Команда Tencent WeChat Vision добавила модель WeVisOne-VL-4B на Hugging Face. Она построена на базе Qwen3‑VL и за один шаг умеет обнаруживать объекты с произвольными названиями, считать их, распознавать текст (OCR), сегментировать объекты по текстовому описанию и извлекать альфа-матт. В модель входит облегчённый пиксельный декодер на 9.6 M параметров; для выдачи ограничивающих рамок и масок она использует специальные токены координат. Релиз предназначен только для исследовательского использования и не рассчитан на автономное принятие решений с серьёзными последствиями.
Почему это важно
Теперь исследователи могут проверять одну модель в самых разных задачах на стыке компьютерного зрения и языка, не объединяя для этого несколько отдельных систем.
