Il team Vision di WeChat di Tencent ha aggiunto il modello WeVisOne-VL-4B a Hugging Face. Basato su Qwen3‑VL, può rilevare oggetti con vocabolario aperto, contarli, eseguire l’OCR, segmentare elementi indicati tramite testo ed estrarre maschere alfa, tutto in un solo passaggio. Il modello include un decoder di pixel leggero da 9.6 M di parametri e usa token speciali per le coordinate, così da restituire riquadri di delimitazione e maschere. La versione è destinata esclusivamente alla ricerca e non è pensata per decisioni autonome ad alto impatto.
Perché conta
I ricercatori possono ora sperimentare con un unico modello per numerose attività di visione e linguaggio, senza dover integrare sistemi separati.
