← すべてのモデル

WeVisOne-VL-2B

公開日 提供元 Tencent

概要

TencentのWeChat Visionチームが開発した、画像内の物体からピクセルまでを統一的に扱う視覚言語モデル。Qwen3-VLを基盤とする2B版で、公開重みと推論コードを利用できる。構造化された次トークン予測と約960万パラメータのピクセルデコーダーを組み合わせる。(huggingface.co)

能力と用途

  • 画像とテキストによる指示を基に、物体検出、指示対象の位置特定、物体数の計数、ポイント指定、OCRを行う。
  • 指示対象のセグメンテーションとアルファマット生成にも対応し、点、矩形、マスク、連続値のアルファマットを出力できる。対象が存在しない場合に None を返す仕組みも備える。
  • 視覚的グラウンディング、画像内の対象定位、領域抽出、画像切り抜きなどの研究に向く。(huggingface.co)

制限と利用条件

  • 現在は単一ターンの画像認識を対象とし、ピクセルデコーダーは動画グリッドを受け付けない。
  • アルファマットの細かな境界は、画像解像度、強い遮蔽、複雑な透明部分、指示文の表現に影響される。推論時に明示的な思考連鎖は生成しない。
  • 個人の識別や、重大な影響を伴う自律的な意思決定を目的としていない。ピクセル出力には付属の mask_decoder.pt が必要。
  • モデルカードはApache 2.0を示している。Tencentが作成したコード以外の第三者コンポーネントには、それぞれのライセンスが適用される。(huggingface.co)

公開日

モデル重みとモデルカードの公開は 2026年10月23日。リポジトリの初回コミットは2026年10月22日。(huggingface.co)

価格

2026年11月16日確認。Tencent Cloudの中国国内向け価格表と国際向け価格表を調査したが、本モデルに対応する公式の人民元(CNY)または米ドル(USD)の入力・出力API単価は確認できなかった。したがって、金額や課金単位は未確認。公開重みを自ら運用する場合の計算資源費用は別途発生し得る。調査先:中国国内向けモデル価格、国際向けモデル価格。(cloud.tencent.com)

公式情報源