← 全部模型

WeVisOne-VL-2B

发布时间 发布主体 Tencent

模型定位

WeVisOne-VL-2B 是腾讯微信视觉团队开发的开放权重视觉语言模型,基于 Qwen3-VL,侧重统一目标级与像素级视觉感知。它通过结构化的下一 token 预测和约 960 万参数的像素解码器产生结果。(huggingface.co)

能力与用途

模型接受图像和文本查询,可用于开放词汇目标检测、指代定位、目标计数、指点、OCR 与文字定位,也可进行指代分割和提示式 Alpha 抠图。输出可包括文本、坐标点、边界框、二值掩码和连续 Alpha 蒙版;对于不存在的目标,模型可输出 None。官方将视觉定位、分割和抠图研究列为预期用途。(github.com)

获取与许可

官方提供模型权重及推理工具包,支持自行部署;像素解码器 mask_decoder.pt 是必需的核心组件。模型采用 Apache-2.0 许可,第三方组件仍适用各自原有许可。(huggingface.co)

限制

模型主要面向单轮图像感知;像素解码器不接受视频网格输入。精细 Alpha 边界会受到图像分辨率、严重遮挡、复杂透明区域和提示措辞的影响。官方说明其不用于识别个人或自主作出高影响决策,实际结果仍需人工核验。(huggingface.co)

发布日期

2026-10-23:官方提交记录显示当天发布了模型权重和模型卡;仓库初始提交日期为 2026-10-22。(huggingface.co)

价格

截至 2026-11-16,检索腾讯云国内站和腾讯云国际站后,未核实到针对本模型的官方在线推理报价;输入与输出计费、币种和单位均未核实,不将其他模型的价格套用于本模型。开放权重部署仍可能产生计算、存储等资源成本。国内参考页:TokenHub 模型价格;国际参考页:Tencent HY 文档。(cloud.tencent.com)

官方来源