WeVisOne-VL 论文上线 arXiv:统一物体到像素的视觉感知
lmoroney · x · 2026-10-26
WeVisOne-VL 论文(arXiv:2610.31329)详情:现有 VLM 在细粒度视觉感知上不可靠,该工作通过结构化 next-token prediction 统一物体级与像素级感知,支持检测、指代定位、计数、OCR、分割与 matting,定位粒度可从点、框到 mask 和 alpha matting。
- 架构:通过特殊 <OBJ> token 将轻量像素解码器接入 VLM,生成实例级像素输出
- 训练:三阶段课程 SFT 后接混合任务 RL
- 结果:在 30+ benchmark 上物体级与像素级任务均领先,并对目标缺失查询保持稳健拒绝
- 模型已开源,目标是让 VLM 从广泛理解走向可实际部署的可靠感知系统
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
- 让纯文本 LLM 用字符画物体：5 个无视觉模型实测 — gabriberton · 2026-10-26
- 日本将组建 AI 模拟网络攻击团队，AI 防御成常态 — evijit · 2026-10-26
- Anthropic工程师确认Claude Code缓存命中率已高，缓存节省落地 — teortaxesTex · 2026-10-26
- 20分钟微调的2015年CNN诊断皮肤病变，准确率62%碾压GPT-6与Claude — lmoroney · 2026-10-26
- 「从没见过 Claude 这么开心」：社区猜测 Opus 4.5 临近发布 — adonis_singh · 2026-10-26
- 「自 GPT-3 起就说不安全」：中国开源模型反超 OpenAI 旗舰引群嘲 — alejandroll10 · 2026-10-26