数据源与状态仍在导航菜单中
huggingface.co·2026/10/22·tencent
WeVisOne-VL-4B是腾讯微信视觉团队基于Qwen3-VL的统一视觉-语言模型，用结构化下一词元预测统一开放词汇检测、指代定位、计数、点选、OCR，并以9.6M参数像素解码器输出指代分割与可提示alpha抠图。模型用坐标token表示归一化框点，缺失目标返回None，密集预测经<OBJ>实例token和框引导解码器生成全分辨率连续alpha。安装GitHub推理包后可用WeVisOneVL调用predict，按任务与查询执行抠图。官方称面向视觉定位等研究，不用于高影响决策或个人识别；细边界受分辨率、遮挡、复杂透明和提示措辞影响，仅单轮图像、无显式思维链、拒绝视频网格，代码按Apache许可且第三方组件保留原许可。
为什么重要 给视觉 grounding 与 matting 提供统一模型与 Python 调用，适合快速评估多模态感知管线。适合 做视觉 grounding、分割抠图与多模态工具的工程师
解码器参数
mask_decoder.pt
实例token
<OBJ> token ID
解码层数
deformable blocks
示例温度
predict temperature
注释 · 这些参数来自架构与调用示例。出自 Architecture
$ from PIL import Imagefrom wevisone_vl import WeVisOneVL
$ WeVisOneVL("tencent/WeVisOne-VL-4B", device="auto", dtype="bfloat16")
$ image = Image.open("example.jpg").convert("RGB")
$ model.predict(image, task="matting", query="person", temperature=0.0)
EVIDENCE / METHODS
判断
术语解释腾讯微信视觉团队开发的统一视觉语言模型，覆盖对象级与像素级感知。 将对象与像素级感知统一到同一模型
官方称模型基于 Qwen3-VL，通过结构化 next-token prediction 与轻量 mask_decoder.pt，支持检测、定位、计数、pointing、OCR、指代分割与 术语解释用查询词指定目标并触发分割或抠图输出的交互方式。 术语解释生成连续透明度遮罩的像素级任务，原文称 promptable alpha matting。。
注释 · 这是模型卡自述定位。出自 首段