WeVisOne-VL-4B: Model Visi 4B yang Diterbitkan Tencent Tanpa Postingan Peluncuran

Pada P3M-500-NP, benchmark standar untuk mengekstraksi tepi lembut dari sebuah gambar, alpha matte terbaik yang bisa ditemukan Tencent untuk dibandingkan memperoleh selisih absolut rata-rata 15,4. WeVisOne-VL-4B mencetak 7,3. Itu kira-kira setengah kesalahan dari pipeline matting yang dirancang khusus, yang dihasilkan oleh model bahasa-visi 4 miliar parameter yang juga melakukan deteksi, penghitungan, OCR, dan segmentasi dari bobot yang sama. WeVisOne-VL-4B adalah upaya tim WeChat Vision untuk menggabungkan sekumpulan spesialis persepsi menjadi satu prediktor token berikutnya, dan ini benar-benar karya yang menarik. Yang belum menjadi, adalah produk: tidak ada posting blog Tencent, tidak ada siaran pers, tidak ada endpoint terhosting, dan tidak ada pengumuman apa pun yang dapat ditemukan situs ini. Bobotnya diunggah ke Hugging Face pada 22 Oktober 2026 dan model tersebut telah publik sejak itu, secara tenang.

Tulisan ini merupakan uraian tentang apa yang sebenarnya terdapat dalam repositori-repositori tersebut, dan memisahkan dua hal yang mudah dikaburkan: apa yang dapat Anda verifikasi dengan mengunduh modelnya, dan apa yang hanya diklaim oleh makalah Tencent sendiri. Keduanya penting. Hanya salah satunya yang merupakan bukti.

Apa yang diterbitkan, dan kapan

Catatan ini luar biasa rapi karena semuanya memiliki stempel waktu. Repositori Hugging Face tencent/WeVisOne-VL-4B dibuat pada pukul 09.48 UTC tanggal 22 Oktober 2026; repositori GitHub Tencent/WeVisOne-VL dibuat lima puluh menit lebih awal, pukul 08.58 UTC pagi yang sama; makalah arXiv, 2610.31329, mencantumkan tanggal pengiriman 22 Oktober. Varian 2B, tencent/WeVisOne-VL-2B, muncul bersamanya.

Saat tulisan ini dibuat, repositori 4B telah diubah sekali lagi pada pagi berikutnya, dan telah mengumpulkan beberapa likes serta tidak ada jumlah unduhan yang berarti. Penghitung itu hanyalah cuplikan, bukan vonis, tetapi setidaknya memberi tahu sesuatu yang tidak bisa disampaikan makalah: hampir belum ada yang mengunduh model ini. Repositori GitHub-nya memiliki 46 bintang dan beberapa fork, dan daftar TODO di README-nya sendiri merupakan laporan status—paket inferensi, cookbook, dan pipeline evaluasi sudah dicentang; demo Gradio dan kode fine-tuning belum.

Jadi deskripsi yang akurat bukanlah "kebocoran" dan bukan "peluncuran." Ini adalah rilis open-source resmi dengan kerangka sebuah rilis — makalah, bobot, kode, pipeline benchmark — dan tanpa pemasaran apa pun. Apakah pengumuman akan menyusul tidak diketahui. Siapa pun yang menulis bahwa Tencent "mengungkap" atau "meluncurkan" model ini sedang menggambarkan peristiwa yang belum terjadi.

Satu tulang punggung, tujuh jenis keluaran

Arsitekturnya tidak seaneh yang terdengar dari tabel benchmark. WeVisOne-VL-4B adalah model Qwen3-VL — metadata repositori mencantumkan Qwen3VLForConditionalGeneration sebagai arsitekturnya dan mencantumkan 4,83 miliar parameter dalam F32 — dibulatkan menjadi 5B pada kartu model — yang di-fine-tune untuk mengeluarkan token koordinat terstruktur alih-alih prosa. Kotak dan titik dikodekan sebagai token dari <0> hingga <1000>, dinormalisasi terhadap gambar, dan itulah cara sebuah model bahasa akhirnya mengerjakan geometri alih-alih deskripsi.

Bagian tingkat piksel adalah bagian yang layak dipahami. Setelah setiap kotak yang diprediksi, model mengeluarkan token khusus, <OBJ>, yang hidden state-nya diumpankan ke decoder terpisah berparameter 9,6 juta yang disertakan sebagai mask_decoder.pt. Decoder itu — adaptor fitur visual, enam blok cross-attention yang dapat dideformasi, dan head kaskade yang memperhalus pada stride 4, 2, dan 1 — mengubah kotak menjadi masker instans lalu menjadi matte alfa resolusi penuh. Ini bukan panggilan SAM. Tidak ada model kedua dalam loop, tidak ada prompt encoder, tidak ada segmenter eksternal. Seluruh jalur piksel adalah 9,6 juta parameter yang dipasang pada model bahasa.

Pilihan desain itu menjelaskan profil benchmark. Karena mask dan matte dikondisikan pada kotak yang sama yang baru saja diprediksi model, model tidak memerlukan kotak yang disediakan manusia untuk melakukan segmentasi; model dapat diminta untuk “orang yang memegang payung” dan mengembalikan matte untuk instance tersebut secara tepat. Trade-off-nya adalah decoder piksel tidak pernah belajar dari reward tingkat mask — tahap pembelajaran penguatan dalam makalah tersebut memberi skor pada kotak, pointing, dan transkripsi OCR, tetapi sama sekali tidak menggunakan reward mask atau alpha. Output padat dilatih hanya dengan loss terawasi.

Angka-angka itu, dan milik siapa angka-angka tersebut.

Setiap angka di bawah ini berasal dari makalah Tencent atau README proyek. Tidak ada yang telah direproduksi oleh pihak ketiga, dan kumpulan pembandingnya dipilih oleh para penulis. Itu normal untuk makalah yang berumur dua hari, dan itu juga persis situasi ketika tabel dari vendor membuat dirinya tampak lebih baik, jadi perlakukan selisihnya sebagai klaim, bukan pengukuran.

Judul berita mengklaim, dibandingkan dengan baseline terbuka terkuat yang dicantumkan para penulis untuk setiap tugas:

• Deteksi, rata-rata F1 LVIS — WeVisOne-VL-4B 55,3 vs 50,7 untuk baseline terbaik

• Deteksi dense, rata-rata F1 Dense200 — 71.3 vs 58.7

• Referring, rata-rata F1 uji RefCOCOg — 81,8 vs 77,6

• Penolakan, WeRef-Bench — 96,4% kueri tanpa target yang tidak ada ditolak dengan benar vs 73,0%

• Penghitungan, akurasi uji PixMo-Count — 89,6 vs 82,8

• OCR, rata-rata F1 TotalText — 52,0 vs 43,3

• Segmentasi perujukan, ReasonSeg val gIoU — 71.2 vs 65.0

• Matting kotak, P3M-500-NP MAD — 7.3 vs 15.4, semakin rendah semakin baik

Baris paling informatif tidak ada dalam daftar itu. Dibandingkan dengan Qwen3-VL-4B — backbone yang sama, tanpa modifikasi — selisih pada Dense200 adalah 71,3 versus 15,2, dan pada VisDrone 44,7 versus 31,0. Model vision-language dasar hampir tidak berguna untuk deteksi objek kecil yang padat, dan fine-tune membawanya ke wilayah spesialis. Itu adalah klaim yang lebih dapat dipertahankan daripada perbandingan apa pun dengan model frontier: penulis menunjukkan bahwa generalis 4B dapat diubah menjadi localizer yang kompeten tanpa menambah ukuran.

Di mana itu berhenti berfungsi

Keterbatasan ini dinyatakan pada kartu model dan bukan sekadar formalitas. Model menangani satu gambar per giliran — grid video ditolak mentah-mentah oleh dekoder piksel, jadi ini bukan alat segmentasi video dan tidak berpura-pura menjadi demikian. Model menghasilkan output terstruktur secara langsung, tanpa chain-of-thought, yang berarti tidak ada cara untuk memintanya menalar tentang kueri yang ambigu sebelum menetapkan kotak. Kualitas alpha menurun pada batas halus, oklusi berat, dan material yang benar-benar transparan, serta sensitif terhadap perumusan prompt — "the woman's hair" dan "her hair" tidak dijamin menghasilkan matte yang sama.

Perilaku penolakan adalah fitur yang paling mungkin diremehkan. Mengembalikan None untuk target yang tidak ada terdengar sepele sampai Anda menjalankan detektor pada umpan video dan melihatnya berhalusinasi adanya pejalan kaki di tempat parkir kosong. Tingkat penolakan 96,4% pada WeRef-Bench, dibandingkan dengan baseline terbaik 73,0%, adalah perbedaan antara komponen yang dapat Anda masukkan ke dalam pipeline dan komponen yang harus Anda lindungi dengan model kedua.

Bagaimana Anda benar-benar menjalankannya

Kartu model mendokumentasikan empat jalur penyajian: paket inferensi milik proyek itu sendiri, Transformers image-text-to-text pipeline, vLLM, dan SGLang, serta satu baris perintah Docker Model Runner. Dekode dilakukan secara greedy, dengan batas maksimum 1.960 token visual per gambar. Dengan 4,83 miliar parameter dalam F32, checkpoint berukuran sekitar 19 GB di disk, sebelum dekoder 9,6 juta parameter; memuatnya dalam bfloat16 memangkasnya menjadi separuh. Anda tetap memerlukan kode inferensi kustom — mask_decoder.pt merupakan komponen wajib, bukan tambahan opsional, dan pemuatan Transformers standar akan memberi Anda kotak dan teks tetapi tanpa mask.

Tidak ada API yang dihosting dan tidak ada harga yang dipublikasikan, jadi pernyataan jujurnya adalah bahwa WeVisOne-VL-4B merupakan keputusan self-hosting saat ini. Jika yang sebenarnya Anda inginkan adalah pipeline persepsi Qwen3-VL berjalan di produksi minggu ini, tanpa menyediakan GPU untuk bobot yang baru hadir kemarin, build instruct Qwen3-VL-8B tersedia melalui OrcaRouter — satu kunci untuk lebih dari 200 model, harga daftar penyedia diteruskan dengan markup 0%, dan failover otomatis jika endpoint upstream bermasalah. Itu keluarga backbone, bukan fine-tune. Model itu akan memberi Anda kotak dan deskripsi; model itu tidak akan memberi Anda alpha matte.

Apa yang harus ditonton

Tiga hal akan mengubah ini dari "makalah yang menarik" menjadi "model yang harus Anda evaluasi." Yang pertama adalah pengujian benchmark independen — siapa pun yang mereproduksi angka matting pada held-out set akan menyelesaikan pertanyaan terbuka terbesar. Yang kedua adalah endpoint yang dihosting, dari Tencent atau siapa pun, yang akan memberi tahu Anda apakah jalur inferensi cukup tangguh untuk melayani. Yang ketiga adalah kode fine-tuning yang masih belum dicentang di daftar TODO README; tanpa itu, menyesuaikan head matting ke katalog produk tertentu hanyalah tebakan.

Sampai saat itu, ringkasan yang adil adalah ini: Tencent telah menerbitkan model kecil yang melakukan sesuatu yang benar-benar tidak biasa — alpha matte resolusi penuh dari sebuah model bahasa, tanpa SAM dalam prosesnya — dan melakukannya tanpa mencari perhatian. Bobotnya berlisensi Apache 2.0 untuk kode yang ditulis Tencent. Klaim tersebut adalah klaim para penulis sendiri. Kedua fakta itu dapat diperiksa, dan Anda sebaiknya memeriksanya sebelum merencanakan apa pun berdasarkan fakta tersebut.