WeVisOne-VL：从物体到像素的统一视觉感知

微信推出 WeVisOne-VL（WeChat Vision All-in-One），通过结构化 next-token prediction 统一物体级与像素级感知，支持检测、指代定位、计数、OCR、分割与抠图等任务。模型以特殊 token 接入轻量像素解码器输出实例级像素结果，经三阶段课程 SFT 加混合任务 RL 训练，在 30 多个 benchmark 上取得领先表现，并已开源。