Tencent lanza WeVisOne-VL, un modelo de visión-lenguaje unificado para múltiples tareas de IA

El equipo de visión de WeChat de Tencent ha presentado WeVisOne-VL, un modelo de lenguaje de visión de código abierto disponible en tamaños de 2B y 4B de parámetros. Este modelo, centrado en la percepción y construido sobre Qwen3-VL, integra varias capacidades complejas en una única arquitectura, incluyendo la detección de objetos, la referencia, el conteo, la indicación, el Reconocimiento Óptico de Caracteres (OCR), la segmentación y el matting alfa. El modelo logra esta unificación al tratar cada tarea como una predicción estructurada de tokens, utilizando tokens de coordenadas para salidas normalizadas. La arquitectura cuenta con un decodificador de 9,6 millones de parámetros, eliminando la necesidad de un modelo Segment Anything (SAM) separado. El régimen de entrenamiento implicó tres etapas de Ajuste Fino Supervisado (SFT): alinear los formatos de salida en 90 millones de ejemplos, aumentar la capacidad de entrada a 1.960 tokens visuales y hasta 500 cajas por respuesta, y una etapa final especializada para el decodificador de píxeles para el matting en 130 millones de muestras. El modelo de 4B generalmente supera al modelo de 2B en la mayoría de las pruebas, aunque la versión más pequeña aún logra un 6,6 MAD en P3M-500-NP para el matting con indicaciones de caja. Los pesos para ambos modelos están disponibles en Hugging Face a través del paquete wevisone_vl, que admite tareas como point y count_box. Tencent también ha hecho que su anotador Mask2Alpha sea de código abierto, mientras que las demostraciones en vivo para ambos tamaños de modelo están actualmente disponibles.