WeVisOne-VL-4B: نموذج الرؤية 4B الذي نشرته Tencent دون منشور إطلاق

على P3M-500-NP، وهو معيار قياسي لاستخراج الحواف الناعمة من صورة، سجّل أفضل alpha matte استطاعت Tencent إيجاده للمقارنة فرقًا مطلقًا متوسطًا قدره 15.4. وتسجّل WeVisOne-VL-4B قيمة 7.3. أي نحو نصف خطأ خط أنابيب matting مخصص، أنتجه نموذج رؤية-لغة بـ4 مليارات معامل يقوم أيضًا بالكشف والعدّ والتعرف الضوئي على الحروف والتجزئة انطلاقًا من الأوزان نفسها. WeVisOne-VL-4B هو محاولة فريق WeChat Vision لدمج كومة من المتخصصين في الإدراك في متنبئ واحد للرمز التالي، وهو عمل مثير للاهتمام حقًا. لكنه ليس منتجًا بعد: فلا توجد تدوينة على مدونة Tencent، ولا بيان صحفي، ولا نقطة نهاية مستضافة، ولا أي إعلان من أي نوع استطاع هذا الموقع العثور عليه. رُفعت الأوزان على Hugging Face في 22 أكتوبر 2026، وظل النموذج متاحًا للعموم منذ ذلك الحين، بهدوء.

هذه المادة عرضٌ لما تحتويه المستودعات فعليًا، وهي تفصل بين أمرين يسهل الخلط بينهما: ما يمكنك التحقق منه بتنزيل النموذج، وما لا تؤكده سوى ورقة Tencent الخاصة. كلاهما مهم. لكن واحدًا فقط منهما يُعد دليلًا.

ما الذي نُشر، ومتى؟

السجل نظيف على نحو غير معتاد لأن كل شيء موثّق بطابع زمني. مستودع Hugging Face tencent/WeVisOne-VL-4B أُنشئ في 09:48 UTC بتاريخ 22 أكتوبر 2026؛ ومستودع GitHub Tencent/WeVisOne-VL أُنشئ قبل ذلك بخمسين دقيقة، في 08:58 UTC صباح اليوم نفسه؛ وتحمل ورقة arXiv، 2610.31329، تاريخ تقديم هو 22 أكتوبر. نسخة شقيقة 2B، tencent/WeVisOne-VL-2B، ظهرت إلى جانبها.

بحلول وقت كتابة هذا، كان مستودع 4B قد عُدّل مرة أخرى في صباح اليوم التالي، وكان قد جمع إعجابين أو نحو ذلك، ولم يكن له عدد تنزيلات ذو معنى. تلك العدادات مجرد لقطة آنية وليست حكمًا، لكنها تخبرك بشيء لا تستطيع الورقة البحثية إخبارك به: لم يقم تقريبًا أي شخص بسحب هذا النموذج بعد. كان لمستودع GitHub 46 نجمة وحفنة من التفرعات، وقائمة TODO في README الخاصة به هي بحد ذاتها تقرير حالة — حزمة الاستدلال والأدلة العملية وخط أنابيب التقييم تم وضع علامة إنجاز عليها؛ أما عرض Gradio التوضيحي وكود الضبط الدقيق فلم يحدث ذلك.

لذا فإن الوصف الدقيق ليس «تسريبًا» ولا «إطلاقًا». بل هو طرح رسمي مفتوح المصدر، مصحوبًا بالهيكل الداعم لإصدار — ورقة، وأوزان، وشيفرة، وخط أنابيب للتقييم المعياري — ومن دون أي تسويق. أما إذا كانت هناك إعلانات ستتبع فغير معروف. وأي شخص يكتب أن تينسنت «كشفت النقاب عن» هذا النموذج أو «أطلقته» فهو يصف حدثًا لم يقع.

بنية أساسية واحدة، وسبعة أنواع من المخرجات

البنية أقل غرابة مما يوحي به جدول القياسات المرجعية. WeVisOne-VL-4B هو نموذج Qwen3-VL — إذ تذكر بيانات المستودع الوصفية Qwen3VLForConditionalGeneration بوصفه البنية، وتُدرج 4.83 مليار معامل بصيغة F32 — مقرَّبة إلى 5B على بطاقة النموذج — ومضبوطًا بدقة ليُصدر رموز إحداثيات منظمة بدلًا من النثر. تُرمَّز المربعات والنقاط كرموز من <0> إلى <1000>، مطبَّعة على الصورة، وهكذا ينتهي نموذج لغوي إلى القيام بالهندسة بدلًا من الوصف.

النصف الخاص بمستوى البكسل هو الجزء الذي يستحق الفهم. بعد كل صندوق متنبأ به، يُصدر النموذج رمزًا خاصًا، <OBJ>، تُغذّى حالته المخفية إلى مفكّك ترميز منفصل يضم 9.6 مليون معامل يُشحن باسم mask_decoder.pt. ذلك المفكّك — محوّل ميزات بصرية، وست كتل انتباه تبادلي قابلة للتشوّه، ورأس متسلسل يُحسّن عند الخطوة 4 و2 و1 — يحوّل الصندوق إلى قناع نسخة ثم إلى حصيرة ألفا كاملة الدقة. إنه ليس استدعاءً لـSAM. لا يوجد نموذج ثانٍ في الحلقة، ولا مُرمّز توجيهات، ولا مُقسّم خارجي. مسار البكسل بأكمله هو 9.6 مليون معامل مثبتة على نموذج لغوي.

يفسّر هذا الاختيار التصميمي ملامح الاختبار المرجعي. ولأن الأقنعة وطبقات المات مشروطة بالصندوق نفسه الذي تنبأ به النموذج للتو، فلا يحتاج النموذج إلى صندوق يقدمه الإنسان ليقوم بالتجزئة؛ يمكن أن يُطلب منه «الشخص الذي يحمل المظلة» فيعيد المات لتلك الحالة بالضبط. المقايضة هي أن مفكك ترميز البكسل لا يتعلم أبدًا من مكافأة على مستوى القناع — فمرحلة التعلم المعزز في الورقة البحثية تمنح درجات للصناديق والإشارة ونسخ OCR، لكنها لا تستخدم أي مكافأة قناع أو ألفا على الإطلاق. ويُدرَّب الإخراج الكثيف بخسارة إشرافية فقط.

الأرقام، ولمن هي أرقام

كل رقم أدناه مستمد من ورقة Tencent أو من README الخاص بالمشروع. لم يُعِد إنتاجه أي طرف ثالث، وقد اختار المؤلفون مجموعة المقارنة. وهذا أمر طبيعي لورقة عمرها يومان، وهو أيضًا بالضبط الوضع الذي يميل فيه جدول مورّد إلى تجميل نفسه، لذا تعامل مع الفوارق على أنها ادعاءات لا قياسات.

يدّعي العنوان الرئيسي، مقابل أقوى خط أساس مفتوح يدرجه المؤلفون لكل مهمة:

• الكشف، متوسط LVIS F1 — WeVisOne-VL-4B ‏55.3 مقابل 50.7 لأفضل خط أساس

• الكشف الكثيف، متوسط Dense200 F1 — 71.3 مقابل 58.7

• الإشارة، متوسط F1 لاختبار RefCOCOg — 81.8 مقابل 77.6

• الرفض، WeRef-Bench — رُفضت 96.4% من الاستعلامات ذات الهدف الغائب بشكل صحيح مقابل 73.0%

• العدّ، دقة اختبار PixMo-Count — 89.6 مقابل 82.8

• OCR، TotalText، متوسط F1 — 52.0 مقابل 43.3

• التجزئة المرجعية، ReasonSeg val gIoU — 71.2 مقابل 65.0

• تبطين الصندوق، P3M-500-NP MAD — 7.3 مقابل 15.4، والأقل أفضل

الصف الأكثر إفادة ليس ضمن تلك القائمة. مقابل Qwen3-VL-4B — النواة نفسها، دون تعديل — تبلغ الفجوة على Dense200 71.3 مقابل 15.2، وعلى VisDrone 44.7 مقابل 31.0. يكاد نموذج الرؤية واللغة الأساسي يكون عديم الفائدة في الكشف الكثيف عن الأجسام الصغيرة، وينقله الضبط الدقيق إلى نطاق المتخصصين. وهذا ادعاء أكثر قابلية للدفاع من أي مقارنة بنموذج رائد: فالمؤلفون يُظهرون أن نموذجًا عامًا بحجم 4B يمكن تحويله إلى محدِّد مواقع كفؤ دون أن يزداد حجمه.

حيث يتوقف عن العمل

القيود مذكورة في بطاقة النموذج، وهي ليست قيودًا شكلية. فالنموذج يتعامل مع صورة واحدة في كل جولة — شبكات الفيديو يرفضها مُفكِّك ترميز البكسل رفضًا قاطعًا، لذا فليست هذه أداة لتقطيع الفيديو ولا تدّعي أنها كذلك. وهو يُنتج مخرجات منظَّمة مباشرةً، دون سلسلة تفكير، ما يعني أنه لا سبيل لطلب أن يفكّر في استعلام غامض قبل أن يلتزم بمربّع. وتتدهور جودة Alpha عند الحدود الدقيقة والاحتجاب الشديد والمواد الشفافة حقًّا، وهو حسّاس لصياغة التوجيه — فليس مضمونًا أن يعيد كلٌّ من «شعر المرأة» و«شعرها» المات نفسه.

سلوك الرفض هو الميزة الأكثر عرضة للتقليل من شأنها. إرجاع None لهدف غائب يبدو أمرًا تافهًا حتى تشغّل كاشفًا على بث فيديو وتراه يتوهم وجود أحد المشاة في موقف سيارات فارغ. معدل رفض 96.4% على WeRef-Bench، مقابل أفضل خط أساس عند 73.0%، هو الفرق بين مكوّن يمكنك وضعه في مسار معالجة ومكوّن عليك حمايته بنموذج ثانٍ.

كيف ستديره فعليًا

توثّق بطاقة الطراز أربعة مسارات لتقديم الخدمة: حزمة الاستدلال الخاصة بالمشروع، وخط أنابيب Transformers لتحويل الصورة والنص إلى نص، وvLLM، وSGLang، إضافة إلى أمر من سطر واحد لـ Docker Model Runner. فك التشفير جشع، بحد أقصى 1,960 رمزًا بصريًا لكل صورة. عند 4.83 مليار معامل بصيغة F32 تكون نقطة التحقق نحو 19 غيغابايت على القرص، قبل وحدة فك التشفير ذات 9.6 مليون معامل؛ وتحميلها بصيغة bfloat16 يخفض ذلك إلى النصف. ستحتاج إلى شيفرة الاستدلال المخصصة على أي حال — mask_decoder.pt مكوّن مطلوب، وليس إضافة اختيارية، وسيمنحك التحميل القياسي عبر Transformers المربعات والنص ولكن دون أقنعة.

لا توجد واجهة برمجة تطبيقات مستضافة ولا سعر منشور، لذا فإن القول الصادق هو أن WeVisOne-VL-4B يمثل قرارًا بالاستضافة الذاتية اليوم. إذا كان ما تريده فعلاً هو خط أنابيب الإدراك Qwen3-VL في الإنتاج هذا الأسبوع، دون تخصيص GPU لأوزان صدرت أمس، فإن إصدار instruct من Qwen3-VL-8B متاح عبر OrcaRouter — مفتاح واحد عبر أكثر من 200 نموذج، وسعر قائمة المزوّد يُمرَّر كما هو دون هامش ربح (0%)، وتحويل تلقائي عند الفشل إذا اضطربت نقطة نهاية upstream. تلك هي عائلة العمود الفقري، وليست النسخة المضبوطة بدقة. ستمنحك المربعات والأوصاف؛ ولن تمنحك أقنعة ألفا.

ماذا تشاهد

ثلاثة أشياء ستنقل هذا من "ورقة مثيرة للاهتمام" إلى "نموذج ينبغي تقييمه". الأول هو تشغيل مستقل لمعيار قياس — فأي شخص يعيد إنتاج أرقام matting على مجموعة محجوزة سيحسم أكبر سؤال مفتوح. الثاني هو نقطة نهاية مستضافة، من Tencent أو أي جهة أخرى، تخبرك ما إذا كان مسار الاستدلال قويًا بما يكفي للخدمة. الثالث هو كود الضبط الدقيق الموجود دون فحص في قائمة TODO الخاصة بـ README؛ وبدونه، يكون تكييف رأس matting مع كتالوج منتجات محدد مجرد تخمين.

حتى ذلك الحين، الخلاصة المنصفة هي هذه: نشرت Tencent نموذجًا صغيرًا يفعل شيئًا غير معتاد حقًا — أقنعة ألفا كاملة الدقة من نموذج لغوي، دون إشراك SAM في العملية — وقد فعلت ذلك دون طلب للاهتمام. الأوزان متاحة بموجب Apache 2.0 للشيفرة التي أنشأتها Tencent. الادعاءات هي ادعاءات المؤلفين أنفسهم. كلتا الحقيقتين قابلتان للتحقق، وينبغي أن تتحقق منهما قبل أن تبني خططك عليهما.