概要
TencentのWeChat Visionが開発した、物体レベルからピクセルレベルまでの視覚認識を統合する視覚言語モデルの4B版。Qwen3-VLを基盤とし、構造化されたトークン予測と約960万パラメータのピクセルデコーダーを組み合わせる。モデル重みはApache 2.0ライセンスで公開されている。(huggingface.co)
能力と用途
- 画像とテキストによる指示を用いた物体検出、指示表現に基づく位置特定、物体の計数・指点、OCRおよび文字位置の特定。
- 指示表現に基づくセグメンテーションと、指示に応じた画像マッティング。点、矩形、マスク、連続的なアルファマットを出力できる。
- 対象が存在しない場合は
Noneを返すよう設計されている。 - 視覚的グラウンディングや画像処理の研究に利用できる。(huggingface.co)
制限
細いアルファ境界の品質は、画像解像度、深刻な遮蔽、複雑な透明性、指示文の表現に影響される。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。重大な影響を伴う自律的な意思決定や個人識別を目的としたモデルではない。(huggingface.co)
公開日
入力情報に記載された日付は 2026年10月23日。ただし、この日を初回公開日とする公式の明示的な確認はできなかった。指定された公式リポジトリのコミット履歴には、2026年10月27日のBF16版リリースが表示されている。(huggingface.co)
料金
2026年11月16日確認。Tencent Cloudの中国国内向け・国際向け公式料金情報を調べたが、本モデル固有の入力・出力API料金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。公開重みの利用と、ホスティング・計算資源の費用は区別する必要がある。(cloud.tencent.com)