WeVisOne-VL-2B: Tencent, 인지 모델을 출시하고도 아무에게도 알리지 않았다

WeVisOne-VL-2B 모델 카드에서 가장 중대한 문장은 모델에 관한 것이 아니다. 그것은 mask_decoder.pt라는 파일에 관한 것이다. 이 파일은 매개변수 9,511,460개를 가지며, "필수 핵심 구성 요소이지 선택적 추가 기능이 아니다"라고 한 줄의 건조한 문장으로 설명되어 있다. 텐센트의 새로운 인식 모델이 어떻게 동작하는지에 관한 모든 것, 즉 박스를 얻든 포인트를 얻든 이진 마스크를 얻든 연속 알파 매트를 얻든, 그것은 모두 그 디코더를 거친다. 그리고 그 디코더가 속한 모델은 거의 아무런 요란함 없이 등장했다. WeVisOne-VL-2B의 가중치는 2026년 10월 22일 09:47 UTC에 Hugging Face에 올라왔고, GitHub 저장소는 50분 전에 나타났으며, 논문은 같은 날 게시되었고, 텐센트는 이 중 그 무엇과도 함께할 출시 게시물이나 발표를 전혀 내놓지 않았다.

독자에게 이것이 의미하는 바는 좁지만 유용하다. 이것은 가입할 수 있는 제품이 아니다. 다운로드할 수 있는 연구 공개물이며, 모델 카드가 반복하지 않는 수치를 보고하는 논문과, 대부분의 공급업체보다 카드가 더 명확하게 명시하는 일련의 제약 조건이 함께 있다. 아래는 저장소에서 확인 가능한 것, 논문에서 주장하는 것, 그리고 아직 아무도 검증하지 못한 것이다.

무엇이 도착했는지, 그리고 그것이 얼마나 조용히 일어났는지를 보여주는 타임스탬프

여기 있는 모든 날짜는 보도자료가 아니라 공개 타임스탬프에서 나온 것입니다. 보도자료가 없기 때문입니다:

• Hugging Face — tencent/WeVisOne-VL-2B는 2026-10-22 09:47:50 UTC에 생성되었습니다. 4B 형제 모델은 24초 후에 생성되었는데, 이는 파일이 한 번에 푸시될 때 조직 업로드가 보이는 전형적인 모습입니다.

• GitHub — Tencent/WeVisOne-VL은(는) 같은 날 아침 08:58:16 UTC에 생성되었습니다. 이 글을 작성하는 현재, 단일 커밋 “Initial public release of WeVisOne-VL”(타임스탬프 2026-10-23 08:14 UTC)과 스타 46개를 보유하고 있습니다.

• 논문 — arXiv 2610.31329, "WeVisOne-VL: 객체에서 픽셀까지의 통합 시각 인지", 2026년 10월 22일 제출된 v1, Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li, Jing Lyu, 모두 Tencent Inc.의 WeChat Vision 소속.

• 프로젝트 페이지 — tencent.github.io/WeVisOne-VL가 공개되었습니다. 데모, 방법론 섹션, 결과 표가 포함되어 있습니다. 이는 제품 페이지가 아닌 연구 페이지로, 가격 정보나 API, 회원가입은 없습니다.

카드 자체는 확인했을 때 좋아요가 세 개, 4B에는 하나가 표시됐다. 다운로드 카운터는 0을 가리켰는데, 이는 대부분 카운터가 뒤처진다는 것을 말해준다. 솔직히 요약하자면 아직 연구실 밖에서는 거의 아무도 이것을 건드리지 않았고, 이번 주에 발행되는 어떤 기사든—이 글 포함—결과가 아니라 논문과 저장소를 바탕으로 작성되고 있다.

조달 과정에서 나올 이야기라 짚고 넘어갈 만한 세부 사항이 하나 있습니다. 모델 카드는 "이 저장소에서 Tencent가 작성한 코드"에 Apache 2.0을 부여합니다. GitHub API는 저장소 라이선스를 SPDX 식별자 없이 "Other"로 보고합니다. 이 두 진술이 반드시 충돌하는 것은 아닙니다. 제3자 구성 요소는 자체 조건을 유지하며, 모델 카드도 그렇게 명시합니다. 하지만 이는 제품에 투입되기 전에 라이선스 파일을 읽어볼 만하다는 뜻입니다.

이 아키텍처는 더 큰 모델이 아니라 토큰에 대한 베팅이다

WeVisOne-VL-2B는 Qwen3-VL을 기반으로 구축되었으며 약 20억 개의 매개변수를 갖추고 있고, 비전-언어 모델로서는 다소 이례적인 일을 합니다. 다음을 분리합니다: 찾기와 그리기.

언어 측은 찾기를 담당합니다.<0>부터 <1000>까지의 전용 좌표 토큰이 있어 정규화된 박스와 포인트를 인코딩하므로, 탐지는 말 그대로 모델이 텍스트와 동일한 스트림에서 내보내는 토큰 시퀀스입니다. 조회한 대상이 없으면 None을 반환하며 박스를 지어내지 않습니다. 밀집 작업의 경우 특수 토큰을 하나 더 내보내는데, <OBJ>가 토큰 ID 152678에서 각 예측 박스 바로 뒤에 오며 — "이 인스턴스는 아래에 계속됩니다"라는 표시입니다.

픽셀 쪽은 그리기를 담당합니다. mask_decoder.pt는 각 <OBJ>에서 은닉 상태를 읽고, 이를 푸리에 인코딩된 박스 사전과 결합하여 실제 마스크를 생성합니다. 이는 세 단계로 구성됩니다. 다중 레벨 Qwen3-VL 사전 병합 ViT 특징 위에 얹히는 시각적 특징 어댑터, 6개의 변형 가능한 교차 어텐션 블록을 갖춘 박스 유도 쿼리 디코더, 그리고 Tencent가 FullCanvasAlphaCascadeHead라고 부르는 것을 중심으로 구축된 조밀 예측 헤드로, 이 헤드는 S/4, S/2, S/1에서 정교화하여 스트라이드 1에서 완전 해상도의 연속 알파 매트를 출력합니다.

중요한 설계 선택은 마지막 것입니다. 대부분의 grounded VLM은 이진 마스크나 폴리곤을 반환합니다. 알파 매트는 가장자리가 부드러운 픽셀별 불투명도 맵입니다. 즉, 사람을 새 배경에 합성할 때 머리카락 주변에 후광이 생기지 않도록 하는 데 필요한 것입니다. 이는 세그멘테이션과는 다른 출력 유형이며, 이 모델이 일반 VLM의 파인튜닝이 아니라 별도 릴리스로 존재하는 이유입니다.

논문이 주장하는 것과 카드가 말해 주지 않는 것

모델 카드에는 벤치마크 표가 없습니다. 컨텍스트 길이도, 처리량 수치도, 학습 토큰 수도, 하드웨어 요구 사항도, 가격도 없습니다. 이 카드가 제공하는 것은 인터페이스, 아키텍처, 의도된 사용 목적 및 한계입니다.

숫자는 논문 안에 있습니다. 7개의 작업 표와 Tencent가 30개 이상이라고 설명하는 벤치마크 전반에 걸쳐 있습니다. 다음은 모두 저자 자신의 결과로, 저자가 직접 실행했으며, 누구도 독립적으로 재현하지 않았습니다:

• {{1}}탐지{{/1}} — {{3}}COCO{{/3}}에서 평균 F1 {{2}}55.2{{/2}}, {{5}}LVIS{{/5}}에서 {{4}}53.3{{/4}}, {{7}}Dense200{{/7}}에서 {{6}}61.4{{/6}}, {{9}}VisDrone{{/9}}에서 {{8}}40.4{{/8}}를 기록했습니다. 같은 표에서 {{10}}Qwen3-VL-2B{{/10}} 베이스라인은 {{11}}45.2{{/11}}, {{12}}40.8{{/12}}, {{13}}10.0{{/13}}, {{14}}23.1{{/14}}점을 기록합니다. {{15}}Dense200{{/15}} 격차가 특히 눈에 띄는데, {{17}}붐비는 장면{{/17}}을 다루는 벤치마크에서 베이스라인의 {{16}}여섯 배{{/16}}입니다.

• 거부 — RefCOCOg에서 2B는 존재하지 않는 객체 질의에 대해 50.2의 거부율을 보고한다. 같은 표에 있는 두 특화 그라운딩 모델인 Rex-Omni-3B와 LocateAnything-3B는 0.5와 0.6을 보고한다. “거기 없음”이라고 말할 수 있다는 것은 인식 시스템과 데모를 구분 짓는 대부분이다.

• 카운팅 — PixMo-Count 검증 및 테스트 분할에서는 정확 일치 90.9 및 88.1을 기록했지만, CLOC에서는 27.5 및 26.9, KubriCount에서는 29.5 및 32.4, CountQA에서는 47.9에 불과하다. 카운팅 데이터셋 전반에 걸친 이러한 격차는 이 논문에서 가장 솔직한 부분이다. 카운팅은 하나의 기술이 아니며, 이 모델은 그중 일부를 잘한다.

• OCR — HierText에서 평균 F1 30.5, ICDAR2015에서 42.6, TotalText에서 42.5, SROIE에서 62.1입니다. 이는 0.5 IoU 임계값에서의 위치 인식 F1 점수이며 전사 정확도가 아니므로, 소비자용 VLM에 대해 인용되는 OCRBench 수치와 비교할 수 없습니다.

• 분할 — RefCOCO 검증에서 누적 IoU 79.7, RefCOCO+ 검증에서 73.1, RefCOCOg 검증에서 74.4, ReasonSeg 검증에서 60.9. 논문은 RefCOCO 계열 수치가 cIoU이고 ReasonSeg 수치가 gIoU임을 분명히 밝힌다.

• 매팅 — 박스 프롬프트를 사용한 P3M-500-NP에서 평균 절대 차이는 6.6으로, SAM2-Matting의 15.4에 비해 낮습니다. AM-2K에서는 5.7 대 12.1입니다. 더 어려운 WeRefMat referring 분할에서는 15.8로, Qwen3-VL-8B + SAM2-Matting 파이프라인의 23.0에 비해 낮습니다. 이 모든 항목에서 낮을수록 좋습니다.

4B를 인용하기 전에 알아둘 만한 내부 불일치가 하나 있습니다: 더 작은 모델이 실제로 P3M-500-NP 매팅에서 더 큰 모델을 앞서며, MAD는 6.6 대 7.3입니다. Tencent는 그 이유를 설명하지 않으며, 이는 이 표들이 단일 실행 결과일 뿐 확정된 순위가 아니라는 점을 일깨워 줍니다.

증거가 미약한 경우

논문 자체의 한계 섹션은 이례적으로 직설적이며, 이는 위의 모든 내용을 읽는 방식을 좌우해야 합니다. 논문은 제한된 양의 범용 학습 데이터가 "기반 모델에 비해 일반적 능력을 저하시킬 수 있다"고 말합니다. 다시 말해, 지각 능력을 뛰어나게 만든 파인튜닝이 일반 비서로서의 성능은 떨어뜨렸을 수 있다는 것입니다. 논문 어디에서도 이를 검증하지 않습니다. 일곱 개의 표 어디에도 MMMU도, MMBench도, DocVQA도, 캡셔닝 벤치마크도 없습니다.

나머지 세 가지 한계는 프롬프트로 고칠 수 있는 것이 아니라 아키텍처에 기인한다. 이 모델은 추론 효율을 위해 사고 연쇄 없이 구조화된 출력을 생성하며, 단일 턴 방식이고, 픽셀 디코더는 비디오 그리드를 거부한다. 텐센트는 또한 벤치마크 프롬프트는 "명확하고 잘 구성되어 있으며 모호하지 않지만" 실제 사용자 지시는 종종 모호하다고 지적한다. 이는 평가 환경이 모델을 실제보다 좋게 보이게 한다는 솔직한 인정이다.

그리고 실무적인 공백은 엔지니어가 가장 먼저 부딪히는 것들이다. 공개된 컨텍스트 길이는 없다. 논문의 학습 단계에서는 4,096개와 8,192개 토큰을 사용했고, 추론 시에는 그리디 디코딩으로 각 이미지를 1,960개의 시각 토큰으로 제한하지만, 그 어느 것도 배포 컨텍스트 윈도로 명시된 것은 아니다. GGUF도, 양자화 빌드도, ONNX 내보내기도 없으며 Apple Silicon에 대한 언급도 없다. Tencent의 호스팅 엔드포인트도 없고, 이를 서빙하는 추론 제공자도 없다.

원한다면 실행할게

지원되는 경로는 Tencent 자체 패키지입니다. GitHub 저장소에서 설치한 다음, 체크포인트를 이름으로 로드하고predict를 이미지, 작업, 쿼리, temperature와 함께 호출하세요. 이 카드는 또한 이미지-텍스트-투-텍스트 파이프라인을 통한 Transformers 경로를 보여 주며, vLLM, SGLang, Docker, Colab, Kaggle을 배포 경로로 나열합니다.

대충 훑어보는 사람이라면 누구나 두 가지에서 문제를 겪게 됩니다. 첫째, mask_decoder.pt는 선택 사항이 아닙니다 — 가중치와 함께 내려받아야 하며, 그렇지 않으면 dense 태스크에 실행할 것이 없습니다. 둘째, 기본값은 temperature 0에서의 greedy decoding이며, 카드에서는 그대로 두라고 권장합니다. 이 모델은 구조화된 좌표를 출력하는 모델이고, 샘플링은 전혀 도움이 되지 않습니다.

이 지점이 바로 라우팅 계층이 진정으로 관련성을 갖는 순간이며, 여기서 그것이 의미하는 바를 정확히 짚고 넘어갈 가치가 있습니다. OrcaRouter는 WeVisOne-VL-2B를 제공하지 않습니다 — 저희 카탈로그에 없으며, 그렇지 않은 척하지도 않겠습니다. 라우터가 도움이 되는 부분은 그 주변의 비교입니다. 자체 호스팅 인식 모델을 호스팅된 범용 비전 모델과 비교 평가하는 경우, 그 호스팅 모델들은 프로바이더 정가에 마크업 없이 하나의 API 키로 이용할 수 있으므로, 하네스를 구축한다고 해서 계약 세 건을 체결해야 하는 것은 아닙니다. 자동 페일오버는 GPU 박스가 바쁜 동안 해당 하네스의 호스팅 측을 계속 가동 상태로 유지하며, 라우팅 DSL을 사용하면 어느 쪽이 프로덕션에서 자리를 차지할지 결정하는 동안 자체 호스팅 호출과 호스팅 호출을 단일 엔드포인트 뒤에 배치할 수 있습니다.

이것을 저장소에서 이야기로 바꾸려면 무엇이 바뀌어야 할까요?

세 가지인데, 아직 어느 것도 존재하지 않습니다. 가장 큰 것은 독립적인 실행입니다. 위의 모든 수치는 텐센트의 것이고, 텐센트의 하네스에서 나온 것이며, 거부율과 매팅 델타는 누군가 다른 사람이 실행하면 달라질 수 있는 바로 그런 종류의 주장입니다. 두 번째는 발표입니다. 저장소, 논문, 프로젝트 페이지는 모두 1차 자료이지만, 그중 어느 것도 출시는 아니며, 제대로 된 글이 있다면 논문이 압축해 둔 학습 세부 사항을 담을 가능성이 큽니다. 세 번째는 프레임워크 지원입니다. 카드에는 vLLM과 SGLang이 나열되어 있지만, 병합된 커널이나 공식 체크포인트 변환은 배포 표의 한 줄과는 차원이 다른 약속입니다.

그중 하나가 출시되기 전까지는 WeVisOne-VL-2B에 대한 정확한 설명은 다음과 같다. 이 모델은 스마트 인터페이스를 갖춘 2B 지각 모델이다. 즉, 좌표는 토큰으로, 인스턴스는 마커로, 픽셀은 별도의 디코더로 처리하며, 탐지, 거부, 매팅에서 자체 기본 모델 대비 큰 향상을 보고하지만 일반 역량 수치는 전혀 공개하지 않고, 누구도 API로 호출할 수 없다. 사진에서 사람을 오려내고 머리카락까지 유지해야 한다면, 그 조합은 다운로드할 만큼 흥미롭다. 사진에 관한 질문에 답하는 비전 어시스턴트가 필요하다면, 이것은 당신이 찾는 파일이 아니며, 논문도 그렇게 말할 만큼 솔직하다.