L’équipe WeChat Vision de Tencent a publié le modèle WeVisOne-VL-4B sur Hugging Face. Basé sur Qwen3‑VL, il peut effectuer en une seule étape la détection d’objets à vocabulaire ouvert, le comptage, la reconnaissance optique de caractères (OCR), la segmentation guidée par une requête et l’extraction de masques alpha. Le modèle comprend un décodeur de pixels léger de 9.6 M de paramètres et utilise des jetons de coordonnées spéciaux pour renvoyer des boîtes englobantes et des masques. Cette publication est destinée à la recherche uniquement ; le modèle n’est pas conçu pour prendre de façon autonome des décisions à fort impact.
Pourquoi c'est important
Les chercheurs peuvent désormais expérimenter un modèle unique pour de nombreuses tâches de vision-langage, sans devoir assembler plusieurs systèmes.
