A equipe de visão computacional do WeChat, da Tencent, disponibilizou o modelo WeVisOne-VL-4B no Hugging Face. Baseado no Qwen3‑VL, ele realiza detecção de objetos com vocabulário aberto, contagem, OCR, segmentação por referência e extração de máscaras alfa em uma única etapa. O modelo inclui um decodificador de pixels leve, com 9.6 M de parâmetros, e usa tokens especiais de coordenadas para retornar caixas delimitadoras e máscaras. O lançamento é voltado apenas à pesquisa; o modelo não foi desenvolvido para tomar decisões autônomas de alto impacto.
Por que importa
Pesquisadores podem agora experimentar um único modelo para várias tarefas de visão e linguagem, sem precisar combinar sistemas separados.
