WeVisOne-VL-4B：Tencentがリリース投稿なしで公開した4Bビジョンモデル

P3M-500-NPは、画像からソフトエッジを抽出するための標準ベンチマークだが、Tencentが比較対象として見つけられた最良のアルファマットは、平均絶対差15.4を記録した。WeVisOne-VL-4Bは7.3を記録する。これは専用に構築されたマッティングパイプラインの誤差のおよそ半分であり、同じ重みから検出、計数、OCR、セグメンテーションも行う40億パラメータの視覚言語モデルによって達成されている。WeVisOne-VL-4Bは、多数の知覚専門モデルを1つの次トークン予測器に集約しようとするWeChat Visionチームの試みであり、実に興味深い研究だ。しかし、まだ製品ではない。Tencentのブログ投稿もプレスリリースもホスト型エンドポイントもなく、当サイトが見つけられた告知は一切ない。重みは2026年10月22日にHugging Faceに公開され、それ以来、モデルは静かに公開されたままになっている。

この記事は、リポジトリに実際に何が含まれているかを読み解いたものであり、混同しやすい二つのことを分けている。モデルをダウンロードして検証できることと、Tencent自身の論文が主張しているだけのことだ。どちらも重要だが、証拠になるのは一方だけである。

何が、いつ公開されましたか

すべてにタイムスタンプが付いているため、記録は異例なほど整っている。Hugging Faceリポジトリtencent/WeVisOne-VL-4Bは2026年10月22日09:48 UTCに作成され、GitHubリポジトリTencent/WeVisOne-VLは同日朝の08:58 UTC、つまり50分前に作成された。arXiv論文2610.31329の投稿日は10月22日である。2Bの兄弟モデルtencent/WeVisOne-VL-2Bも併せて登場した。

執筆時点で、4Bリポジトリは翌朝にもう一度更新され、いいねが数件集まっていたものの、意味のあるダウンロード数には至っていませんでした。これらのカウンターはスナップショットであり判定ではありませんが、論文では伝えられないことを示しています。つまり、このモデルをまだほとんど誰も取得していないということです。GitHubリポジトリには46個のスターと少数のフォークがあり、そのREADMEのTODOリスト自体が状況報告になっています。推論パッケージ、クックブック、評価パイプラインにはチェックが付いていますが、Gradioデモとファインチューニング用コードには付いていません。

正確に言えば、「リーク」でも「ローンチ」でもない。それは、論文、重み、コード、ベンチマークパイプラインというリリースの足場を備えつつ、マーケティングを一切伴わない、公式のオープンソース公開だ。発表が続くかどうかは不明である。Tencentがこのモデルを「お披露目した」「ローンチした」と書く人は、まだ起きていない出来事を描写している。

1つのバックボーン、7つの出力タイプ

このアーキテクチャは、ベンチマークの表が示唆するほど奇抜なものではない。WeVisOne-VL-4BはQwen3-VLモデルであり、リポジトリのメタデータではアーキテクチャとしてQwen3VLForConditionalGenerationが指定され、F32で48.3億パラメータ——モデルカードでは5Bに丸められている——が記載され、散文ではなく構造化された座標トークンを出力するようファインチューニングされている。<0>から<1000>までのトークンとしてエンコードされ、画像に対して正規化される。これが、言語モデルが説明ではなく幾何学を扱うことになる仕組みである。

ピクセルレベル側の半分こそ、理解する価値のある部分です。モデルは各予測ボックスの後に特殊トークン<OBJ>を出力し、その隠れ状態は、mask_decoder.ptとして提供される別個の960万パラメータのデコーダに送られます。そのデコーダ——視覚特徴アダプタ、6つのデフォーマブルクロスアテンションブロック、ストライド4、2、1で精細化するカスケードヘッド——が、ボックスをインスタンスマスクに、次いでフル解像度のアルファマットに変換します。これはSAMの呼び出しではありません。ループ内に2つ目のモデルはなく、プロンプトエンコーダも外部セグメンタもありません。ピクセル経路全体は、言語モデルに組み付けられた960万パラメータです。

その設計上の選択が、このベンチマークの特性を説明している。マスクとマットが、モデルがたった今予測した同じボックスに条件付けられているため、モデルはセグメンテーションのために人間が提供するボックスを必要としない。「傘を持っている人」と尋ねれば、まさにそのインスタンスのマットを返せる。トレードオフは、ピクセルデコーダーがマスクレベルの報酬から一切学習しないことだ。論文の強化学習段階では、ボックス、ポインティング、OCR文字起こしを採点するが、マスクやアルファの報酬はまったく使っていない。密な出力は教師あり損失によってのみ学習される。

その数字、そしてそれらが誰の数字であるか

以下の数値はすべてTencentの論文またはプロジェクトのREADMEに由来する。第三者による再現はなく、比較対象群も著者が選んだものだ。2日前の論文としては普通のことだが、それは同時に、ベンダーの表が自社に都合よく見える状況そのものでもある。したがって、その優位差は測定値ではなく主張として扱うべきだ。

見出しの主張は、各タスクについて著者らが挙げている最強のオープンベースラインと比較すると、次のとおりである：

• 検出、LVIS F1平均 — WeVisOne-VL-4Bは55.3、最良ベースラインは50.7

• 高密度検出、Dense200 F1平均 — 71.3 対 58.7

• Referring、RefCOCOg テスト F1 平均 — 81.8 対 77.6

• 拒否、WeRef-Bench — 対象不在クエリの96.4%を正しく拒否（対73.0%）

• 数え上げ、PixMo-Count テスト精度 — 89.6 対 82.8

• OCR、TotalText F1平均 — 52.0 対 43.3

• 参照セグメンテーション、ReasonSeg val gIoU — 71.2 対 65.0

• ボックスマッティング、P3M-500-NP MAD — 7.3 対 15.4、低いほど良好

最も情報量の多い行はそのリストにはない。Qwen3-VL-4B — 同じバックボーンで未変更 — と比べると、Dense200での差は71.3対15.2、VisDroneでは44.7対31.0だ。ベースの視覚言語モデルは密集した小物体検出ではほぼ役に立たず、ファインチューニングによってそれを専門分野の領域へと押し上げる。これはフロンティアモデルとのどの比較よりも擁護しやすい主張だ。著者らは、4Bの汎用モデルが規模を拡大せずに有能なローカライザーへ変換できることを示している。

機能しなくなるところ

制約はモデルカードに明記されており、見せかけのものではありません。モデルは1ターンにつき1枚の画像のみを扱い、動画のグリッドはピクセルデコーダーによって即座に拒否されます。したがってこれは動画セグメンテーションツールではなく、そのふりもしません。構造化出力を直接生成し、チェーンオブソートを用いないため、曖昧なクエリについてボックスを確定する前に推論させる手段はありません。Alpha品質は、細かい境界、重度のオクルージョン、真に透明な素材では低下し、プロンプトの言い回しに敏感です。「the woman's hair」と「her hair」が同じマットを返す保証はありません。

拒否挙動は、最も過小評価されやすい機能です。返り値としてNoneを返すことは、対象が存在しない場合には些細なことに思えますが、動画フィードで検出器を実行し、空の駐車場に歩行者を幻覚として描き出すのを目にするまではそうではありません。WeRef-Benchでの96.4%の拒否率は、最高のベースラインである73.0%と比べて、パイプラインに組み込めるコンポーネントと、2つ目のモデルで守らなければならないコンポーネントの違いです。

実際にどうやって実行するか

モデルカードには4つのサービング経路が記載されています。プロジェクト独自の推論パッケージ、Transformers のimage-text-to-textパイプライン、vLLM、SGLang、さらに Docker Model Runner のワンライナーです。デコーディングは貪欲法で、画像あたり最大1,960個の視覚トークンに制限されています。F32で4.83Bパラメータの場合、チェックポイントは9.6Mパラメータのデコーダを除いてディスク上で約19 GBで、bfloat16で読み込むとそれが半分になります。いずれにせよカスタム推論コードが必要です — mask_decoder.ptは必須コンポーネントであり、オプションの追加要素ではありません。また、標準の Transformers 読み込みではボックスとテキストは得られますが、マスクは得られません。

ホスティングAPIも公開価格も存在しないため、正直に言えば、WeVisOne-VL-4Bは現時点ではセルフホスティングの判断となります。もし実際に今週本番環境で求めているのがQwen3-VLの知覚パイプラインで、昨日公開された重みのためにGPUを用意したくないのであれば、Qwen3-VL-8B instructビルドはOrcaRouter経由で利用できます — 200を超えるモデルで1つのキー、プロバイダーの定価を0%のマークアップでそのまま適用、上流エンドポイントが不安定な場合の自動フェイルオーバーを備えています。これはバックボーンのファミリーであり、ファインチューンではありません。バウンディングボックスと説明は得られますが、アルファマットは得られません。

何を観るべきか

この3つがこれを「興味深い論文」から「評価すべきモデル」へと変えるでしょう。1つ目は独立したベンチマーク実行です。ホールドアウト集合でマッティングの数値を再現できる人がいれば、最大の未解決問題が決着します。2つ目は、Tencent か他の誰かによるホスト型エンドポイントで、これにより推論パスがサービス提供に十分堅牢かどうかが分かります。3つ目は、README の TODO リストで未チェックのままになっているファインチューニングコードです。これがなければ、マッティングヘッドを特定の製品カタログに適応させるのは当て推量になります。

それまでは、公平な要約はこうだ。Tencentは、言語モデルからフル解像度のアルファマットを生成するという、本当に異例なことを——SAMを介さずに——実現する小規模モデルを公開しており、しかも注目を求めることもしていない。重みは、Tencentが著作したコードについてはApache 2.0だ。主張は著者ら自身によるものだ。これらの事実はいずれも確認可能であり、それらを前提に計画を立てる前に確認すべきだ。