WeVisOne-VL-4B: מודל הראייה 4B ש-Tencent פרסמה ללא פוסט השקה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 13 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 151 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 1076 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 157 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 1885 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 49 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 105 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
על P3M-500-NP, אמת מידה סטנדרטית לחילוץ קצוות רכים מתמונה, מסכת האלפא הטובה ביותר ש-Tencent הצליחה למצוא להשוואה קיבלה הפרש מוחלט ממוצע של 15.4. WeVisOne-VL-4B משיג 7.3. זה בערך חצי מהשגיאה של צינור מאטינג ייעודי, שהופק על ידי מודל חזותי-לשוני עם 4 מיליארד פרמטרים, שמבצע גם זיהוי, ספירה, OCR וסגמנטציה מאותן משקולות. WeVisOne-VL-4B הוא הניסיון של צוות WeChat Vision לכווץ ערימה של מומחי תפיסה לחזאי טוקן הבא אחד, וזו עבודה מעניינת באמת. מה שהוא עדיין לא, זה מוצר: אין פוסט בבלוג של Tencent, אין הודעה לעיתונות, אין נקודת קצה מתארחת, ואין שום הכרזה מכל סוג שהאתר הזה הצליח למצוא. המשקולות עלו ל-Hugging Face ב-22 באוקטובר 2026 והמודל פומבי מאז, בשקט.
הקטע הזה הוא מעין קריאה של מה שהמאגרים באמת מכילים, והוא מפריד בין שני דברים שקל לטשטש: מה שאפשר לאמת על ידי הורדת המודל, ומה שרק המאמר של Tencent עצמו טוען. שניהם חשובים. רק אחד מהם הוא ראיה.
מה פורסם, ומתי
התיעוד נקי באופן יוצא דופן משום שלכל פרט יש חותמת זמן. מאגר Hugging Face tencent/WeVisOne-VL-4B נוצר ב-09:48 UTC ב-22 באוקטובר 2026; מאגר GitHub Tencent/WeVisOne-VL נוצר חמישים דקות קודם לכן, ב-08:58 UTC באותו בוקר; המאמר ב-arXiv, 2610.31329, נושא תאריך הגשה של 22 באוקטובר. דגם אחות 2B, tencent/WeVisOne-VL-2B, הופיע לצידו.
נכון לזמן כתיבת שורות אלה, מאגר ה-4B שונה פעם נוספת למחרת בבוקר, וצבר כמה לייקים ומספר הורדות לא משמעותי. המונים האלה הם תמונת מצב, לא פסק דין, אבל הם כן מספרים לך משהו שהמאמר לא יכול: כמעט אף אחד עוד לא הוריד את המודל הזה. למאגר ה-GitHub היו 46 כוכבים וקומץ פורקים, ורשימת ה-TODO ב-README שלו היא בעצמה דוח מצב — חבילת inference, קוקבוקים וצינור הערכה מסומנים כבוצעו; דמו Gradio וקוד ה-fine-tuning לא.
אז התיאור המדויק אינו "הדלפה" ואינו "השקה". מדובר בהפצה רשמית בקוד פתוח עם שלד של מהדורה — מאמר, משקלים, קוד, צינור בנצ'מרקים — ובלי שום שיווק. לא ידוע אם תבוא בעקבותיה הודעה רשמית. כל מי שכותב שטנסנט "חשפה" או "השיקה" את המודל הזה מתאר אירוע שלא התרחש.
שלדה אחת, שבעה סוגי פלט
הארכיטקטורה פחות אקזוטית מכפי שטבלת הבנצ'מרק גורמת לזה להישמע. WeVisOne-VL-4B הוא מודל Qwen3-VL — המטא-דאטה של המאגר מכנה Qwen3VLForConditionalGeneration כארכיטקטורה ומפרטת 4.83 מיליארד פרמטרים ב-F32 — מעוגל ל-5B בכרטיס המודל — מכוונן עדין כדי להפיק אסימוני קואורדינטות מובנים ולא פרוזה. תיבות ונקודות מקודדות כאסימונים מ-<0> עד <1000>, מנורמלות לפי התמונה, וכך מודל שפה מגיע בסופו של דבר לעסוק בגאומטריה במקום בתיאור.
החצי ברמת הפיקסל הוא החלק ששווה להבין. לאחר כל תיבה חזויה פולט המודל טוקן מיוחד, <OBJ>, שמצבו המוסתר מוזן לדקודר נפרד בן 9.6 מיליון פרמטרים המסופק כקובץ mask_decoder.pt. הדקודר הזה — מתאם תכונות חזותי, שישה בלוקי קשב-צולב דפורמביליים, וראש מדורג שמעדן בסטרייד 4, 2 ו-1 — הופך את התיבה למסכת אינסטנס ולאחר מכן למט אלפא ברזולוציה מלאה. זו אינה קריאה ל-SAM. אין מודל שני בלופ, אין מקודד פרומפטים, אין סגמנטר חיצוני. כל מסלול הפיקסלים הוא 9.6 מיליון פרמטרים המשודכים למודל שפה.
בחירת העיצוב הזו מסבירה את פרופיל הבנצ'מרק. מכיוון שהמסכות והמאטות מותנות באותה תיבה שהמודל זה עתה חזה, המודל לא צריך תיבה שסופקה על ידי אדם כדי לבצע סגמנטציה; אפשר לבקש ממנו "האדם שמחזיק במטריה" והוא יחזיר את המאטה בדיוק עבור המופע הזה. הפשרה היא שמפענח הפיקסלים אף פעם לא לומד מפרס ברמת מסכה — שלב הלמידת החיזוק במאמר מדרג תיבות, הצבעה ותמלול OCR, אבל לא משתמש כלל בפרס מסכה או אלפא. הפלט הצפוף מאומן רק בעזרת הפסד מפוקח.
המספרים, ושל מי הם המספרים
כל נתון להלן מגיע מהמאמר של Tencent או מה-README של הפרויקט. אף אחד מהם לא שוחזר על ידי צד שלישי, וקבוצת ההשוואה נבחרה על ידי המחברים. זה נורמלי למאמר בן יומיים, וזה גם בדיוק המצב שבו טבלה של ספק מחמיאה לעצמה, אז התייחסו לפערים כאל טענות ולא כאל מדידות.
הכותרת טוענת, לעומת קו הבסיס הפתוח החזק ביותר שהמחברים מפרטים עבור כל משימה:
• זיהוי, ממוצע F1 של LVIS — WeVisOne-VL-4B 55.3 לעומת 50.7 עבור קו הבסיס הטוב ביותר
• זיהוי צפוף, ממוצע F1 של Dense200 — 71.3 לעומת 58.7
• Referring, ממוצע F1 בבדיקת RefCOCOg — 81.8 לעומת 77.6
• דחייה, WeRef-Bench — 96.4% מהשאילתות ללא מטרה קיימת נדחו כראוי לעומת 73.0%
• ספירה, דיוק בבדיקה של PixMo-Count — 89.6 לעומת 82.8
• OCR, TotalText F1 ממוצע — 52.0 לעומת 43.3
• סגמנטציה לפי הפניה, gIoU על ערכת האימות של ReasonSeg — 71.2 לעומת 65.0
• ריפוד קופסה, P3M-500-NP MAD — 7.3 לעומת 15.4, כאשר נמוך יותר עדיף
השורה האינפורמטיבית ביותר לא נמצאת ברשימה הזו. מול Qwen3-VL-4B — אותו שלד, ללא שינוי — הפער ב-Dense200 הוא 71.3 לעומת 15.2, וב-VisDrone 44.7 לעומת 31.0. מודל חזותי-לשוני בסיסי הוא כמעט חסר תועלת בזיהוי צפוף של עצמים קטנים, והכיוונון העדין מעביר אותו לתחום המומחים. זו טענה מוצקה יותר מכל השוואה למודל חזית: המחברים מראים שאפשר להמיר מודל כללי בגודל 4B לממקם מיומן בלי להגדיל אותו.
איפה זה מפסיק לעבוד
המגבלות מפורטות בכרטיס המודל והן אינן קוסמטיות. המודל מטפל בתמונה אחת בכל תור — רשתות וידאו נדחות לחלוטין על ידי מפענח הפיקסלים, כך שזה אינו כלי לסגמנטציית וידאו ואינו מתיימר להיות כזה. הוא מפיק פלט מובנה ישירות, ללא שרשרת חשיבה, כלומר אין דרך לבקש ממנו לנמק לגבי שאילתה דו-משמעית לפני שהוא מתחייב לתיבה. איכות האלפא נפגעת בגבולות עדינים, בחסימה כבדה ובחומרים שקופים ממש, והיא רגישה לניסוח ההנחיה — "השיער של האישה" ו"השיער שלה" לא מובטח שיחזירו את אותו מט.
התנהגות הדחייה היא התכונה שסביר ביותר שתימכר בחסר. החזרת None עבור מטרה חסרה נשמעת טריוויאלית עד שהרצת גלאי על פיד וידאו וראית אותו הוזה הולך רגל במגרש חניה ריק. שיעור דחייה של 96.4% ב-WeRef-Bench, לעומת 73.0% הבסיס הטוב ביותר, הוא ההבדל בין רכיב שאתה יכול לשים בצינור עיבוד לבין כזה שאתה צריך להגן עליו עם מודל שני.
איך בעצם היית מריץ את זה
כרטיס המודל מתעד ארבעה מסלולי הגשה: חבילת האינפרנס של הפרויקט עצמו, צינור Transformers image-text-to-text, vLLM, ו-SGLang, וכן שורת פקודה אחת של Docker Model Runner. הפענוח הוא חמדני, עם תקרה של 1,960 אסימונים חזותיים לכל תמונה. עם 4.83B פרמטרים ב-F32, נקודת הבדיקה היא בערך 19 GB בדיסק, לפני המפענח בעל 9.6M פרמטרים; טעינה ב-bfloat16 מפחיתה זאת בחצי. בכל מקרה תזדקקו לקוד האינפרנס המותאם אישית — mask_decoder.pt הוא רכיב חובה, לא תוספת אופציונלית, וטעינת Transformers רגילה תיתן לכם תיבות וטקסט אך לא מסכות.
אין API מתארח ואין מחיר מפורסם, כך שהאמירה הכנה היא ש-WeVisOne-VL-4B הוא החלטת אירוח עצמי נכון להיום. אם מה שאתה באמת רוצה הוא שצינור התפיסה Qwen3-VL יהיה בפרודקשן השבוע, בלי להקצות GPU למשקלים שנחתו אתמול, גרסת ה-instruct של Qwen3-VL-8B זמינה דרך OrcaRouter — מפתח אחד על פני יותר מ-200 מודלים, מחיר המחירון של הספק מועבר הלאה ללא תוספת רווח (0%), ומעבר אוטומטי לגיבוי אם נקודת קצה במעלה הזרם מתנדנדת. זו משפחת עמוד השדרה, לא ה-fine-tune. היא תספק לך תיבות ותיאורים; היא לא תספק לך מסכות אלפא.
מה לראות
שלושה דברים יהפכו את זה מ"מאמר מעניין" ל"מודל שכדאי להעריך". הראשון הוא הרצת בנצ'מרק בלתי־תלויה — כל מי שישחזר את נתוני המאטינג על סט בדיקה נפרד יפתור את השאלה הפתוחה הגדולה ביותר. השני הוא נקודת קצה מתארחת, מטעם Tencent או כל גורם אחר, שתגיד לך אם מסלול ההסקה חסין מספיק כדי לשרת. השלישי הוא קוד הכוונון העדין שיושב ללא בדיקה ברשימת ה-TODO של ה-README; בלעדיו, התאמת ראש המאטינג לקטלוג מוצרים ספציפי היא ניחוש.
עד אז, הסיכום ההוגן הוא זה: Tencent פרסמה מודל קטן שעושה משהו שבאמת יוצא דופן — מאטי אלפא ברזולוציה מלאה מתוך מודל שפה, בלי SAM בתהליך — ועשתה זאת בלי לבקש תשומת לב. המשקולות הן ברישיון Apache 2.0 עבור קוד שנכתב על ידי Tencent. הטענות הן של המחברים עצמם. שתי העובדות האלה ניתנות לבדיקה, וכדאי שתבדוק אותן לפני שתתכנן סביבן.
