视觉语言模型在"看图说话"上进步飞快,细粒度感知却始终露馅:数清画面里有几只鸟、给出某个目标的精确轮廓、或者把前景人物抠成带透明通道的图,多数模型要么含糊其辞,要么对不存在的目标硬编结果。10 月 22 日,腾讯微信视觉团队在 arXiv 公开技术报告并开源 WeVisOne-VL,思路是把对象级和像素级感知装进同一个模型,用一套接口覆盖"从框到像素"的全部定位需求。
一个模型,七种活
WeVisOne-VL 的全称是 WeChat Vision All-in-One。按官方 README,它支持物体检测、指代定位、计数、指认、OCR、指代分割和 alpha 抠图七类任务,输出粒度从点、框、二值 mask 一路覆盖到连续 alpha 通道。这次同步放出 2B 与 4B 两档权重、推理包、Cookbooks 和评测管线,还开源了数据引擎里把二值 mask 转成高质量 alpha 的标注器 Mask2Alpha。GitHub 仓库 10 月 22 日创建,截至发稿约 47 个 star。
9.6M 参数的像素解码器
架构的看点不是大,而是轻:模型通过结构化 next-token 预测统一各类任务,再由一个仅 9.6M 参数的像素解码器经特殊 token 接入,直接输出实例级像素结果——不需要外挂 SAM 这类分割专用大件。训练侧采用三阶段课程 SFT 加混合任务 RL,官方称在 30 余项基准上同时保持对象级与像素级的领先表现。
官方口径的跑分
README 的对比表里,WeVisOne-VL-4B 的对手是每个基准上最强的开源基线,包括至 9B 的 Qwen3-VL/Qwen3.5、Rex-Omni、LocateAnything 与各任务专用模型。数字上:LVIS 检测 F1 55.3 对 50.7;密集检测 Dense200 71.3 对 58.7;RefCOCOg 指代定位 81.8 对 77.6;计数 PixMo-Count 89.6 对 82.8;OCR TotalText 52.0 对 43.3;指代分割 ReasonSeg 71.2 对 65.0;框抠图 P3M-500-NP 的 MAD 从 15.4 降到 7.3;文本抠图 MAD 从 22.4 降到 9.8。最扎眼的是拒答:WeRef-Bench 上对不存在目标的拒绝率 96.4%,基线只有 73.0,对应 README 的"可靠拒绝、不幻觉"设计。
该泼的冷水
上述数字全部为官方自报,WeRef-Bench、WeRefMat 带着"We"前缀、属团队自建基准,第三方复现有待社区验证。仓库 TODO 里 Gradio 网页 demo 和微调代码尚未放出,许可证标注为自定义(Other),商用前需要细读条款。热度倒是实打实:发布次日模型冲上 Hugging Face Daily Papers 当日榜第一,220 个 upvote。
所以呢
比起"更大的模型、更长的上下文",工业界真正缺的是"该说没有时敢说没有"的感知可靠性——96.4% 的拒答率比任何单项跑分提升都更能决定这类模型敢不敢上产线。2B/4B 主干配 9.6M 解码器这条轻量路线,也给"感知专用小模型 + 通用大模型分工"的架构提供了新样本。下一个问题是:当感知被做成廉价的专用件,通用 VLM 还需要自己长出像素级的手吗?
论文:arxiv.org/abs/2610.31329;代码:github.com/Tencent/WeVisOne-VL