WeVisOne-VL-2B: Tencent השיקה מודל תפיסה ולא סיפרה לאיש

השורה המשמעותית ביותר בכרטיס המודל של WeVisOne-VL-2B אינה עוסקת במודל. היא עוסקת בקובץ בשם mask_decoder.pt, בעל 9,511,460 פרמטרים, המתואר במשפט אחד שטוח כ"רכיב ליבה נדרש, לא תוספת אופציונלית". כל מה שקשור לאופן שבו מודל התפיסה החדש של Tencent מתנהג — בין אם מקבלים תיבה, נקודה, מסכה בינארית או מאט אלפא רציף — עובר דרך אותו מפענח. והמודל שאליו הוא שייך הגיע כמעט בלי שום טקס: המשקולות של WeVisOne-VL-2B עלו ל-Hugging Face בשעה 09:47 UTC ב-22 באוקטובר 2026, מאגר GitHub הופיע חמישים דקות קודם לכן, מאמר פורסם באותו יום, ו-Tencent לא פרסמה פוסט השקה ולא הודעה כלשהי שנלוותה לכך.

מה שזה אומר לקורא הוא צר אך שימושי. זה לא מוצר שאפשר להירשם אליו. זוהי מהדורת מחקר שאפשר להוריד, עם מאמר שמדווח על מספרים שכרטיס המודל אינו חוזר עליהם, ועם סט אילוצים שהכרטיס מציין בפשטות רבה יותר מרוב הספקים. להלן מה שניתן לבדוק מתוך המאגר, מה שנטען במאמר, ומה שאיש עדיין לא אימת.

מה נחת, וחותמות הזמן שמראות כמה בשקט

כל תאריך כאן מקורו בחותמת זמן ציבורית ולא בהודעה לעיתונות, מפני שאין הודעה לעיתונות:

• Hugging Face — tencent/WeVisOne-VL-2B נוצר ב-2026-10-22 בשעה 09:47:50 UTC. האח התאום 4B נוצר עשרים וארבע שניות לאחר מכן, וזה מה שנראה כמו העלאה של ארגון כאשר הקבצים נדחפים באצווה אחת.

• GitHub — Tencent/WeVisOne-VL נוצר ב-08:58:16 UTC באותו בוקר. נכון לזמן כתיבת שורות אלה, הוא כולל קומיט יחיד, "Initial public release of WeVisOne-VL", עם חותמת זמן 2026-10-23 08:14 UTC, ו-46 כוכבים.

מאמר — arXiv 2610.31329, "WeVisOne-VL: תפיסה חזותית מאוחדת מאובייקטים לפיקסלים", גרסה v1 הוגשה ב-22 באוקטובר 2026, מאת Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li ו-Jing Lyu, כולם מ-WeChat Vision, Tencent Inc.

• דף הפרויקט — tencent.github.io/WeVisOne-VL פעיל, עם דמו, קטע שיטה וטבלאות תוצאות. זהו דף מחקר, לא דף מוצר: בלי תמחור, בלי API, בלי הרשמה.

הכרטיס עצמו הראה שלושה לייקים בעת הבדיקה, ואחד על ה-4B. מונה ההורדות הציג אפס, מה שבעיקר אומר שהמונה מפגר; הסיכום הכנה הוא שכמעט אף אחד מחוץ למעבדה עוד לא נגע בזה, וכל מאמר שיתפרסם השבוע — כולל זה — מבוסס על המאמר ועל המאגר ולא על תוצאות.

פרט אחד שראוי לציין כי יעלה ברכש: כרטיס המודל מעניק Apache 2.0 ל"קוד שנכתב על ידי Tencent במאגר זה". ה-API של GitHub מדווח על רישיון המאגר כ"Other" ללא מזהה SPDX. שתי האמירות האלה לא בהכרח סותרות זו את זו — רכיבי צד שלישי שומרים על התנאים שלהם, וכרטיס המודל אומר זאת — אבל משמעות הדבר היא שכדאי לקרוא את קובץ הרישיון לפני שזה מתקרב למוצר.

הארכיטקטורה היא הימור על טוקנים, לא על מודל גדול יותר

WeVisOne-VL-2B בנוי על Qwen3-VL, בעל כ-2 מיליארד פרמטרים, ועושה משהו קצת יוצא דופן עבור מודל חזותי-לשוני: הוא מפריד בין מציאה לבין ציור.

הצד הלשוני מטפל באיתור. יש לו טוקנים ייעודיים לקואורדינטות, <0> עד <1000>, שמקודדים תיבות ונקודות מנורמלות, כך שזיהוי הוא ממש רצף של טוקנים שהמודל פולט באותו זרם כמו הטקסט שלו. כאשר יעד מבוקש אינו קיים, הוא מחזיר None במקום להמציא תיבה. עבור משימות צפופות הוא פולט טוקן מיוחד נוסף, <OBJ> במזהה טוקן 152678, מיד לאחר כל תיבה חזויה — סמן שאומר "המופע הזה ממשיך למטה."

הצד הפיקסלי אחראי על הציור. mask_decoder.ptקורא את המצב החבוי בכל <OBJ>משלב אותו עם פריאור תיבה מקודד פורייה ומפיק את המסכה בפועל. יש לו שלושה שלבים: מתאם תכונות חזותי על תכונות ViT רב-רמתיות של Qwen3-VL לפני מיזוג; מפענח שאילתות מונחה תיבה עם שישה בלוקי קשב צולב דיפורמביליים; וראש חיזוי צפוף הבנוי סביב מה שטנסנט מכנה FullCanvasAlphaCascadeHead, אשר מבצע עידון ב-S/4, S/2 ו-S/1 כדי להפיק מאטי אלפא רציפים ברזולוציה מלאה בסטרייד 1.

הבחירה העיצובית שחשובה היא האחרונה. רוב מודלי ה-VLM המעוגנים מחזירים מסכה בינארית או פוליגון. מאט אלפא הוא מפת אטימות לכל פיקסל עם קצוות רכים — מה שדרוש כדי להרכיב אדם על רקע חדש בלי הילה סביב השיער. זהו סוג פלט שונה מסגמנטציה, וזו הסיבה שהמודל הזה קיים כמהדורה נפרדת ולא ככוונון עדין של VLM כללי.

מה שהמאמר טוען, ומה שהכרטיס לא יגיד לך

כרטיס המודל אינו מכיל טבלת בנצ'מרקים. אין אורך הקשר, אין נתוני תפוקה, אין מספר אסימוני אימון, אין דרישות חומרה, אין מחיר. מה שכרטיס המודל נותן לך הוא הממשק, הארכיטקטורה, השימוש המיועד והמגבלות.

המאמר הוא המקום שבו נמצאים המספרים, על פני שבע טבלאות משימות ומה שטנסנט מתארת כיותר משלושים מבחני הערכה. כל התוצאות הבאות הן תוצאותיהם של המחברים עצמם, שהורצו על ידי המחברים, ולא שוחזרו על ידי אף גורם בלתי תלוי:

• זיהוי — ממוצע F1 של 55.2 ב-COCO, 53.3 ב-LVIS, 61.4 ב-Dense200 ו-40.4 ב-VisDrone. קו הבסיס Qwen3-VL-2B באותה טבלה מגיע ל-45.2, 40.8, 10.0 ו-23.1. הפער ב-Dense200 הוא הבולט מכולם: פי שישה מקו הבסיס, בבנצ'מרק שעוסק בסצנות צפופות.

• דחייה — ב-RefCOCOg, ה-2B מדווח על שיעור דחייה של 50.2 עבור שאילתות של אובייקטים נעדרים. שני מודלי ה-grounding המתמחים באותה טבלה, Rex-Omni-3B ו-LocateAnything-3B, מדווחים 0.5 ו-0.6. היכולת לומר "לא שם" היא רוב מה שמבדיל בין מערכת תפיסה לבין דמו.

• ספירה — 90.9 ו-88.1 התאמה מדויקת בפיצולי האימות והמבחן של PixMo-Count, אך רק 27.5 ו-26.9 ב-CLOC, 29.5 ו-32.4 ב-KubriCount, ו-47.9 ב-CountQA. הפער בין מערכי נתוני הספירה הוא הדבר הכנה ביותר במאמר: ספירה אינה מיומנות אחת, והמודל הזה טוב בחלק מהן.

• OCR — F1 ממוצע של 30.5 ב-HierText, 42.6 ב-ICDAR2015, 42.5 ב-TotalText ו-62.1 ב-SROIE. אלו ציוני F1 מודעי-מיקום בסף IoU של 0.5, לא דיוק תמלול, ולכן אינם ברי-השוואה למספר ה-OCRBench שתראו מצוטט עבור מודלי VLM לצרכנים.

• סגמנטציה — 79.7 IoU מצטבר בולידציה של RefCOCO, 73.1 בולידציה של RefCOCO+, 74.4 בולידציה של RefCOCOg, ו-60.9 בולידציה של ReasonSeg. המאמר מציין במפורש שהמספרים של משפחת RefCOCO הם cIoU והמספרים של ReasonSeg הם gIoU.

• Matting — ב-P3M-500-NP עם פרומפט תיבה, הפרש מוחלט ממוצע של 6.6 לעומת 15.4 עבור SAM2-Matting. ב-AM-2K, 5.7 לעומת 12.1. בפיצול ההתייחסות הקשה יותר של WeRefMat, 15.8 לעומת 23.0 עבור צינור של Qwen3-VL-8B יחד עם SAM2-Matting. ככל שהערך נמוך יותר, כך טוב יותר בכל אלה.

יש אי־עקביות פנימית אחת שכדאי להכיר לפני שאתם מצטטים את ה-4B: המודל הקטן למעשה גובר על הגדול במטינג P3M-500-NP, 6.6 לעומת 7.3 MAD. Tencent אינה מסבירה מדוע, וזה תזכורת לכך שאלו טבלאות של ריצה בודדת, לא דירוגים סופיים.

היכן שהראיות דלות

סעיף המגבלות של המאמר עצמו ישיר באופן יוצא דופן, והוא אמור לעצב את האופן שבו יש לקרוא את כל מה שלמעלה. הוא אומר שהכמות המוגבלת של נתוני אימון לשימוש כללי "עלולה לפגוע ביכולות הכלליות ביחס למודל הבסיס". במילים אחרות: הכיוונון העדין שהפך אותו למוצלח בתפיסה אולי הפך אותו לגרוע יותר בתפקידו כעוזר כללי. אין במאמר שום בדיקה של זה — אין MMMU, אין MMBench, אין DocVQA, ואין בנצ'מרק לכיתוב בשום מקום בשבע הטבלאות.

שלוש המגבלות האחרות הן ארכיטקטוניות ולא ניתנות לתיקון באמצעות פרומפטים. המודל מייצר פלט מובנה ללא שרשרת מחשבה, לצורך יעילות הסקה; הוא חד-סבבי; ומפענח הפיקסלים דוחה רשתות וידאו. טנסנט גם מציינת שפרומפטי הבנצ'מרק הם "בהירים, מנוסחים היטב וחד-משמעיים", בעוד שהוראות משתמשים אמיתיות הן לעתים קרובות מעורפלות — הודאה גלויה שסביבת ההערכה מחמיאה למודל.

והפערים המעשיים הם אלו שמהנדס נתקל בהם ראשון. אין אורך הקשר מפורסם. שלבי האימון במאמר השתמשו ב-4,096 וב-8,192 טוקנים, והאינפרנס מגביל כל תמונה ל-1,960 טוקנים חזותיים עם פענוח חמדני, אבל אף אחד מאלה אינו חלון הקשר פריסה מוצהר. אין GGUF, אין גרסה מכומתת, אין ייצוא ONNX ואין אזכור ל-Apple Silicon. אין נקודת קצה מתארחת של Tencent, ואין ספק אינפרנס שמגיש אותו.

להריץ את זה, אם אתה רוצה

המסלול הנתמך הוא החבילה של Tencent עצמה. התקן אותה ממאגר GitHub, לאחר מכן טען את הצ'קפוינט לפי שם וקרא ל-predict עם תמונה, משימה, שאילתה וטמפרטורה. הכרטיס גם מציג מסלול Transformers דרך צינור תמונה-טקסט-לטקסט, ומפרט את vLLM, SGLang, Docker, Colab ו-Kaggle כמסלולי פריסה.

שני דברים יתפסו כל מי שמעיף מבט חטוף. ראשית, mask_decoder.ptאינו אופציונלי — הורידו אותו יחד עם המשקולות, אחרת למשימות ה-dense אין מה להריץ. שנית, ברירת המחדל היא פענוח חמדני בטמפרטורה אפס, והכרטיס ממליץ להשאיר אותה כך; זהו מודל שפולט קואורדינטות מובנות, ודגימה לא עושה לו טובות.

זו גם הנקודה שבה שכבת ניתוב באמת רלוונטית, וכדאי להיות מדויקים לגבי מה זה אומר כאן. OrcaRouter לא מגיש את WeVisOne-VL-2B — הוא לא נמצא בקטלוג שלנו, ואנחנו לא מתכוונים להעמיד פנים אחרת. מה שנתב עוזר בו הוא ההשוואה שסביבו: אם אתם מעריכים מודל תפיסה באירוח עצמי מול מודלי ראייה כלליים באירוח, המודלים המתארחים האלה נמצאים מאחורי מפתח API אחד במחיר המחירון של הספק ללא תוספת, כך שבניית מערכת בדיקה לא מחייבת לחתום על שלושה חוזים. מעבר אוטומטי לכשל שומר על הצד המתארח של מערכת הבדיקה הזו פעיל בזמן שמכונת ה-GPU שלכם עסוקה, ושפת ה-DSL לניתוב מאפשרת לכם להעמיד קריאה באירוח עצמי וקריאה באירוח מאחורי נקודת קצה אחת בזמן שאתם מחליטים איזו מהן זוכה במקום בייצור.

מה היה הופך את זה ממאגר לסיפור?

שלושה דברים, שאף אחד מהם עדיין לא קיים. הרצה עצמאית היא הדבר הגדול: כל מספר למעלה הוא של Tencent, על תשתית הבדיקה של Tencent, ושיעורי הדחייה והפרשי המאטינג הם בדיוק מסוג הטענות שמשתנות כשמישהו אחר מריץ אותן. הכרזה היא השנייה — המאגר, המאמר ועמוד הפרויקט כולם של צד ראשון, אבל אף אחד מהם אינו השקה, וכתיבה מסודרת כנראה תכלול פרטי אימון שהמאמר מקצר. תמיכת מסגרות היא השלישית: הכרטיס מפרט את vLLM ו-SGLang, אבל קרנל ממוזג או המרת נקודת ביקורת רשמית היא רמה אחרת של מחויבות לעומת שורה בטבלת פריסה.

עד שאחד מאלה יתממש, התיאור המדויק של WeVisOne-VL-2B הוא זה. זהו מודל תפיסה בגודל 2B עם ממשק חכם — קואורדינטות כטוקנים, מופעים כסמנים, פיקסלים כמפענח נפרד — שמדווח על שיפורים גדולים לעומת מודל הבסיס של עצמו בזיהוי, בדחייה ובמיטינג, אינו מפרסם כלל מספרי יכולות כלליות, ואי אפשר לקרוא לו דרך API על ידי אף אחד. אם אתם צריכים לגזור אדם מתמונה ולשמור על השיער שלו, השילוב הזה מעניין מספיק כדי להוריד אותו. אם אתם צריכים עוזר ראייה שעונה על שאלות לגבי תמונה, זה לא הקובץ שאתם מחפשים, והמאמר גלוי לב מספיק כדי לומר זאת.