تیم بینایی WeChat تنسنت، مدل WeVisOne-VL-4B را به Hugging Face اضافه کرد. این مدل بر پایه Qwen3‑VL ساخته شده و در یک مرحله می‌تواند تشخیص شیء با واژگان باز، شمارش، OCR، بخش‌بندی مبتنی بر ارجاع و استخراج آلفا‌مَت را انجام دهد. مدل به یک رمزگشای پیکسلی سبک با 9.6 M پارامتر مجهز است و با استفاده از توکن‌های مختصاتی ویژه، کادرهای مرزی و ماسک‌ها را ارائه می‌کند. این مدل صرفاً برای پژوهش عرضه شده و برای تصمیم‌گیری‌های خودکارِ پراهمیت در نظر گرفته نشده است.
چرا مهم است
پژوهشگران اکنون می‌توانند برای انجام چندین وظیفه بینایی‌ـ‌زبانی، بدون کنار هم گذاشتن سامانه‌های جداگانه، با یک مدل آزمایش کنند.
