模型定位
WeVisOne-VL-2B 是騰訊微信視覺團隊開發的視覺語言模型,基於 Qwen3-VL,結合結構化文字預測與約 960 萬參數的像素解碼器,統一物件級及像素級視覺感知。(huggingface.co)
能力與用途
- 支援開放詞彙物件偵測、自然語言指代定位、計數、指點、OCR 與文字定位。
- 支援指代分割及提示式 Alpha 去背,可輸出點、邊界框、文字、二值遮罩及連續透明度遮罩。
- 可用於圖片中的物件定位、文字擷取、影像分割與去背。目標不存在時,模型設計為回傳
None,但結果仍需驗證。 - 官方提供權重、推論套件及示範;
tencent/WeVisOne-VL-2B是 Hugging Face 模型倉庫名稱,並非已核實的商用 API ID。(github.com)
限制與授權
- 精細去背邊界會受影像解析度、嚴重遮擋、複雜透明區域及提示詞表述影響。
- 目前以單輪影像感知為目標;像素解碼器不接受影片網格。模型直接產生結構化結果,不提供明確的思維鏈推理。
- 模型與權重採 Apache-2.0 授權;第三方元件仍須遵守各自的原始授權條款。(huggingface.co)
發布日期
2026 年 10 月 23 日:官方提交紀錄標示發布 2B 模型權重與模型卡;倉庫初始提交為 10 月 22 日。(huggingface.co)
價格
截至 2026 年 11 月 16 日,查閱騰訊雲中國大陸及國際站官方定價文件,未核實此模型的託管 API 輸入或輸出報價,也未核實其計費單位。開放權重可供自行部署,但相關運算與基礎設施成本另計。(cloud.tencent.com)