微信视觉团队开源统一视觉感知模型WeVisOne-VL

微信视觉团队发布并开源视觉语言模型 WeVisOne-VL，通过结构化 next-token prediction 统一物体级与像素级感知。模型提供 2B/4B 两个版本，支持目标检测、指代定位、计数、OCR、分割和 matting，可按用户指定粒度输出点、框、mask 和 alpha matting；目标不存在时返回 "None"。 据团队介绍，该模型仅靠 9.6M 参数解码器即可生成精细边缘与连续透明通道，无需 SAM 等重型分割模型辅助。团队称希望通过开源推动视觉语言模型从宽泛的视觉理解走向可用于实际部署的可靠感知系统。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。