WeVisOne-VL-2B: Tencent lanzó un modelo de percepción y no se lo dijo a nadie

La línea más trascendental de la ficha del modelo WeVisOne-VL-2B no trata sobre el modelo. Trata sobre un archivo llamado mask_decoder.pt, con 9.511.460 parámetros, descrito en una sola frase escueta como "un componente central obligatorio, no un complemento opcional". Todo el comportamiento del nuevo modelo de percepción de Tencent —ya sea que obtengas una caja, un punto, una máscara binaria o un matte alfa continuo— pasa por ese decodificador. Y el modelo al que pertenece llegó casi sin ceremonia: los pesos de WeVisOne-VL-2B se publicaron en Hugging Face a las 09:47 UTC del 22 de octubre de 2026, un repositorio de GitHub apareció cincuenta minutos antes, un artículo se publicó el mismo día, y Tencent no ha publicado ninguna entrada de lanzamiento ni ningún anuncio que acompañe nada de esto.

Para un lector, lo que eso significa es limitado pero útil. No es un producto al que puedas suscribirte. Es una versión de investigación que puedes descargar, con un artículo que informa cifras que la ficha del modelo no repite, y un conjunto de restricciones que la ficha expone con más claridad de lo que haría la mayoría de los proveedores. A continuación se presenta lo que se puede comprobar desde el repositorio, lo que se afirma en el artículo y lo que nadie ha verificado todavía.

Lo que llegó, y las marcas de tiempo que muestran cuán silenciosamente

Todas las fechas que aparecen aquí proceden de una marca de tiempo pública y no de una nota de prensa, porque no existe ninguna nota de prensa:

• Hugging Face — tencent/WeVisOne-VL-2B se creó el 2026-10-22 a las 09:47:50 UTC. El modelo hermano de 4B se creó veinticuatro segundos después, que es el aspecto que tiene una carga de organización cuando los archivos se envían en un solo lote.

• GitHub — Tencent/WeVisOne-VL se creó a las 08:58:16 UTC de esa misma mañana. Al momento de escribir esto, contiene un único commit, «Initial public release of WeVisOne-VL», con marca temporal 2026-10-23 08:14 UTC, y 46 estrellas.

• Artículo — arXiv 2610.31329, «WeVisOne-VL: Unified Visual Perception from Objects to Pixels», v1 enviado el 22 de octubre de 2026, por Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li y Jing Lyu, todos de WeChat Vision, Tencent Inc.

• Página del proyecto — tencent.github.io/WeVisOne-VL ya está disponible, con una demo, una sección de método y tablas de resultados. Es una página de investigación, no una página de producto: sin precios, sin API, sin registro.

La propia tarjeta mostraba tres me gusta al comprobarla, y uno en el 4B. El contador de descargas marcaba cero, lo que sobre todo indica que el contador va con retraso; el resumen honesto es que casi nadie fuera del laboratorio ha tocado esto todavía, y cualquier artículo publicado esta semana —este incluido— parte del paper y del repositorio, no de resultados.

Un detalle que conviene señalar porque saldrá en el proceso de compras: la ficha del modelo concede Apache 2.0 para «el código de este repositorio authored por Tencent». La API de GitHub informa que la licencia del repositorio es «Other», sin identificador SPDX. Esas dos afirmaciones no están necesariamente en conflicto —los componentes de terceros conservan sus propias condiciones, y la ficha así lo indica—, pero significa que vale la pena leer el archivo de licencia antes de que esto se acerque a cualquier producto.

La arquitectura es una apuesta por los tokens, no por un modelo más grande

WeVisOne-VL-2B se basa en Qwen3-VL, cuenta con unos 2 mil millones de parámetros y hace algo ligeramente inusual para un modelo de visión y lenguaje: separa encontrar de dibujar.

El lado del lenguaje se encarga de la búsqueda. Tiene tokens de coordenadas dedicados, <0> hasta <1000>, que codifican cajas y puntos normalizados, por lo que una detección es literalmente una secuencia de tokens que el modelo emite en el mismo flujo que su texto. Cuando un objetivo consultado está ausente, devuelve None en lugar de inventar una caja. Para tareas densas emite un token especial más, <OBJ> en el ID de token 152678, inmediatamente después de cada caja predicha — un marcador que dice "esta instancia continúa abajo."

El lado de los píxeles se encarga del dibujo. mask_decoder.pt lee el estado oculto en cada <OBJ>, lo combina con un prior de caja codificado en Fourier y produce la máscara real. Tiene tres etapas: un adaptador de características visuales sobre características ViT multimivel de Qwen3-VL previas a la fusión; un decodificador de consultas guiado por caja con seis bloques de atención cruzada deformable; y una cabeza de predicción densa construida en torno a lo que Tencent llama FullCanvasAlphaCascadeHead, que refina en S/4, S/2 y S/1 para producir mattes alfa continuos de resolución completa con stride 1.

La elección de diseño que importa es la última. La mayoría de los VLM con grounding devuelven una máscara binaria o un polígono. Un alpha matte es un mapa de opacidad por píxel con bordes suaves, justo lo que necesitas para componer a una persona sobre un fondo nuevo sin un halo alrededor de su cabello. Ese es un tipo de salida distinto del de la segmentación, y es la razón por la que este modelo existe como un lanzamiento separado en lugar de como un fine-tune de un VLM general.

Lo que afirma el artículo y lo que la tarjeta no te dirá

La ficha del modelo no contiene ninguna tabla de benchmarks. Ni longitud de contexto, ni cifras de rendimiento, ni recuento de tokens de entrenamiento, ni requisitos de hardware, ni precio. Lo que ofrece la ficha es la interfaz, la arquitectura, el uso previsto y las limitaciones.

El artículo es donde están los números, a lo largo de siete tablas de tareas y lo que Tencent describe como más de treinta benchmarks. Todos los siguientes son resultados de los propios autores, ejecutados por los autores y no reproducidos por nadie independiente:

• Detección — F1 medio de 55,2 en COCO, 53,3 en LVIS, 61,4 en Dense200 y 40,4 en VisDrone. La línea base Qwen3-VL-2B en la misma tabla obtiene 45,2; 40,8; 10,0 y 23,1. La diferencia en Dense200 es la más llamativa: seis veces la línea base, en un benchmark sobre escenas concurridas.

• Rechazo — en RefCOCOg, el 2B reporta una tasa de rechazo de 50.2 para consultas de objetos ausentes. Los dos modelos especializados de grounding en la misma tabla, Rex-Omni-3B y LocateAnything-3B, reportan 0.5 y 0.6. Poder decir «no está ahí» es gran parte de lo que separa a un sistema de percepción de una demo.

• Conteo — 90.9 y 88.1 de coincidencia exacta en las divisiones de validación y prueba de PixMo-Count, pero solo 27.5 y 26.9 en CLOC, 29.5 y 32.4 en KubriCount, y 47.9 en CountQA. La dispersión entre los conjuntos de datos de conteo es lo más honesto del artículo: el conteo no es una sola habilidad, y este modelo es bueno en algunas de ellas.

• OCR — F1 medio de 30,5 en HierText, 42,6 en ICDAR2015, 42,5 en TotalText y 62,1 en SROIE. Se trata de puntuaciones F1 que tienen en cuenta la localización, con un umbral de IoU de 0,5, no de precisión de transcripción, por lo que no son comparables con la cifra de OCRBench que verá citada para los VLM de consumo.

• Segmentación: 79,7 de IoU acumulada en la validación de RefCOCO, 73,1 en la validación de RefCOCO+, 74,4 en la validación de RefCOCOg y 60,9 en la validación de ReasonSeg. El artículo especifica claramente que las cifras de la familia RefCOCO son cIoU y las de ReasonSeg son gIoU.

• Matting — en P3M-500-NP con un prompt de caja, una diferencia media absoluta de 6,6 frente a 15,4 de SAM2-Matting. En AM-2K, 5,7 frente a 12,1. En el split de referring más difícil de WeRefMat, 15,8 frente a 23,0 de un pipeline de Qwen3-VL-8B más SAM2-Matting. En todos estos casos, cuanto más bajo, mejor.

Hay una inconsistencia interna que conviene conocer antes de citar el 4B: el modelo más pequeño en realidad supera al más grande en el matting de P3M-500-NP, 6,6 frente a 7,3 MAD. Tencent no explica por qué, y es un recordatorio de que estas son tablas de una sola ejecución, no clasificaciones definitivas.

Donde la evidencia es escasa

La propia sección de limitaciones del artículo es inusualmente directa, y debería influir en cómo interpretas todo lo anterior. Afirma que la cantidad limitada de datos de entrenamiento de propósito general "puede comprometer las capacidades generales en relación con el modelo base". En otras palabras: el ajuste fino que lo hizo destacar en percepción puede haber empeorado su desempeño como asistente general. Nada en el artículo pone eso a prueba: no hay MMMU, ni MMBench, ni DocVQA, ni ningún benchmark de descripción de imágenes en ninguna de las siete tablas.

Las otras tres limitaciones son arquitectónicas y no pueden corregirse mediante prompting. El modelo genera salida estructurada sin cadena de pensamiento, por eficiencia de inferencia; es de un solo turno; y el decodificador de píxeles rechaza rejillas de video. Tencent también señala que los prompts de los benchmarks son «claros, bien formados e inequívocos», mientras que las instrucciones reales de los usuarios suelen ser vagas —una admisión sincera de que el entorno de evaluación favorece al modelo.

Y las lagunas prácticas son las que un ingeniero encuentra primero. No hay una longitud de contexto publicada. Las etapas de entrenamiento del artículo usaron 4.096 y 8.192 tokens, y la inferencia limita cada imagen a 1.960 tokens visuales con decodificación codiciosa, pero nada de eso constituye una ventana de contexto de despliegue declarada. No hay GGUF, ni una versión cuantizada, ni una exportación ONNX, y no se menciona Apple Silicon. No hay un endpoint alojado de Tencent, ni un proveedor de inferencia que lo sirva.

Ejecutándolo, si quieres

La ruta compatible es el paquete propio de Tencent. Instálalo desde el repositorio de GitHub, luego carga el checkpoint por nombre y llama a predict con una imagen, una tarea, una consulta y una temperatura. La tarjeta también muestra una ruta de Transformers mediante un pipeline de imagen-texto a texto, y enumera vLLM, SGLang, Docker, Colab y Kaggle como rutas de despliegue.

Dos cosas les pasarán factura a quienes solo echen un vistazo. Primero, mask_decoder.pt no es opcional: descárgalo junto con los pesos o las tareas densas no tendrán nada que ejecutar. Segundo, el valor predeterminado es la decodificación codiciosa con temperatura cero, y la ficha recomienda dejarlo así; este es un modelo que emite coordenadas estructuradas y el muestreo no le hace ningún favor.

Este es también el punto en el que una capa de enrutamiento es realmente relevante, y merece la pena ser preciso sobre qué significa eso aquí. OrcaRouter no ofrece WeVisOne-VL-2B —no está en nuestro catálogo, y no vamos a fingir lo contrario. Lo que un enrutador facilita es la comparación en torno a esto: si estás evaluando un modelo de percepción autoalojado frente a modelos de visión de propósito general alojados, esos modelos alojados quedan detrás de una sola clave de API al precio de lista del proveedor y sin recargo, así que montar un banco de pruebas no significa firmar tres contratos. La conmutación por error automática mantiene activo el lado alojado de ese banco de pruebas mientras tu máquina con GPU está ocupada, y el DSL de enrutamiento te permite poner una llamada autoalojada y otra alojada detrás de un único punto de conexión mientras decides cuál merece un lugar en producción.

¿Qué haría falta para que esto deje de ser un repositorio y se convierta en una historia?

Tres cosas, ninguna de las cuales existe todavía. Una ejecución independiente es la más importante: todas las cifras anteriores son de Tencent, obtenidas con el arnés de Tencent, y las tasas de rechazo y los deltas de matting son justo el tipo de afirmaciones que cambian cuando las ejecuta otra persona. Un anuncio es lo segundo: el repositorio, el artículo y la página del proyecto son todos del propio equipo, pero ninguno de ellos es un lanzamiento, y un informe técnico en condiciones probablemente incluiría detalles de entrenamiento que el artículo comprime. El soporte para frameworks es lo tercero: la ficha del modelo incluye vLLM y SGLang, pero un kernel fusionado o una conversión oficial de checkpoints supone un nivel de compromiso distinto al de una línea en una tabla de despliegue.

Hasta que llegue uno de esos, la descripción precisa de WeVisOne-VL-2B es esta. Es un modelo de percepción de 2B con una interfaz inteligente —coordenadas como tokens, instancias como marcadores, píxeles como un decodificador separado— que reporta grandes mejoras frente a su propio modelo base en detección, rechazo y matting, no publica ninguna cifra de capacidad general y nadie puede llamarlo mediante una API. Si necesitas recortar a una persona de una fotografía y conservar su cabello, esa combinación es lo bastante interesante como para descargarlo. Si necesitas un asistente de visión que responda preguntas sobre una imagen, este no es el archivo que buscas, y el artículo es lo bastante sincero como para decirlo.