Das Vision-Team von WeChat bei Tencent hat das Modell WeVisOne-VL-4B auf Hugging Face veröffentlicht. Es basiert auf Qwen3‑VL und kann Objekte mit offenem Vokabular erkennen und zählen, OCR durchführen, referenzbasierte Segmentierungen vornehmen und Alpha-Matten extrahieren – in einem Schritt. Das Modell enthält einen kompakten Pixel-Decoder mit 9.6 M Parametern und verwendet spezielle Koordinatentokens, um Begrenzungsrahmen und Masken auszugeben. Die Veröffentlichung ist ausschließlich für Forschungszwecke gedacht; das Modell ist nicht für autonome Entscheidungen mit erheblichen Auswirkungen vorgesehen.
Warum es wichtig ist
Forschende können jetzt ein einzelnes Modell für viele Bild- und Sprachaufgaben erproben, statt mehrere Systeme miteinander kombinieren zu müssen.
