WeVisOne-VL-2B: أطلقت Tencent نموذج إدراك ولم تخبر أحدًا

أهم سطر في بطاقة نموذج WeVisOne-VL-2B ليس عن النموذج. بل عن ملف يُسمى mask_decoder.pt، بـ9,511,460 معلمة، وُصِف في جملة واحدة رتيبة بأنه «مكوّن أساسي مطلوب، وليس إضافة اختيارية». كل ما يتعلق بكيفية تصرف نموذج الإدراك الجديد من Tencent — سواء حصلت على مربع أو نقطة أو قناع ثنائي أو مات ألفا متصل — يمر عبر ذلك المُفكِّك. وقد وصل النموذج الذي ينتمي إليه بلا مراسم تُذكر تقريبًا: رُفعت أوزان WeVisOne-VL-2B على Hugging Face في 09:47 UTC يوم 22 أكتوبر 2026، وظهر مستودع GitHub قبل ذلك بخمسين دقيقة، ونُشرت ورقة في اليوم نفسه، ولم تنشر Tencent أي منشور إطلاق ولا إعلانًا يرافق أيًا من ذلك.

ما يعنيه ذلك للقارئ ضيّق لكنه مفيد. هذا ليس منتجًا يمكنك التسجيل فيه. إنه إصدار بحثي يمكنك تنزيله، مع ورقة تبلغ عن أرقام لا تكرّرها بطاقة النموذج، ومجموعة قيود تذكرها البطاقة بصراحة أكبر مما تفعله معظم الجهات المورّدة. فيما يلي ما يمكن التحقق منه من المستودع، وما تدّعيه الورقة، وما لم يتحقق منه أحد بعد.

ما الذي وصل، والطوابع الزمنية التي تُظهر كم كان ذلك هادئًا

كل تاريخ هنا مستمد من طابع زمني عام وليس من بيان صحفي، لأنه لا يوجد بيان صحفي:

• Hugging Face — tencent/WeVisOne-VL-2Bأُنشئ في 2026-10-22 الساعة 09:47:50 UTC. وأُنشئ النموذج الشقيق 4B بعد ذلك بأربعٍ وعشرين ثانية، وهو ما يبدو عليه رفع مؤسسةٍ ما عندما تُدفَع الملفات دفعةً واحدة.

• GitHub — Tencent/WeVisOne-VL أُنشئ في 08:58:16 UTC في صباح اليوم نفسه. وحتى وقت كتابة هذا النص، يحمل commit واحدًا، "الإصدار العام الأولي من WeVisOne-VL"، بطابع زمني 2026-10-23 08:14 UTC، و46 نجمة.

• ورقة — arXiv 2610.31329، "WeVisOne-VL: الإدراك البصري الموحّد من الكائنات إلى البكسلات"، الإصدار v1 المقدَّم في 22 أكتوبر 2026، من تأليف Tianming Liang وJunyi Pan وYuxi Li وCanmiao Fu وZhipeng Huang وChong Sun وChen Li وJing Lyu، وجميعهم من WeChat Vision، شركة Tencent.

• صفحة المشروع — tencent.github.io/WeVisOne-VL متاحة الآن على الإنترنت، مع عرض توضيحي وقسم خاص بالمنهجية وجداول للنتائج. وهي صفحة بحثية وليست صفحة منتج: لا أسعار، ولا API، ولا تسجيل.

أظهرت البطاقة نفسها ثلاثة إعجابات عند التحقق، وإعجابًا واحدًا على 4B. وكان عدّاد التنزيلات يشير إلى صفر، وهو ما يعني في الغالب أن العدّاد متأخر؛ والخلاصة الصادقة هي أن أحدًا تقريبًا خارج المختبر لم يجرّب هذا بعد، وأن أي مقال يُنشر هذا الأسبوع — بما في ذلك هذا المقال — يعتمد على الورقة البحثية والمستودع لا على النتائج.

تفصيل واحد يجدر التنبيه إليه لأنه سيظهر في المشتريات: تمنح بطاقة النموذج ترخيص Apache 2.0 لـ«الشيفرة التي كتبتها Tencent في هذا المستودع». وتُبلّغ واجهة GitHub API عن ترخيص المستودع بوصفه "Other" دون معرّف SPDX. وهاتان العبارتان ليستا بالضرورة متعارضتين — فالمكوّنات التابعة لجهات خارجية تحتفظ بشروطها الخاصة، وبطاقة النموذج تنص على ذلك — لكن هذا يعني أن ملف الترخيص يستحق القراءة قبل أن يصل هذا إلى أي منتج.

المعمارية رهان على الرموز، لا على نموذج أكبر.

بُني WeVisOne-VL-2B على Qwen3-VL، ويحمل نحو ملياري معامل، ويفعل شيئًا غير معتاد بعض الشيء بالنسبة إلى نموذج رؤية ولغة: فهو يفصل بين الاكتشاف والرسم.

يتولى الجانب اللغوي مهمة العثور. لديه رموز إحداثيات مخصصة، <0> حتى <1000>، والتي تُرمّز صناديق ونقاطًا مُطبّعة، بحيث يكون الكشف حرفيًا سلسلة من الرموز يُصدرها النموذج في التدفق نفسه الذي يُصدر فيه نصه. وعندما يكون الهدف المطلوب غائبًا، فإنه يعيد None بدلًا من اختلاق صندوق. في المهام الكثيفة، يُصدر رمزًا خاصًا إضافيًا واحدًا، <OBJ> عند معرّف الرمز 152678، مباشرةً بعد كل صندوق متوقَّع — علامة تقول "هذا المثيل يستمر أدناه".

جانب البكسل يتولى الرسم. mask_decoder.pt يقرأ الحالة المخفية عند كل <OBJ> يدمجها مع مُسبَق صندوقي مُرمَّز بتحويل فورييه، ويُنتج القناع الفعلي. يتكوّن من ثلاث مراحل: مُهايئ ميزات بصرية فوق ميزات ViT متعددة المستويات المُدمجة مسبقًا في Qwen3-VL؛ ومُفكِّك استعلامات موجَّه بالصندوق بست كتل انتباه تبادلي قابلة للتشوّر؛ ورأس تنبؤ كثيف مبني حول ما تُسمِّيه Tencent FullCanvasAlphaCascadeHead، الذي يُحسِّن عند S/4 وS/2 وS/1 لإخراج حُجُب ألفا متصلة كاملة الدقة بخطوة 1.

خيار التصميم الذي يهم هو الأخير. تُرجع معظم نماذج الرؤية واللغة المسندة قناعًا ثنائيًا أو مضلعًا. أما حصيرة ألفا فهي خريطة عتامة لكل بكسل ذات حواف ناعمة — وهو ما تحتاجه لتركيب شخص على خلفية جديدة دون هالة حول شعره. هذا نوع إخراج مختلف عن التجزئة، وهو السبب في وجود هذا النموذج كإصدار منفصل بدلًا من كونه ضبطًا دقيقًا لنموذج رؤية ولغة عام.

ما الذي تدّعيه الورقة، وما الذي لن تخبرك به البطاقة

لا تحتوي بطاقة النموذج على جدول معايير أداء. لا يوجد طول سياق، ولا أرقام إنتاجية، ولا عدد رموز تدريب، ولا متطلبات أجهزة، ولا سعر. ما تقدمه البطاقة هو الواجهة، والبنية، والاستخدام المقصود، والقيود.

الورقة هي حيث توجد الأرقام، عبر سبعة جداول مهام وما تصفه Tencent بأنه أكثر من ثلاثين معيارًا. كل ما يلي هو نتائج المؤلفين الخاصة، أجراها المؤلفون، ولم يعِد إنتاجها أي طرف مستقل:

• الكشف — متوسط F1 قدره 55.2 على COCO، و53.3 على LVIS، و61.4 على Dense200 و40.4 على VisDrone. ويسجّل خط الأساس Qwen3-VL-2B في الجدول نفسه 45.2 و40.8 و10.0 و23.1. والفجوة في Dense200 هي اللافتة: ستة أضعاف خط الأساس، على معيار يتعلق بالمشاهد المزدحمة.

• الرفض — على RefCOCOg، يُبلّغ النموذج 2B عن معدل رفض قدره 50.2 لاستعلامات الأجسام الغائبة. ويُبلّغ النموذجان المتخصصان في التوطين في الجدول نفسه، Rex-Omni-3B وLocateAnything-3B، عن 0.5 و0.6. إن القدرة على قول "غير موجود" هي معظم ما يفصل نظام إدراك عن عرض تجريبي.

• العدّ — 90.9 و88.1 مطابقة تامة على شقّي التحقق والاختبار من PixMo-Count، لكن 27.5 و26.9 فقط على CLOC، و29.5 و32.4 على KubriCount، و47.9 على CountQA. إن التباين عبر مجموعات بيانات العدّ هو أكثر ما يتسم بالصدق في الورقة: فالعدّ ليس مهارة واحدة، وهذا النموذج جيد في بعضها.

• OCR — متوسط F1 البالغ 30.5 على HierText، و42.6 على ICDAR2015، و42.5 على TotalText و62.1 على SROIE. هذه درجات F1 تراعي موضع التوطين عند عتبة IoU قدرها 0.5، وليست دقة النسخ، لذا لا يمكن مقارنتها برقم OCRBench الذي ستراه منسوبًا إلى نماذج VLM الاستهلاكية.

• التجزئة — 79.7 IoU تراكمي على مجموعة تحقق RefCOCO، و73.1 على مجموعة تحقق RefCOCO+، و74.4 على مجموعة تحقق RefCOCOg، و60.9 على مجموعة تحقق ReasonSeg. تذكر الورقة صراحةً أن أرقام عائلة RefCOCO هي cIoU وأن أرقام ReasonSeg هي gIoU.

• التنقيح — على P3M-500-NP باستخدام موجه صندوق، بلغ متوسط الفرق المطلق 6.6 مقابل 15.4 لـ SAM2-Matting. وعلى AM-2K، 5.7 مقابل 12.1. وفي تقسيم الإحالة الأصعب WeRefMat، 15.8 مقابل 23.0 لخط أنابيب Qwen3-VL-8B مع SAM2-Matting. الأقل أفضل في كل هذه الحالات.

ثمة تناقض داخلي واحد يجدر معرفته قبل أن تقتبس نتائج 4B: النموذج الأصغر يتفوق فعليًا على النموذج الأكبر في ماتينغ P3M-500-NP، مسجلًا 6.6 مقابل 7.3 في MAD. لا تشرح Tencent السبب، وهذا تذكير بأن هذه جداول مبنية على تشغيل واحد، وليست تصنيفات مستقرة.

حيث تكون الأدلة شحيحة

قسم القيود في الورقة نفسها صريح بشكل غير معتاد، وينبغي أن يشكّل طريقة قراءتك لكل ما سبق. إذ يقول إن الكمية المحدودة من بيانات التدريب عامة الغرض «قد تُضعف القدرات العامة مقارنةً بالنموذج الأساسي». بعبارة أخرى: الضبط الدقيق الذي جعله جيدًا في الإدراك ربما جعله أسوأ في كونه مساعدًا عامًا. لا شيء في الورقة يختبر ذلك — فلا وجود لـ MMMU، ولا MMBench، ولا DocVQA، ولا أي معيار للتسمية التوضيحية في أي من الجداول السبعة.

القيدان الآخران معماريان وليسا قابلين للإصلاح عبر هندسة المطالبات. فالنموذج يولّد مخرجات مُهيكلة دون سلسلة تفكير، من أجل كفاءة الاستدلال؛ وهو أحادي الدور؛ كما يرفض مُفكِّك ترميز البكسل شبكات الفيديو. وتلاحظ تينسنت أيضًا أن مطالبات المعايير «واضحة ومصاغة جيدًا وغير غامضة»، بينما تعليمات المستخدمين الحقيقيين غالبًا ما تكون مبهمة — وهو اعتراف صريح بأن إعداد التقييم يجامل النموذج.

والفجوات العملية هي التي يصطدم بها المهندس أولًا. لا يوجد طول سياق منشور. استخدمت مراحل تدريب الورقة 4,096 و8,192 رمزًا، ويحدّ الاستدلال كل صورة عند 1,960 رمزًا بصريًا مع فك التشفير الجشع، لكن لا شيء من ذلك يمثل نافذة سياق نشر معلنة. لا يوجد GGUF، ولا بناء مُكمَّم، ولا تصدير ONNX، ولا أي ذكر لـ Apple Silicon. لا توجد نقطة نهاية مستضافة من Tencent، ولا مزود استدلال يقدّمه.

تشغيله، إذا أردت.

المسار المدعوم هو حزمة Tencent الخاصة. ثبّتها من مستودع GitHub، ثم حمّل نقطة التحقق بالاسم واستدعِ predict باستخدام صورة ومهمة واستعلام ودرجة حرارة. تعرض البطاقة أيضًا مسار Transformers عبر خط أنابيب من الصورة والنص إلى النص، وتُدرج vLLM وSGLang وDocker وColab وKaggle كمسارات للنشر.

هناك أمران سيؤذيان أي شخص يقرأ بسرعة. أولاً، mask_decoder.pt ليس اختياريًا — نزّله إلى جانب الأوزان وإلا فلن تجد المهام الكثيفة ما تشغّله. ثانيًا، الإعداد الافتراضي هو فك ترميز جشع عند درجة حرارة صفر، وتوصي بطاقة النموذج بإبقائه على ذلك؛ فهذا نموذج يُصدر إحداثيات منظمة، وأخذ العينات لا يخدمه بأي شكل.

هذه أيضًا هي النقطة التي تكون فيها طبقة التوجيه ذات صلة حقيقية، ويستحق الأمر أن نكون دقيقين بشأن ما يعنيه ذلك هنا. لا يوفّر OrcaRouter نموذج WeVisOne-VL-2B — فهو ليس ضمن كتالوجنا، ولن ندّعي غير ذلك. ما يساعد به الموجّه هو المقارنة المحيطة بذلك: إذا كنت تقيّم نموذج إدراك مستضافًا ذاتيًا مقابل نماذج رؤية عامة الغرض مستضافة، فإن تلك النماذج المستضافة تقف خلف مفتاح API واحد بسعر القائمة لدى المزوّد دون أي هامش ربح، لذا فإن بناء إطار اختبار لا يعني توقيع ثلاثة عقود. يحافظ التبديل التلقائي عند الفشل على بقاء الجانب المستضاف من ذلك الإطار قائمًا بينما يكون جهاز GPU الخاص بك مشغولًا، وتتيح لك لغة DSL الخاصة بالتوجيه وضع استدعاء مستضاف ذاتيًا واستدعاء مستضاف خلف نقطة نهاية واحدة بينما تقرر أيّهما يستحق مكانًا في الإنتاج.

ما الذي سيحوّل هذا من مستودع إلى قصة؟

ثلاثة أمور، لا وجود لأي منها بعد. التشغيل المستقل هو الأهم: فكل رقم أعلاه هو رقم خاص بـ Tencent، على أداة الاختبار الخاصة بـ Tencent، ومعدلات الرفض وفروق matting هي بالضبط نوع الادعاءات التي تتغير عندما يشغّلها شخص آخر. الإعلان هو الثاني — فالمستودع والورقة وصفحة المشروع كلها صادرة عن الجهة نفسها، لكن أياً منها ليس إطلاقاً، ومن المرجح أن يحمل تقرير وافٍ تفاصيل تدريب تختصرها الورقة. دعم أطر العمل هو الثالث: إذ تسرد البطاقة vLLM وSGLang، لكن نواة مدموجة أو تحويلاً رسمياً لنقاط الحفظ يمثل مستوى التزام مختلفاً عن مجرد سطر في جدول نشر.

إلى أن يتحقق أحد تلك الأمور، فإن الوصف الدقيق لـ WeVisOne-VL-2B هو هذا. إنه نموذج إدراك بحجم 2B ذو واجهة ذكية — الإحداثيات كرموز، والمثيلات كعلامات، والبكسلات كفك ترميز منفصل — يبلغ عن مكاسب كبيرة مقارنة بنموذجه الأساسي في الكشف والرفض والماتينغ، ولا ينشر أي أرقام عن القدرات العامة على الإطلاق، ولا يمكن لأي شخص استدعاؤه عبر API. إذا كنت بحاجة إلى قص شخص من صورة فوتوغرافية والحفاظ على شعره، فإن هذه التركيبة مثيرة للاهتمام بما يكفي للتنزيل. وإذا كنت بحاجة إلى مساعد رؤية يجيب عن أسئلة حول صورة، فهذا ليس الملف الذي تبحث عنه، والورقة البحثية صريحة بما يكفي لتقول ذلك.