# Tencent、WeVisOne-VL-4BをHugging Faceで公開

> 新たな4 billionパラメーターのモデルは、1つのプロンプトで物体検出、セグメンテーション、画像マッティングに対応する。

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

TencentのWeChat Visionチームは、WeVisOne-VL-4BモデルをHugging Faceに追加した。このモデルはQwen3‑VLをベースにしており、オープンボキャブラリー物体検出、物体数のカウント、OCR、参照表現に基づくセグメンテーション、アルファマットの抽出を一度に実行できる。軽量な9.6 Mパラメーターのピクセルデコーダーを搭載し、専用の座標トークンを使ってバウンディングボックスやマスクを出力する。今回の公開は研究用途のみを想定しており、自律的な重大意思決定に使うことを目的としていない。

## 事実

- モデルの規模：4 billionパラメーター。これに加えて9.6 Mパラメーターのピクセルデコーダーを搭載
- 公開日：2026‑10‑22（Hugging Faceで公開）

## なぜ重要か

研究者は、複数のシステムを組み合わせることなく、1つのモデルでさまざまな視覚言語タスクを試せるようになる。

## 出典と参考資料

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

最終更新: 2026-10-23