за даними MarkTechPost](https://www.marktechpost.com/2026/11/03/tencent-wevisone-vl-vision-language-model/). На PR-Bench, за тими самими даними, показник лише 52,6%, тож багато запитів про неіснуючий об'єкт усе одно отримують рамку.

Усі цифри самозвітні: Tencent рахувала їх із жадібним декодуванням і до 1 960 візуальних токенів на зображення. Огляд [в AI Weekly](https://aiweekly.co/alerts/tencent-wevisone-vl-unifies-six-vision-tasks-via-obj-token) зауважує, що в анотації статті немає ні цифр по бенчмарках, ні назв базових моделей. Незалежної перевірки поки немає.

## Де модель найсильніша?

WeVisOne-VL-4B найкраще виглядає на щільній детекції та матингу. На Dense200 вона має 71,3 F1 проти 58,7 у LocateAnything-3B, різниця 12,6 пункту. У матингу з рамкою на P3M-500-NP помилка MAD дорівнює 7,3 проти 15,4 у SAM2-Matting (SAM3), тобто приблизно вдвічі менша (менше краще).

Є й інші результати: 81,8 F1 на RefCOCOg test проти 77,6, лічильник 89,6% проти 82,8% на PixMo-Count, 52,0 F1 на TotalText проти 25,7 у спеціалізованого PP-OCRv5. Молодша модель 2B на матингу показує 6,6 MAD, тобто краще за 4B.

## Що з ліцензією і запуском?

MarkTechPost називає ваги Apache 2.0. Репозиторій Tencent формулює обережніше: [на GitHub](https://github.com/Tencent/WeVisOne-VL/wiki) під Apache 2.0 випущено код, написаний Tencent, а сторонні компоненти зберігають власні ліцензії. Модель побудована на Qwen3-VL, тому перед комерційним використанням варто прочитати ліцензійний файл ваг на Hugging Face.

Запуск іде через пакет wevisone_vl з бекендами Transformers і vLLM у BF16. Вимоги до VRAM Tencent не розкриває. Спільнота запустила GGUF-збірку на RTX 2060 із 6 ГБ, але лише для об'єктних задач.

## Що робити зараз

- Для масок і матінгів беріть Transformers або vLLM: GGUF-збірки масок не видають, бо декодеру потрібні рідні візуальні ознаки.
- Для матингу почніть із 2B: на P3M-500-NP вона має 6,6 MAD проти 7,3 у 4B.
- Не плануйте донавчання найближчим часом: код fine-tuning у списку TODO.

---

Теги: AI, Tencent, WeVisOneVL, комп'ютерний_зір, VLM, OpenSource

Джерело: AiiN — https://aiin.news/article?slug=wevisone-vl-%D0%B2%D1%96%D0%B4%D1%85%D0%B8%D0%BB%D0%B5%D0%BD%D0%BD%D1%8F-%D0%B2%D1%96%D0%B4%D1%81%D1%83%D1%82%D0%BD%D0%B8%D1%85-%D0%BE%D0%B1-%D1%94%D0%BA%D1%82%D1%96%D0%B2-%D0%B2%D1%96%D0%B4-52-6-%D0%B4%D0%BE-96-4. Цитуючи, посилайтесь на канонічний URL.