WeVisOne-VL-2B: Tencent Merilis Model Persepsi dan Tidak Memberitahu Siapa pun

Baris paling penting dalam kartu model WeVisOne-VL-2B bukanlah tentang model itu. Melainkan tentang file bernama mask_decoder.pt, 9.511.460 parameter, yang dijelaskan dalam satu kalimat datar sebagai "komponen inti yang wajib, bukan tambahan opsional." Segala hal tentang bagaimana model persepsi baru Tencent ini berperilaku — apakah Anda mendapatkan kotak, titik, mask biner, atau alpha matte kontinu — melewati decoder itu. Dan model tempat decoder itu berada hadir hampir tanpa seremoni sama sekali: bobot untuk WeVisOne-VL-2B diunggah ke Hugging Face pada 09.47 UTC tanggal 22 Oktober 2026, sebuah repositori GitHub muncul lima puluh menit lebih awal, sebuah makalah diposting pada hari yang sama, dan Tencent tidak menerbitkan posting peluncuran maupun pengumuman apa pun yang menyertainya.

Apa artinya bagi pembaca itu sempit tetapi berguna. Ini bukan produk yang dapat Anda ikuti dengan mendaftar. Ini adalah rilis riset yang dapat diunduh, dengan makalah yang melaporkan angka-angka yang tidak diulangi oleh kartu model, serta serangkaian batasan yang dinyatakan kartu tersebut dengan lebih gamblang daripada yang akan dilakukan sebagian besar vendor. Berikut adalah apa yang dapat diperiksa dari repositori, apa yang diklaim dalam makalah, dan apa yang belum diverifikasi oleh siapa pun.

Apa yang mendarat, dan stempel waktu yang menunjukkan betapa senyapnya

Setiap tanggal di sini berasal dari stempel waktu publik, bukan dari siaran pers, karena tidak ada siaran pers:

• Hugging Face — tencent/WeVisOne-VL-2B dibuat pada 2026-10-22 pukul 09:47:50 UTC. Model 4B pasangannya dibuat dua puluh empat detik kemudian, yang merupakan tampilan unggahan organisasi ketika file-file didorong dalam satu batch.

• GitHub — Tencent/WeVisOne-VL dibuat pada 08:58:16 UTC pagi itu juga. Per saat penulisan ini, repositori ini hanya memiliki satu commit, "Initial public release of WeVisOne-VL," dengan stempel waktu 2026-10-23 08:14 UTC, dan 46 bintang.

• Makalah — arXiv 2610.31329, "WeVisOne-VL: Persepsi Visual Terpadu dari Objek hingga Piksel," v1 diajukan 22 Oktober 2026, oleh Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li dan Jing Lyu, semuanya dari WeChat Vision, Tencent Inc.

• Halaman proyek — tencent.github.io/WeVisOne-VL sudah aktif, lengkap dengan demo, bagian metode, dan tabel hasil. Ini halaman riset, bukan halaman produk: tidak ada harga, tidak ada API, tidak ada pendaftaran.

Kartu itu sendiri menunjukkan tiga suka saat diperiksa, dan satu pada 4B. Penghitung unduhan terbaca nol, yang terutama menunjukkan bahwa penghitungnya tertinggal; ringkasan jujurnya adalah hampir tidak ada orang di luar lab yang menyentuh ini sejauh ini, dan artikel apa pun yang terbit minggu ini — termasuk artikel ini — disusun berdasarkan makalah dan repositori, bukan berdasarkan hasil.

Satu detail yang perlu ditandai karena akan muncul dalam pengadaan: kartu model memberikan lisensi Apache 2.0 untuk "kode yang ditulis Tencent dalam repositori ini." API GitHub melaporkan lisensi repositori sebagai "Other" tanpa pengenal SPDX. Kedua pernyataan itu tidak harus bertentangan — komponen pihak ketiga tetap tunduk pada ketentuan masing-masing, dan kartu model menyatakannya — tetapi ini berarti berkas lisensi perlu dibaca sebelum ini digunakan dalam produk apa pun.

Arsitektur ini adalah pertaruhan pada token, bukan pada model yang lebih besar.

WeVisOne-VL-2B dibangun di atas Qwen3-VL, memiliki sekitar 2 miliar parameter, dan melakukan sesuatu yang agak tidak biasa untuk model visi-bahasa: ia memisahkan menemukan dari menggambar.

Sisi bahasa menangani pencarian. Ia memiliki token koordinat khusus, <0> hingga <1000>, yang mengodekan kotak dan titik ternormalisasi, sehingga sebuah deteksi secara literal adalah rangkaian token yang dipancarkan model dalam aliran yang sama dengan teksnya. Ketika target yang diminta tidak ada, ia mengembalikan None alih-alih mengarang kotak. Untuk tugas padat, ia memancarkan satu token khusus lagi, <OBJ> pada ID token 152678, tepat setelah setiap kotak yang diprediksi — penanda yang menyatakan "instans ini berlanjut di bawah."

Sisi piksel menangani penggambaran. mask_decoder.pt membaca hidden state pada setiap <OBJ>, menggabungkannya dengan prior kotak yang dikodekan Fourier, dan menghasilkan mask sebenarnya. Ini memiliki tiga tahap: adaptor fitur visual atas fitur ViT pra-penggabungan multi-level Qwen3-VL; dekoder kueri yang dipandu kotak dengan enam blok cross-attention deformabel; dan kepala prediksi padat yang dibangun di sekitar apa yang disebut Tencent sebagai FullCanvasAlphaCascadeHead, yang menyempurnakan pada S/4, S/2, dan S/1 untuk menghasilkan matte alfa kontinu resolusi penuh pada stride 1.

Pilihan desain yang penting adalah yang terakhir. Sebagian besar VLM dengan grounding mengembalikan masker biner atau poligon. Alpha matte adalah peta opasitas per piksel bertepi lembut — hal yang Anda perlukan untuk mengomposit seseorang ke latar belakang baru tanpa halo di sekitar rambutnya. Itu adalah jenis keluaran yang berbeda dari segmentasi, dan itulah alasan model ini ada sebagai rilis terpisah, bukan sebagai fine-tune dari VLM umum.

Apa yang diklaim makalah ini, dan apa yang tidak akan diberitahukan kartu kepada Anda

Kartu model tidak memuat tabel benchmark. Tidak ada panjang konteks, tidak ada angka throughput, tidak ada jumlah token pelatihan, tidak ada persyaratan perangkat keras, tidak ada harga. Yang diberikan kartu ini kepada Anda adalah antarmuka, arsitektur, penggunaan yang dimaksudkan, dan keterbatasannya.

Makalahnya adalah tempat angka-angka itu berada, tersebar di tujuh tabel tugas dan apa yang Tencent gambarkan sebagai lebih dari tiga puluh benchmark. Semua yang berikut adalah hasil para penulis sendiri, dijalankan oleh para penulis, dan tidak direproduksi oleh pihak independen mana pun:

• Deteksi — rata-rata F1 sebesar 55,2 pada COCO, 53,3 pada LVIS, 61,4 pada Dense200 dan 40,4 pada VisDrone. Baseline Qwen3-VL-2B pada tabel yang sama memperoleh skor 45,2, 40,8, 10,0 dan 23,1. Kesenjangan Dense200 adalah yang paling mencolok: enam kali lipat baseline, pada benchmark tentang adegan padat.

• Penolakan — pada RefCOCOg, model 2B melaporkan tingkat penolakan sebesar 50,2 untuk kueri objek yang tidak ada. Dua model grounding khusus pada tabel yang sama, Rex-Omni-3B dan LocateAnything-3B, melaporkan 0,5 dan 0,6. Mampu mengatakan "tidak ada di sana" adalah sebagian besar yang membedakan sistem persepsi dari demo.

• Penghitungan — 90,9 dan 88,1 kecocokan persis pada pembagian validasi dan uji PixMo-Count, tetapi hanya 27,5 dan 26,9 pada CLOC, 29,5 dan 32,4 pada KubriCount, dan 47,9 pada CountQA. Sebaran di seluruh kumpulan data penghitungan adalah hal yang paling jujur dalam makalah ini: penghitungan bukanlah satu keterampilan, dan model ini bagus dalam beberapa di antaranya.

• OCR — rata-rata F1 sebesar 30,5 pada HierText, 42,6 pada ICDAR2015, 42,5 pada TotalText, dan 62,1 pada SROIE. Itu adalah skor F1 yang peka lokalisasi pada ambang IoU 0,5, bukan akurasi transkripsi, sehingga tidak dapat dibandingkan dengan angka OCRBench yang akan Anda lihat dikutip untuk VLM konsumen.

• Segmentasi — 79.7 IoU kumulatif pada validasi RefCOCO, 73.1 pada validasi RefCOCO+, 74.4 pada validasi RefCOCOg, dan 60.9 pada validasi ReasonSeg. Makalah tersebut menjelaskan secara eksplisit bahwa angka untuk keluarga RefCOCO adalah cIoU dan angka untuk ReasonSeg adalah gIoU.

• Matting — pada P3M-500-NP dengan prompt kotak, selisih absolut rata-rata 6,6 dibandingkan 15,4 untuk SAM2-Matting. Pada AM-2K, 5,7 dibandingkan 12,1. Pada split perujukan WeRefMat yang lebih sulit, 15,8 dibandingkan 23,0 untuk pipeline Qwen3-VL-8B plus SAM2-Matting. Semakin rendah semakin baik pada semua ini.

Satu ketidakkonsistenan internal perlu diketahui sebelum Anda mengutip 4B: model yang lebih kecil justru mengalahkan model yang lebih besar pada matting P3M-500-NP, 6,6 berbanding 7,3 MAD. Tencent tidak menjelaskan alasannya, dan ini menjadi pengingat bahwa tabel-tabel ini berasal dari satu kali eksekusi, bukan peringkat yang sudah mapan.

Ketika buktinya minim

Bagian keterbatasan makalah ini sendiri luar biasa langsung, dan hal itu seharusnya membentuk cara Anda membaca semua yang di atas. Bagian tersebut menyatakan bahwa terbatasnya data pelatihan serbaguna "dapat mengorbankan kemampuan umum dibandingkan model dasar." Dengan kata lain: fine-tuning yang membuat model ini unggul dalam persepsi mungkin telah membuatnya lebih buruk sebagai asisten umum. Tidak ada apa pun dalam makalah yang menguji hal itu — tidak ada MMMU, MMBench, DocVQA, atau benchmark captioning di mana pun dalam ketujuh tabel tersebut.

Tiga keterbatasan lainnya bersifat arsitektural, bukan sesuatu yang dapat diperbaiki melalui prompting. Model menghasilkan output terstruktur tanpa chain-of-thought, demi efisiensi inferensi; model bersifat satu giliran; dan dekoder piksel menolak grid video. Tencent juga mencatat bahwa prompt benchmark bersifat "jelas, terbentuk dengan baik, dan tidak ambigu" sementara instruksi pengguna nyata sering kali samar — sebuah pengakuan terbuka bahwa pengaturan evaluasi membuat model tampak lebih unggul.

Dan celah praktisnya adalah hal-hal yang pertama kali ditemui seorang insinyur. Tidak ada panjang konteks yang dipublikasikan. Tahap pelatihan dalam makalah menggunakan 4.096 dan 8.192 token, dan inferensi membatasi setiap gambar pada 1.960 token visual dengan greedy decoding, tetapi tidak satu pun dari itu merupakan jendela konteks penerapan yang dinyatakan. Tidak ada GGUF, tidak ada build terkuantisasi, tidak ada ekspor ONNX, dan tidak ada penyebutan Apple Silicon. Tidak ada endpoint hosted dari Tencent, dan tidak ada penyedia inferensi yang melayaninya.

Menjalankannya, jika kamu mau

Jalur yang didukung adalah paket milik Tencent sendiri. Instal dari repositori GitHub, lalu muat checkpoint berdasarkan nama dan panggil predict dengan gambar, tugas, kueri, dan temperature. Kartu ini juga menunjukkan jalur Transformers melalui pipeline image-text-to-text, serta mencantumkan vLLM, SGLang, Docker, Colab, dan Kaggle sebagai rute deployment.

Dua hal akan menjadi masalah bagi siapa pun yang hanya membaca sekilas. Pertama, mask_decoder.pt bukan opsional — unduh bersama bobotnya atau tugas-tugas dense tidak akan punya apa pun untuk dijalankan. Kedua, default-nya adalah greedy decoding pada temperature nol, dan kartu model menyarankan untuk membiarkannya begitu; ini adalah model yang mengeluarkan koordinat terstruktur, dan sampling tidak memberinya keuntungan.

Ini juga titik ketika lapisan perutean benar-benar relevan, dan ada baiknya kita tepat tentang apa artinya di sini. OrcaRouter tidak melayani WeVisOne-VL-2B — model itu tidak ada di katalog kami, dan kami tidak akan berpura-pura sebaliknya. Yang dibantu router adalah perbandingan di sekitarnya: jika Anda mengevaluasi model persepsi self-hosted terhadap model visi serbaguna yang dihosting, model yang dihosting tersebut berada di balik satu kunci API dengan harga daftar penyedia tanpa markup, jadi membangun harness tidak berarti menandatangani tiga kontrak. Failover otomatis menjaga sisi hosted dari harness tersebut tetap aktif saat server GPU Anda sibuk, dan DSL perutean memungkinkan Anda menempatkan panggilan self-hosted dan panggilan hosted di balik satu endpoint sambil Anda memutuskan mana yang layak masuk produksi.

Apa yang akan mengubah ini dari sebuah repositori menjadi sebuah cerita

Tiga hal, yang belum satu pun ada saat ini. Uji independen adalah yang terbesar: setiap angka di atas milik Tencent, pada harness Tencent, dan tingkat penolakan serta delta matting adalah persis jenis klaim yang berubah ketika orang lain menjalankannya. Pengumuman adalah yang kedua — repositori, makalah, dan halaman proyek semuanya pihak pertama, tetapi tidak satu pun merupakan peluncuran, dan tulisan resmi yang layak kemungkinan akan memuat detail pelatihan yang diringkas dalam makalah. Dukungan framework adalah yang ketiga: kartu tersebut mencantumkan vLLM dan SGLang, tetapi kernel yang sudah di-merge atau konversi checkpoint resmi adalah tingkat komitmen yang berbeda dari satu baris dalam tabel deployment.

Sampai salah satu dari hal itu terwujud, deskripsi yang akurat untuk WeVisOne-VL-2B adalah ini. Ini adalah model persepsi 2B dengan antarmuka pintar — koordinat sebagai token, instans sebagai penanda, piksel sebagai decoder terpisah — yang melaporkan peningkatan besar dibandingkan model dasarnya sendiri pada deteksi, penolakan, dan matting, sama sekali tidak menerbitkan angka kemampuan umum, dan tidak dapat dipanggil melalui API oleh siapa pun. Jika Anda perlu memotong seseorang dari sebuah foto dan mempertahankan rambutnya, kombinasi itu cukup menarik untuk diunduh. Jika Anda memerlukan asisten visi yang menjawab pertanyaan tentang sebuah gambar, ini bukan berkas yang Anda cari, dan makalahnya cukup terbuka untuk mengatakan demikian.