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. 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 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 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.
