# انتشار مدل بینایی‌ـ‌زبانی WeVisOne-VL-4B تنسنت در Hugging Face

> مدل جدید ۴ میلیاردپارامتری با یک دستور، اشیا را تشخیص می‌دهد و بخش‌بندی و مات‌سازی تصویر را انجام می‌دهد.

Oossa · 2026-10-23 · https://oossa.com/fa/tencent-releases-wevisone-vl-4b-vision-language-model-on-hugging-face

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.

## حقایق

- اندازه مدل: ۴ میلیارد پارامتر، به‌علاوه رمزگشای پیکسلی با 9.6 M پارامتر
- تاریخ انتشار: 2026‑10‑22 (انتشار در Hugging Face)

## چرا مهم است

پژوهشگران اکنون می‌توانند برای انجام چندین وظیفه بینایی‌ـ‌زبانی، بدون کنار هم گذاشتن سامانه‌های جداگانه، با یک مدل آزمایش کنند.

## منابع و ارجاع‌ها

1. [New model on Hugging Face: tencent/WeVisOne-VL-4B (image-text-to-text)](https://huggingface.co/tencent/WeVisOne-VL-4B) – Tencent Hunyuan, 2026-10-22

آخرین به‌روزرسانی: 2026-10-23