腾讯微信团队开源 WeVisOne-VL（WeChat Vision All-in-One），一款面向目标级 + 像素级任务一体化的视觉语言基础模型，主打一套模型承载多种视觉感知任务。它采用结构化 next-token 预测方案，搭配仅 9.6M 参数的轻量像素解码器，把目标检测、指代定位、计数、指点、OCR、指代分割、可提示抠图融合在同一框架，不再依赖 SAM 分割模型。
- 项目主页：https://tencent.github.io/WeVisOne-VL
- GitHub：https://github.com/Tencent/WeVisOne-VL
- WeVisOne-VL-2B：https://huggingface.co/tencent/WeVisOne-VL-2B
- WeVisOne-VL-4B：https://huggingface.co/tencent/WeVisOne-VL-4B
核心特性与技术亮点
- All-in-One 统一感知：打破了传统模型任务单一的局限，单模型即可无缝处理目标检测、指代定位、计数、指点、OCR、指代分割以及可提示抠图等多种复杂视觉任务。
- 极致轻量的像素解码器：仅需 9.6M（960 万）参数即可直接输出高分辨率的掩码（Mask）和 Alpha Matte，摆脱了对庞大独立分割模型（如 SAM）的依赖，大幅降低了推理开销。
- 可靠的拒识机制：针对视觉幻觉痛点，模型在目标不存在时会明确返回
None，而非强行生成虚假结果，显著提升了工业级应用的可靠性。
卓越的性能表现
在多项权威基准测试中，WeVisOne-VL-4B 展现了超越同量级甚至更大参数量开源基线（如 Qwen3-VL / Qwen3.5、Rex-Omni、LocateAnything 及专用分割/抠图模型）的强劲实力：
- 检测与定位：在 LVIS (F1 Mean 55.3)、Dense200 (71.3) 和 RefCOCOg test (81.8) 上大幅领先。
- 鲁棒性与计数：在 WeRef-Bench 拒识率上达到惊人的 96.4%；在 PixMo-Count 计数准确率上达到 89.6%。
- 像素级精细操作：在 ReasonSeg val (gIoU 71.2)、P3M-500-NP 框提示抠图 (MAD 7.3) 以及 WeRefMat 文本提示抠图 (MAD 9.8) 等指标上均取得最优结果。
底层架构与工作原理
WeVisOne-VL 的高效表现得益于其精心设计的三大核心模块：
- 高质量数据引擎：由知识图谱驱动概念发现，利用多个互补的专家模型进行目标定位，再经由 VLM（视觉语言模型）进行严格校验，最终将校验后的边界框扩展为高质量的掩码和 Alpha Matte。该引擎共构建了超过 1 亿张图像的高质量标注数据集。
- 统一的任务格式化：将所有视觉任务转化为结构化文本序列。边界框和点使用坐标 token (
<0>到<1000>) 表示；若目标不存在则统一输出None；对于像素级任务，则在每个框后附加一个特殊的<OBJ>token 作为触发器。 - 高效的混合模型架构：轻量级的 9.6M 参数像素解码器，能够巧妙结合
<OBJ>token 的隐状态、对应的预测框坐标以及 Qwen3-VL ViT 的多层视觉特征，直接预测出全分辨率的精细掩码或 Alpha Matte。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
