腾讯开源 WeVisOne-VL:一个模型统包检测、OCR、分割与抠图
lmoroney · x · 2026-10-26
腾讯微信视觉团队开源 WeVisOne-VL（2B/4B，Apache 2.0，基于 Qwen3-VL），用单个模型统一物体级与像素级视觉感知：开放词汇检测、指代定位、计数、指向、OCR、指代分割与 alpha 抠图。
- 架构：框和点以坐标 token 输出，一个仅 9.5M 参数的像素解码器将其转成 mask 与全分辨率 matting
- 训练：三阶段课程 SFT + 混合任务 RL，在 30+ 个 benchmark 上取得领先成绩（作者报告）
- 作者最看重细节：目标不在图中时模型会返回 None，可靠地「说不在」对接入 pipeline 更安全
- 限制：目前仅支持图像，精细边缘对分辨率与遮挡仍敏感
作者建议：如果你做 AI 图像合成，光抠图能力就值得一试——拿自己的照片测一测，包含几张目标缺失的，数数它诚实拒绝的比率。
所属事件:腾讯开源 WeVisOne-VL:单模型统一检测、OCR、分割与抠图(3 条相关)→
「模型」频道最新
- 多方实测称 DeepSeek V4.1-Flash-1017 更新后反而变弱 — teortaxesTex · 2026-10-26
- ChatGPT 突然开始每句都喊用户名字，用户直呼发毛 — astralmatrix · 2026-10-26
- 被嘲 Opus 5.5 没产出，Theo 列出一个月狂写 8 个项目回击 — Vjeux · 2026-10-26
- 单卡 5090 求推荐：低拒答本地模型用于逆向与红队 — Live_Drive_6256 · 2026-10-26
- DeepSeek 1017 ckpt 登上 FrontierCS 2,成绩小幅提升 — scaling01 · 2026-10-26
- 开发者吐槽 Claude 隔两天再用就「失忆」乱出错 — ivan_bezdomny · 2026-10-26