腾讯开源 2B 视觉模型：检测、分割、抠图收进一个模型

腾讯微信视觉团队在 X 上放出了 WeVisOne-VL 的消息，GitHub 已经挂出代码、权重和技术报告。项目地址：https://github.com/Tencent/WeVisOne-VL

视觉模型行业有个习惯：检测一个模型，指代定位一个模型，分割一个模型，抠图再挂一个 SAM。流水线越长，部署越像厨房里摆满单功能小家电。WeVisOne-VL 想改这个局面，把对象级感知和像素级感知收进同一个视觉语言模型，提供 2B 和 4B 两个版本。

它支持的任务很具体：开放词汇检测、指代定位、计数、指向、OCR、指代分割、提示式 alpha matting。对象级输出框和点，像素级输出二值 mask 或连续 alpha matte。团队的说法是，在这套任务里不需要再单独挂 SAM。

关键设计有三块。数据引擎用知识图谱发现概念，用多个专家模型定位，再由 VLM 验证，把框扩展成 mask 和 alpha matte，标注规模超过 1 亿张图像。任务统一成结构化文本，坐标用 <0> 到 <1000> 的 token，每个框后跟一个 <OBJ> token。像素解码器只有 9.6M 参数，拿 <OBJ> token 的隐藏状态、预测框和多级 Qwen3-VL ViT 特征，输出全分辨率 mask 或 alpha matte。

另一个实用点是拒识。目标不存在时，模型返回 None，不硬编一个框出来。指代检测和指代分割里，幻觉比漏检更烦人，这个设计省掉不少后处理规则。

性能数字来自团队技术报告。WeVisOne-VL-4B 在 LVIS 检测 F1 为 55.3，对比最强开放基线 50.7；Dense200 密集检测 F1 为 71.3，对比 58.7；RefCOCOg 指代 F1 为 81.8，对比 77.6；WeRef-Bench 拒识率 96.4%，对比 73.0；PixMo-Count 计数准确率 89.6%，对比 82.8；TotalText OCR F1 为 52.0，对比 43.3；ReasonSeg 指代分割 gIoU 为 71.2，对比 65.0。抠图任务里，P3M-500-NP 的 MAD 为 7.3，对比 15.4，MAD 越低越好；WeRefMat 指代抠图 MAD 为 9.8，对比 22.4。复现入口在仓库的 evaluation/README.md，使用前建议自己跑一遍。

用法不复杂。安装后可以直接调推理接口，检测和抠图共用一套模型加载逻辑：

from PIL import Image
from wevisone_vl import WeVisOneVL
from wevisone_vl.visualization import save_result

model = WeVisOneVL("tencent/WeVisOne-VL-4B", backend="transformers")
image = Image.open("demo/examples/images/livingroom.jpg").convert("RGB")
result = model.predict(image, task="detection", query=["sofa", "pillow", "coffee table", "lamp"])
save_result("outputs/detection", image, result)

image = Image.open("demo/examples/images/seabreeze.jpg").convert("RGB")
result = model.predict(image, task="matting", query="person")
save_result("outputs/matting", image, result)

官方给了 Hugging Face 上的 2B 和 4B 在线 Demo，也有 Gradio 本地启动方式。仓库还开源了 Mask2Alpha，把二值 mask 转成高质量 alpha matte 的标注工具。代码采用 Apache 2.0，第三方组件保留原许可，权重使用前看模型卡。

对开发者，这个项目的看点是小模型加轻量像素解码器，把检测、OCR、分割、抠图压到一条推理链里，省掉多模型编排和 SAM 调用。对普通用户，理解成“一个模型能找物体、数数量、读图里的字、把人物或物体抠出来”就够了。它是否真能替代现成流水线，要看实际场景的延迟、显存和失败案例。至少从开源释放的形态看，腾讯把统一视觉感知这条路往前推了一步。