模型定位
WeVisOne-VL-4B 是 Tencent 微信視覺團隊開發的視覺語言模型,建立於 Qwen3-VL,將物件級與像素級視覺感知整合於同一模型。模型權重以 Apache 2.0 授權發布;第三方元件仍適用各自的授權條款。(huggingface.co)
能力與用途
- 支援開放詞彙物件偵測、文字指涉定位、物件計數、指點及 OCR 定位。
- 支援指涉分割與提示式影像去背,可輸出座標、邊界框、遮罩和連續 Alpha 霧化圖。對不存在的目標,模型設計為可回傳
None。像素級輸出依賴隨模型發布的mask_decoder.pt,其約有 960 萬個參數。(huggingface.co) - 主要用途為視覺定位、分割、去背等研究與應用開發;官方提供推論套件及模型權重。(github.com)
限制
- 精細去背邊緣會受到影像解析度、嚴重遮擋、複雜透明物件及提示措辭影響。
- 目前主要針對單輪影像感知;像素解碼器不接受影片網格。官方不建議將模型用於自主作出高影響決策或辨識個人。(huggingface.co)
發布日期
輸入資料所列日期為 2026-10-23;官方提交紀錄顯示該日有模型資料夾上傳,儲存庫初始提交則為 2026-10-22。(huggingface.co)
價格
截至 2026-11-16,查閱 Tencent Cloud 中國站及國際站官方模型價格文件,均未找到此模型可核實的 API 輸入與輸出報價;計費單位和金額未核實。開放權重可自行部署,但部署所需資源成本須自行承擔。(cloud.tencent.com)