腾讯 WeVisOne-VL 发布：一个模型统一检测、OCR、分割与抠图

腾讯发布 WeVisOne-VL 开源视觉语言模型

据 MarkTechPost 报道，腾讯微信视觉团队发布了开源视觉语言模型 WeVisOne-VL，提供 2B（2.44B 参数）与 4B（4.83B 参数）两个规模，权重已上传至 Hugging Face。该模型把检测、指代、计数、指向、OCR、分割与 alpha 抠图整合到同一个模型中，像素级输出由一个 9.6M 参数的解码器生成，因此不需要额外接入 SAM 类分割模型。模型基于 Qwen3-VL 构建，定位为感知类模型，输出粒度可选点、框、二值掩码或连续 alpha matte。

背景与影响

按照模型卡描述，所有任务都被转化为结构化的下一 token 预测：模型用 <0> 到 <1000> 的坐标 token 表示归一化框与点，目标不存在时输出 None 而非猜测框；像素任务则在每个预测框后输出 <OBJ> token，其隐藏状态作为像素解码器的查询。对开发者而言，这意味着一个模型可能替代检测器、OCR 引擎与分割器的组合。报道称其采用 Apache 2.0 许可，可通过 Transformers 或 vLLM 在单张 GPU 上以 BF16 运行，包内也列出 NPU 与 CPU 设备支持。腾讯同时开源了数据引擎中的抠图标注工具 Mask2Alpha。

限制与来源

报道中的基准成绩均为腾讯自报，采用贪心解码、每图最多 1,960 个视觉 token，例如 4B 模型在 Dense200 上为 71.3 F1、在 TotalText 上为 52.0 F1。报道同时指出，模型在 PR-Bench 上的拒答率为 52.6%，即不少目标缺失的查询仍会给出框。显存需求与部署上下文长度未披露；微调代码仍待补充；GGUF 版本因解码器需要原生视觉特征而无法生成掩码。上述性能与可用性信息尚未获独立验证，具体许可、功能与运行要求请以官方模型卡和代码仓库当前信息为准。