腾讯微信视觉团队已将 WeVisOne-VL-4B 模型上传至 Hugging Face。该模型基于 Qwen3‑VL 构建，可通过一次操作完成开放词汇目标检测、计数、OCR、指代分割和 Alpha 遮罩提取。模型配备了一个轻量级的 9.6 M 参数像素解码器，并使用特殊坐标标记来输出边界框和遮罩。此次发布仅面向研究用途，不适用于自主作出高影响决策。
为什么重要
研究人员现在可以用单一模型尝试多种视觉语言任务，无需再把多个独立系统拼接起来。
腾讯在 Hugging Face 发布 WeVisOne-VL-4B 视觉语言模型
这款拥有 40 亿参数的新模型可根据单条提示完成目标检测、分割和图像抠图。
简讯作者： OossaOossa 发布日期: 1 分钟阅读
继续阅读
Oossa · 新闻简报
一周 AI，讲明白
每周一，用通俗的语言讲清值得知道的新闻。免费，无垃圾邮件。