Tencent lança o WeVisOne-VL, um modelo unificado de visão e linguagem para várias tarefas de IA

A equipe de Visão do WeChat da Tencent apresentou o WeVisOne-VL, um modelo de linguagem e visão aberto disponível em tamanhos de 2B e 4B de parâmetros. Este modelo, focado em percepção, construído sobre o Qwen3-VL, integra várias capacidades complexas numa única arquitetura, incluindo deteção de objetos, referência, contagem, apontamento, Reconhecimento Óptico de Caracteres (OCR), segmentação e matting. O modelo consegue esta unificação ao transformar cada tarefa numa previsão estruturada do próximo token, utilizando tokens de coordenadas para saídas normalizadas. A arquitetura apresenta um decodificador de 9,6M de parâmetros, eliminando a necessidade de um modelo Segment Anything (SAM) separado. O regime de treino envolveu três estágios de Ajuste Fino Supervisionado (SFT): alinhar formatos de saída em 90M de exemplos, aumentar a capacidade de entrada para 1.960 tokens visuais e até 500 caixas por resposta, e uma fase final especializada no decodificador de pixels para matting em 130M de amostras. O modelo de 4B geralmente supera o modelo de 2B em várias benchmarks, embora a versão mais pequena ainda alcance um desempenho de 6,6 MAD no P3M-500-NP para matting com base em prompts de caixa. Os pesos para ambos os modelos estão disponíveis no Hugging Face através do pacote wevisone_vl, que suporta tarefas como ponto e contagem_caixa. A Tencent também disponibilizou o seu anotador Mask2Alpha como código aberto, enquanto as demonstrações para ambos os tamanhos de modelo estão atualmente em funcionamento.