El equipo de WeChat Vision de Tencent añadió el modelo WeVisOne-VL-4B a Hugging Face. Basado en Qwen3‑VL, puede detectar objetos con vocabulario abierto, contarlos, realizar OCR, segmentar elementos indicados por referencia y extraer máscaras alfa, todo en un solo paso. El modelo incluye un decodificador de píxeles ligero de 9.6 M de parámetros y usa tokens especiales de coordenadas para generar cuadros delimitadores y máscaras. El lanzamiento está destinado únicamente a la investigación; no está pensado para tomar decisiones autónomas de alto impacto.
Por qué importa
Ahora los investigadores pueden experimentar con un solo modelo para realizar numerosas tareas de visión y lenguaje, sin tener que combinar sistemas distintos.
