Tencent’s WeChat Vision-team har lagt till modellen WeVisOne-VL-4B på Hugging Face. Den bygger på Qwen3‑VL och kan utföra objektdetektering med öppet vokabulär, räkning, OCR, referensbaserad segmentering och extrahering av alfamattor i ett enda steg. Modellen innehåller en lättviktig pixeld avkodare med 9.6 M parametrar och använder särskilda koordinattoken för att returnera avgränsningsrutor och masker. Den är endast avsedd för forskning och ska inte användas för autonoma beslut med stor påverkan.
Varför det spelar roll
Forskare kan nu testa en enda modell för många syn- och språkrelaterade uppgifter, utan att behöva kombinera flera separata system.
