Tencent
WeVisOne-VL-4B
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) 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…
モデルを見る日本語
モデルディレクトリ
新しいモデルを公開日順に見つけられます。
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) 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…
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) 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、O…