Tencents WeChat Vision-team har släppt WeVisOne-VL, en vision-language-modell som hanterar objektdetektering, textigenkänning (OCR), räkning, segmentering och alpha matting. Modellen finns i storlekar med 2 miljarder respektive 4 miljarder parametrar och innehåller en pixelavkodare med 9,6 miljoner parametrar. Den har Apache 2.0-licens, som tillåter bred användning enligt licensvillkoren. I tillkännagivandet finns inga benchmarkresultat och det framgår inte var modellen kan laddas ner eller köras.
Varför det spelar roll
Utvecklare kan överväga en enda modell med Apache 2.0-licens för fem bilduppgifter, men utan information om åtkomst eller benchmarkresultat är det svårt att bedöma hur väl den fungerar i praktiken.
