تیم WeChat Vision تنسنت مدل بینایی‌زبانی WeVisOne-VL را در دو اندازه ۲ میلیارد (۲.۴۴ میلیارد پارامتر) و ۴ میلیارد (۴.۸۳ میلیارد پارامتر) به‌صورت متن‌باز منتشر کرد. این مدل بر پایه Qwen3-VL ساخته شده و وظایف آشکارسازی، ارجاع، شمارش، اشاره، OCR، قطعه‌بندی و ماتینگ آلفا را در یک مدل واحد پوشش می‌دهد.

نکته فنی اصلی، دکودر پیکسلی ۹.۶ میلیون پارامتری است که خروجی ماسک و آلفامیت تولید می‌کند؛ یعنی برای قطعه‌بندی نیازی به مدل جداگانه SAM نیست. مدل در پاسخ به پرسش درباره شیء غایب، مقدار None برمی‌گرداند به‌جای جعبه حدسی.

عملکرد و محدودیت‌ها#

همه اعداد خودگزارش‌شده‌اند و با رمزگشایی طمع‌ورز و حداکثر ۱,۹۶۰ توکن بصری هر تصویر به‌دست آمده‌اند:

  • آشکارسازی متراکم: ۷۱.۳ F1 روی Dense200، در مقایسه با ۵۸.۷ برای LocateAnything-3B
  • OCR: ۵۲.۰ F1 روی TotalText، جلوتر از PP-OCRv5 تخصصی با ۲۵.۷
  • قطعه‌بندی: ۷۱.۲ gIoU روی ReasonSeg، در مقایسه با ۶۵.۰ برای LISA-13B
  • ماتینگ: ۷.۳ MAD روی P3M-500-NP، در مقایسه با ۱۵.۴ برای SAM2-Matting (هرچه کمتر، بهتر)

اما نقطه ضعف قابل‌توجه: نرخ رد ۵۲.۶ درصد روی PR-Bench، یعنی در حدود نیمی از پرسش‌های شیء غایب، مدل همچنان جعبه تولید می‌کند.

نحوه اجرا و دسترسی#

وزن‌ها روی Hugging Face موجودند. بسته wevisone_vl دو بک‌اند Transformers و vLLM را در قالب BF16 روی یک GPU اجرا می‌کند. یک نسخه GGUF جامعه‌محور وظایف سطح جعبه را روی RTX 2060 با ۶ گیگابایت VRAM اجرا کرده، اما نسخه‌های GGUF قادر به تولید ماسک نیستند چون دکودر پیکسلی به ویژگی‌های بصری بومی نیاز دارد. کد ریزتنظیم هنوز در فهرست TODO است.

مجوز Apache 2.0 است؛ برخلاف LocateAnything-3B که مجوز غیرتجاری دارد. تنسنت ابزار برچسب‌گذاری ماتینگ Mask2Alpha را هم متن‌باز کرده است.

خوانش تحریریه#

برای کسی که خط لوله ایجنت می‌سازد، این خبر یعنی کاهش تعداد مدل‌های قابل‌استفاده در پایپ‌لاین. اگر تا امروز detector + OCR engine + segmenter داشتید، روی کاغذ یک مدل کافی است. اما دو احتیاط جدی وجود دارد: اول، اعداد خودگزارش‌شده‌اند و مقایسه با مدل‌های رقیب ممکن است شرایط یکسانی نداشته باشد. دوم، نرخ رد ۵۲.۶ درصد یعنی قابلیت «پاسخ None» که تبلیغ می‌شود، در عمل هنوز قابل‌اعتماد نیست و در سناریوهای حساس (مثلاً اتوماسیون بازرسی) باید لایه اعتبارسنجی جدا نگه دارید. همچنین نبود کد ریزتنظیم و ناتوانی نسخه‌های GGUF در تولید ماسک، استفاده در محیط‌های محدود یا لبه را فعلاً عملاً غیرممکن می‌کند.

منبع: MarkTechPost