Команда WeChat Vision компании Tencent представила WeVisOne-VL — мультимодальную модель, которая умеет обнаруживать объекты, распознавать текст (OCR), считать объекты, сегментировать изображения и выполнять альфа-маттинг. Модель доступна в версиях на 2 млрд и 4 млрд параметров; в неё также входит пиксельный декодер на 9,6 млн параметров. Модель распространяется по лицензии Apache 2.0, допускающей широкое использование с соблюдением её условий. В анонсе нет результатов тестов и информации о том, где можно скачать или запустить модель.
Почему это важно
Разработчики могут рассмотреть одну модель под лицензией Apache 2.0 для пяти задач анализа изображений. Однако без информации о доступе и результатах тестов оценить её практическую эффективность сложно.
