Tencent'in WeChat Vision ekibi, 2B ve 4B boyutlarında sunulan açık bir görsel dil modeli olan WeVisOne-VL'yi yayınladı. Yeni model, tespit, referanslama, sayma, işaretleme, optik karakter tanıma, segmentasyon ve alfa matting işlemlerini tek bir mimaride gerçekleştiriyor. Piksel çıktıları, 9,6 milyon parametreli bir kod çözücüden üretiliyor ve ayrı bir Segment Anything Model'ine ihtiyaç kalmıyor.
Qwen3-VL üzerine inşa edilen, algılamaya odaklı bu model, her görevi yapılandırılmış bir sonraki token tahmini olarak ele alıyor ve kullanıcılara noktalar, kutular, ikili maskeler ya da sürekli alfa matlar gibi çıktı inceliğini seçme imkanı sunuyor. Tencent, sistemi, 100 milyondan fazla görüntüyü yaklaşık 3,6 milyar kutu ile etiketleyen bir bilgi grafiği destekli veri motoru kullanarak eğitti. Kendileri tarafından raporlanan tablolara göre, model aynı ölçekli temel modelleri 30'dan fazla benchmarkta geride bırakarak, örneğin Dense200 yoğun tespitinde 71,3 F1 ortalaması elde ediyor.
Geliştiriciler, model ağırlıklarına Hugging Face üzerinden erişebilir ve sistemi tek bir GPU'da Transformers ya da vLLM arka uçlarıyla çalıştırabilir. Bu birleşik yaklaşım, geliştiricilerin bir OCR motoru, bir tespitci ve bir segmentleyici gibi birden fazla uzmanlaşmış aracı tek, bütünleşik bir modelle değiştirmelerine olanak tanıdığı için önemlidir.