# Tencent släpper syn- och språkmodellen WeVisOne-VL-4B

> Den nya modellen med 4 miljarder parametrar klarar objektdetektering, segmentering och friläggning av bilder med en enda prompt.

Oossa · 2026-10-23 · https://oossa.com/sv/tencent-releases-wevisone-vl-4b-vision-language-model-on-hugging-face

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.

## Fakta

- Modellstorlek: 4 miljarder parametrar, plus en pixeld avkodare med 9.6 M parametrar
- Utgivningsdatum: 2026‑10‑22 (publicerad på Hugging Face)

## Varför det spelar roll

Forskare kan nu testa en enda modell för många syn- och språkrelaterade uppgifter, utan att behöva kombinera flera separata system.

## Källor och referenser

1. [New model on Hugging Face: tencent/WeVisOne-VL-4B (image-text-to-text)](https://huggingface.co/tencent/WeVisOne-VL-4B) – Tencent Hunyuan, 2026-10-22

Senast uppdaterad: 2026-10-23