WeVisOne-VL 是什么：腾讯微信从框到像素都能定位的视觉模型

它是什么

WeVisOne-VL 是腾讯微信视觉团队在 2026 年 10 月开源的视觉语言基础模型，许可证是 Apache-2.0，发布了 2B 和 4B 两个尺寸的权重，以及技术报告、推理工具包、使用手册（Cookbooks）和评测流程。它的口号是“从物体到像素的统一视觉感知”：一个模型同时做物体级的感知和像素级的感知，而且能按用户指定的精细程度给出位置，从一个点、一个框，到二值掩码，再到连续的透明度蒙版（alpha matte）。

一个模型包办哪些事

物体级感知包括：物体检测、指代定位（按描述找出“左边穿红衣服的人”）、计数、指点和 OCR。像素级感知包括：指代分割（把描述的物体精确地抠成掩码）和可提示的抠图（生成边缘细腻的透明度蒙版，比如头发丝）。过去这些任务往往要好几个专门的模型配合，比如先用一个检测模型找到物体，再用 SAM 这类分割模型抠出来。WeVisOne-VL 把它们统一到一个模型里完成。

怎么做到的

它用结构化的下一个 token 预测来输出点、框等位置信息，再配一个只有 960 万参数的轻量像素解码器来输出掩码和透明度蒙版，不需要额外的 SAM 模型。还有一个很实用的设计：当图里根本没有你要找的东西时，它会可靠地拒绝，而不是硬编一个位置出来。很多视觉模型在这种情况下会产生幻觉，给出一个错误的框，这在自动化流程里很危险。团队还一并开源了数据引擎里用来把二值掩码转成高质量透明度蒙版的抠图标注工具。

成绩怎么样

技术报告把它和每个基准上表现最好的开源对比模型比较，包括 9B 以内的 Qwen3-VL 和 Qwen3.5、Rex-Omni、LocateAnything，以及专门的分割和抠图模型。检测、指代和 OCR 的 F1 按 0.5 到 0.95 的多个 IoU 阈值取平均，统计口径比较严格。完整的分任务成绩在仓库里可以展开查看。

适合谁

做电商抠图、图片编辑工具、内容审核、文档识别、机器人视觉定位的开发者，可以用一个小模型替代原来的多模型流水线，部署和维护都简单得多；2B 和 4B 的规模也适合放在端侧或低成本服务器上。AI 主线的看法是：WeVisOne-VL 的价值在于“统一”和“会说没有”，前者降低了工程复杂度，后者解决了视觉模型落地时最让人头疼的误报问题。