騰訊微信視覺團隊於 11 月 3 日發布 WeVisOne-VL（WeChat Vision All-in-One），一款開放權重的視覺語言模型（VLM），提供 2B（2.44B）與 4B（4.83B）兩種尺寸，最大特點是以一個模型同時處理偵測、指稱（referring）、計數、指向（pointing）、OCR、分割與 alpha matting。
運作方式
- 統一輸出粒徑：使用者可選擇點、框、二值遮罩或連續 alpha matte 作為輸出格式；所有任務皆以結構化的 next-token 預測實現，座標以
<0>–<1000>token 表示標準化位置。 - 「無此物件」處理：查詢目標不存在時模型輸出
None而非硬猜一個框，降低誤檢。 - 像素任務免外掛 SAM：模型在每個預測框後輸出專用 token，其隱藏狀態送入一個僅 960 萬參數的像素解碼器，直接產生全解析度遮罩或摳圖 —— 無需另掛 SAM 分割模型。
訓練方面，團隊以知識圖譜驅動的數據引擎標註了逾 1 億張影像、約 36 億個框（以 SAM3、Rex-Omni 等提議區域、再由 Qwen3-VL 驗證），經三階段 SFT（格式對齊 → 提升至 1,960 visual tokens 與每回應 500 框 → 像素解碼器與摳圖特化）與一輪 GRPO 強化。模型基於 Qwen3-VL 建構。
效能與部署
- 團隊自我評測於 30+ 基準多數超越同規模 VLM；亮點如 Dense200 密集偵測 F1 71.3，對比 LocateAnything-3B 的 58.7。
- 弱項：PR-Bench 上缺目標查詢的拒答率僅 52.6%，即仍有近半的空目標查詢被誤給框。
- 硬體親和：透過 Transformers 或 vLLM 以 BF16 單 GPU 即可運行，套件亦列出 NPU 與 CPU 裝置；社群 GGUF 版本據報能在 6GB 記憶體的 RTX 2060 上跑物件級任務。
為何重要
對開發者與企業而言，WeVisOne-VL 的價值在簡化視覺工具鏈：過去一套「偵測器 + OCR 引擎 + 分割器」的組合，如今可用一個開放模型取代，且能直接在自家 GPU 自託管，不必依賴雲端 API。對處理合約、掃描文件、電商圖片、設計素材等「定位密集型」任務的香港技術團隊，這代表更低的整合成本與更好的資料主權。
同時，它以 2B/4B 的輕量尺寸在像素級任務上對齊或超越前一代 3B 專用模型，顯示通用 VLM 對「精細定位」的專用化正快速收窄——未來單一開放模型承接整條視覺管線將變得越發主流。
需要注意的局限
- 基準皆為廠商自報：分數出自騰訊自家測試表，需社群獨立複測確認。
- 拒答率偏低：52.6% 的 PR-Bench 拒答率說明「空目標」情境仍易誤檢，高精度應用需搭配後端規則過濾。
- 上下文長度受限：訓練上限 8,192 tokens，不適合需要長文脈視覺理解的場景。
綜合來看，WeVisOne-VL 是輕量、開放、可自託管的定位/OCR/分割一體模型，適合偵測、文件數位化與影像整合需求明確、希望擺脫多套商用視覺 SDK 依賴的團隊先行評估。
本文信息來源：騰訊微信視覺團隊（Hugging Face 模型卡）、MarkTechPost。