Tencent、5つの視覚タスクに対応するWeVisOne-VLを公開

TencentのWeChat Visionチームは、物体検出、テキスト認識（OCR）、カウント、セグメンテーション、アルファマッティングに対応する視覚言語モデル「WeVisOne-VL」を公開した。モデルは20億パラメーターと40億パラメーターの2サイズで、960万パラメーターのピクセルデコーダーを搭載する。ライセンスはApache 2.0で、ライセンス条項に従えば幅広い用途に利用できる。発表ではベンチマーク結果は示されておらず、モデルのダウンロード先や実行方法についても説明されていない。