WeVisOne-VL-4B: el modelo de visión 4B que Tencent publicó sin una publicación de lanzamiento

En P3M-500-NP, un benchmark estándar para extraer bordes suaves de una imagen, el mejor alpha matte que Tencent pudo encontrar para comparar obtuvo una diferencia absoluta media de 15,4. WeVisOne-VL-4B obtiene 7,3. Eso es aproximadamente la mitad del error de un pipeline de matting creado específicamente, producido por un modelo visión-lenguaje de 4 mil millones de parámetros que también hace detección, conteo, OCR y segmentación con los mismos pesos. WeVisOne-VL-4B es el intento del equipo WeChat Vision de colapsar un montón de especialistas en percepción en un único predictor de siguiente token, y es un trabajo genuinamente interesante. Lo que todavía no es, es un producto: no hay ninguna entrada de blog de Tencent, ni comunicado de prensa, ni endpoint alojado, ni anuncio de ningún tipo que este sitio haya podido encontrar. Los pesos se publicaron en Hugging Face el 22 de octubre de 2026 y el modelo ha sido público desde entonces, sin hacer ruido.

Este texto es una lectura de lo que los repositorios contienen realmente, y separa dos cosas que es fácil confundir: lo que puedes verificar descargando el modelo y lo que solo afirma el artículo del propio Tencent. Ambas importan. Solo una de ellas es evidencia.

¿Qué se publicó y cuándo?

El registro es inusualmente limpio porque todo tiene marca de tiempo. El repositorio de Hugging Face tencent/WeVisOne-VL-4B se creó a las 09:48 UTC del 22 de octubre de 2026; el repositorio de GitHub Tencent/WeVisOne-VL se creó cincuenta minutos antes, a las 08:58 UTC de esa misma mañana; el artículo de arXiv, 2610.31329, tiene fecha de envío del 22 de octubre. Un hermano de 2B, tencent/WeVisOne-VL-2B, apareció junto a él.

En el momento de escribir esto, el repositorio 4B había sido modificado una vez más, a la mañana siguiente, y había acumulado un par de «me gusta» y ninguna cifra de descargas relevante. Esos contadores son una instantánea, no un veredicto, pero sí te dicen algo que el artículo no puede: casi nadie ha descargado este modelo todavía. El repositorio de GitHub tenía 46 estrellas y un puñado de bifurcaciones, y la lista de TODO del README es en sí misma un informe de estado: el paquete de inferencia, los recetarios y el flujo de evaluación están marcados; una demo de Gradio y el código de ajuste fino no.

Así que la descripción precisa no es «una filtración» ni «un lanzamiento». Es una publicación oficial de código abierto con el andamiaje de un lanzamiento —artículo, pesos, código, flujo de evaluación comparativa— y nada de marketing. Se desconoce si habrá un anuncio. Cualquiera que escriba que Tencent «presentó» o «lanzó» este modelo está describiendo un evento que no ha ocurrido.

Un backbone, siete tipos de salida

La arquitectura es menos exótica de lo que la tabla de benchmarks hace parecer. WeVisOne-VL-4B es un modelo Qwen3-VL — los metadatos del repositorio indican Qwen3VLForConditionalGeneration como la arquitectura y enumeran 4,83 mil millones de parámetros en F32 — redondeados a 5B en la model card — ajustado con fine-tuning para emitir tokens de coordenadas estructurados en lugar de prosa. Las cajas y los puntos se codifican como tokens desde <0> hasta <1000>, normalizados respecto a la imagen, que es como un modelo de lenguaje acaba haciendo geometría en lugar de descripción.

La mitad a nivel de píxel es la parte que vale la pena entender. Tras cada caja predicha, el modelo emite un token especial, <OBJ>, cuyo estado oculto se alimenta a un decodificador separado de 9,6 millones de parámetros que se distribuye como mask_decoder.pt. Ese decodificador —un adaptador de características visuales, seis bloques de atención cruzada deformable y una cabeza en cascada que refina en stride 4, 2 y 1— convierte la caja en una máscara de instancia y luego en un matte alfa a resolución completa. No es una llamada a SAM. No hay un segundo modelo en el bucle, ni codificador de prompts, ni segmentador externo. Toda la ruta de píxeles son 9,6 M de parámetros atornillados a un modelo de lenguaje.

Esa elección de diseño explica el perfil del benchmark. Como las máscaras y los mattes están condicionados a la misma caja que el modelo acaba de predecir, el modelo no necesita una caja proporcionada por un humano para segmentar; se le puede pedir «la persona que sostiene el paraguas» y que devuelva el matte para exactamente esa instancia. La contrapartida es que el decodificador de píxeles nunca aprende de una recompensa a nivel de máscara: la etapa de aprendizaje por refuerzo del artículo puntúa cajas, apuntado y transcripción OCR, pero no utiliza ninguna recompensa de máscara ni alfa en absoluto. La salida densa se entrena únicamente con pérdida supervisada.

Los números, y de quién son los números.

Cada cifra que aparece a continuación procede del artículo de Tencent o del README del proyecto. Ninguna ha sido reproducida por un tercero, y el conjunto de comparación fue elegido por los autores. Eso es normal en un artículo de hace dos días, y es también exactamente la situación en la que una tabla de un fabricante se halaga a sí misma, así que tome los márgenes como afirmaciones y no como mediciones.

El titular afirma, frente a la línea base abierta más sólida que los autores enumeran para cada tarea:

• Detección, media F1 de LVIS — WeVisOne-VL-4B 55,3 frente a 50,7 del mejor modelo de referencia

• Detección densa, media F1 de Dense200 — 71,3 vs 58,7

• Referring, media F1 en la prueba de RefCOCOg — 81,8 vs 77,6

• Rechazo, WeRef-Bench — 96,4 % de las consultas con objetivo ausente se rechazaron correctamente, frente al 73,0 %

• Conteo, precisión en la prueba PixMo-Count — 89.6 vs 82.8

• OCR, media F1 de TotalText — 52,0 vs 43,3

• Segmentación referencial, gIoU de validación de ReasonSeg — 71.2 vs 65.0

• Acolchado de caja, P3M-500-NP MAD — 7,3 vs 15,4, cuanto menor, mejor

La fila más informativa no está en esa lista. Frente a Qwen3-VL-4B —el mismo backbone, sin modificar—, la diferencia en Dense200 es de 71,3 frente a 15,2, y en VisDrone, de 44,7 frente a 31,0. Un modelo base de visión-lenguaje es casi inútil para la detección densa de objetos pequeños, y el ajuste fino lo lleva al territorio de los especialistas. Esa es una afirmación más defendible que cualquier comparación con un modelo de frontera: los autores demuestran que un generalista de 4B puede convertirse en un localizador competente sin crecer.

Dónde deja de funcionar

Las limitaciones se indican en la tarjeta del modelo y no son cosméticas. El modelo maneja una sola imagen por turno —las cuadrículas de vídeo son rechazadas de plano por el decodificador de píxeles—, así que no es una herramienta de segmentación de vídeo ni pretende serlo. Produce salida estructurada directamente, sin cadena de pensamiento, lo que significa que no hay forma de pedirle que razone sobre una consulta ambigua antes de comprometerse con una caja. La calidad de alpha se degrada en límites finos, oclusiones intensas y materiales genuinamente transparentes, y es sensible a la redacción del prompt: «el pelo de la mujer» y «su pelo» no garantizan devolver el mismo mate.

El comportamiento de rechazo es la característica más propensa a quedar subestimada. Devolver None cuando el objetivo está ausente suena trivial hasta que has ejecutado un detector sobre una señal de vídeo y lo has visto alucinar un peatón en un aparcamiento vacío. Una tasa de rechazo del 96,4 % en WeRef-Bench, frente al 73,0 % del mejor baseline, es la diferencia entre un componente que puedes integrar en un pipeline y uno que tienes que proteger con un segundo modelo.

Cómo lo ejecutarías realmente

La tarjeta del modelo documenta cuatro rutas de servicio: el paquete de inferencia propio del proyecto, una canalización de Transformers image-text-to-text pipeline, vLLM y SGLang, además de un comando de una sola línea de Docker Model Runner. La decodificación es greedy, con un límite de 1.960 tokens visuales por imagen. Con 4,83B de parámetros en F32, el checkpoint ocupa aproximadamente 19 GB en disco, antes del decodificador de 9,6M de parámetros; cargarlo en bfloat16 reduce eso a la mitad. Necesitarás el código de inferencia personalizado de todos modos — mask_decoder.pt es un componente obligatorio, no un extra opcional, y una carga estándar de Transformers te dará cajas y texto, pero no máscaras.

No hay API alojada ni precio publicado, así que la afirmación honesta es que WeVisOne-VL-4B es hoy una decisión de autohospedaje. Si lo que realmente quieres es el pipeline de percepción Qwen3-VL en producción esta semana, sin aprovisionar una GPU para pesos que llegaron ayer, la compilación instruct Qwen3-VL-8B está disponible a través de OrcaRouter — una sola clave para más de 200 modelos, precio de lista del proveedor transferido con 0 % de margen y conmutación por error automática si un endpoint upstream se vuelve inestable. Esa es la familia backbone, no el ajuste fino. Te dará cajas y descripciones; no te dará máscaras alfa.

Qué ver

Tres cosas harían que esto pasara de «artículo interesante» a «modelo que deberías evaluar». La primera es una ejecución independiente del benchmark: cualquiera que reprodujera las cifras de matting en un conjunto reservado resolvería la mayor pregunta abierta. La segunda es un endpoint alojado, de Tencent o de cualquier otro, que indicaría si la ruta de inferencia es lo bastante robusta para prestar servicio. La tercera es el código de ajuste fino que sigue sin revisar en la lista TODO del README; sin él, adaptar la cabeza de matting a un catálogo de productos concreto es conjeturar.

Hasta entonces, el resumen justo es este: Tencent ha publicado un modelo pequeño que hace algo genuinamente inusual —matrices alfa de resolución completa a partir de un modelo de lenguaje, sin SAM de por medio— y lo ha hecho sin pedir atención. Los pesos son Apache 2.0 para el código escrito por Tencent. Las afirmaciones son de los propios autores. Ambos hechos son verificables, y deberías verificarlos antes de planificar en torno a ellos.