微信开源 WeVisOne-VL 统一视觉感知模型

2026年10月22日，Hugging Face Daily Papers 报道微信推出 WeVisOne-VL（WeChat Vision All-in-One）统一视觉感知模型，通过结构化 next-token prediction 将物体级感知与像素级感知统一起来，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，训练采用三阶段课程 SFT 加混合任务 RL，报道称其在 30 多个 benchmark 上取得领先表现，并已开源。2026年11月4日，MarkTechPost 报道腾讯微信视觉团队开源该视觉语言模型，称其提供 2B（2.44B 参数）和 4B（4.83B 参数）两个版本，基于 Qwen3-VL，一个模型即可完成检测、指代、计数、指向、OCR、分割和 alpha 抠图。早先报道未提及模型版本与参数规模，后续报道补充了 2B、4B 两个版本及基于 Qwen3-VL 的信息。目前进展为模型开源与版本信息公开，后续应用与评测情况尚待观察。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。