WeVisOne-VL-4B: Tencent가 출시 게시글 없이 공개한 4B 비전 모델

P3M-500-NP는 이미지에서 부드러운 경계를 추출하는 표준 벤치마크인데, Tencent가 비교 대상으로 찾을 수 있었던 최고의 알파 매트는 평균 절대 차이 15.4점을 기록했습니다. WeVisOne-VL-4B는 7.3점입니다. 이는 전용 매팅 파이프라인 오차의 약 절반으로, 같은 가중치로 탐지, 계수, OCR, 세그멘테이션까지 수행하는 40억 파라미터 비전-언어 모델이 만들어낸 결과입니다. WeVisOne-VL-4B는 WeChat Vision 팀이 수많은 인식 전문가를 하나의 다음 토큰 예측기로 통합하려는 시도이며, 정말 흥미로운 작업입니다. 다만 아직 제품은 아닙니다. Tencent 블로그 글도, 보도자료도, 호스팅 엔드포인트도, 이 사이트가 찾을 수 있는 어떤 종류의 발표도 없습니다. 가중치는 2026년 10월 22일 Hugging Face에 올라갔고, 그 이후 모델은 조용히 공개된 상태입니다.

이 글은 저장소에 실제로 무엇이 들어 있는지를 정리한 것이며, 혼동하기 쉬운 두 가지를 구분합니다. 바로 모델을 내려받아 검증할 수 있는 것과 텐센트 자체 논문에서만 주장하는 것입니다. 둘 다 중요합니다. 다만 그중 증거가 되는 것은 하나뿐입니다.

무엇이 게시되었으며, 언제였습니까?

이 기록이 이례적으로 깔끔한 이유는 모든 것에 타임스탬프가 찍혀 있기 때문입니다. Hugging Face 저장소 tencent/WeVisOne-VL-4B는 2026년 10월 22일 09:48 UTC에 생성되었고, GitHub 저장소 Tencent/WeVisOne-VL는 같은 날 아침 08:58 UTC에 50분 더 일찍 생성되었으며, arXiv 논문 2610.31329의 제출일은 10월 22일입니다. 2B 형제 모델인 tencent/WeVisOne-VL-2B도 함께 등장했습니다.

글을 쓰는 시점에 4B 저장소는 다음 날 아침에 한 번 더 수정되었고, 좋아요 몇 개를 얻었을 뿐 의미 있는 다운로드 수는 없었다. 그 수치들은 스냅샷일 뿐 판결은 아니지만, 논문이 말해 주지 못하는 것을 알려 준다: 아직 이 모델을 내려받은 사람은 거의 없다. GitHub 저장소에는 스타 46개와 약간의 포크가 있었고, README의 TODO 목록 자체가 상태 보고서다 — 추론 패키지, 쿡북, 평가 파이프라인은 완료 표시되어 있지만, Gradio 데모와 파인튜닝 코드는 그렇지 않다.

그러므로 정확한 설명은 "유출"도, "출시"도 아니다. 그것은 논문, 가중치, 코드, 벤치마크 파이프라인이라는 출시의 골격을 갖추고도 마케팅은 전혀 없는 공식 오픈소스 공개다. 발표가 뒤따를지는 알 수 없다. 텐센트가 이 모델을 "공개했다"거나 "출시했다"고 쓰는 사람은 아직 일어나지 않은 사건을 묘사하는 것이다.

하나의 백본, 일곱 가지 출력 유형

이 아키텍처는 벤치마크 표가 들려주는 것만큼 이국적이지 않다. WeVisOne-VL-4B는 Qwen3-VL 모델이다 — 저장소 메타데이터는 아키텍처로 Qwen3VLForConditionalGeneration을 지목하고 F32 기준 48억 3천만 개의 파라미터를 나열하며 — 모델 카드에서는 5B로 반올림 — 산문이 아닌 구조화된 좌표 토큰을 내보내도록 미세 조정되었다. 박스와 점은 <0>부터 <1000>까지의 토큰으로 인코딩되고 이미지에 맞춰 정규화되는데, 이것이 바로 언어 모델이 설명 대신 기하학을 수행하게 되는 방식이다.

픽셀 수준의 절반은 이해할 가치가 있는 부분입니다. 각 예측 박스 뒤에 모델은 특수 토큰을 내보내며, <OBJ> 그 숨은 상태는 별도의 960만 파라미터 디코더에 입력됩니다. 이 디코더는 다음 파일로 제공됩니다: mask_decoder.pt. 그 디코더는 — 시각 특징 어댑터, 6개의 변형 가능한 교차 어텐션 블록, 그리고 스트라이드 4, 2, 1에서 정제하는 캐스케이드 헤드로 구성되며 — 박스를 인스턴스 마스크로, 그다음 전체 해상도 알파 매트로 바꿉니다. 이는 SAM 호출이 아닙니다. 루프 안에는 두 번째 모델도, 프롬프트 인코더도, 외부 세그먼터도 없습니다. 전체 픽셀 경로는 언어 모델에 덧붙은 960만 개의 파라미터입니다.

그 설계 선택은 벤치마크 프로파일을 설명해 줍니다. 마스크와 매트가 모델이 방금 예측한 동일한 박스에 조건화되기 때문에, 모델은 분할을 위해 사람이 제공한 박스를 필요로 하지 않습니다. 즉 "우산을 들고 있는 사람"을 요청받으면 바로 그 인스턴스에 대한 매트를 반환할 수 있습니다. 트레이드오프는 픽셀 디코더가 마스크 수준의 보상으로부터 전혀 학습하지 않는다는 점입니다. 논문의 강화학습 단계는 박스, 포인팅, OCR 전사를 점수화하지만 마스크나 알파 보상은 전혀 사용하지 않습니다. dense 출력은 오직 지도 손실로만 학습됩니다.

그 숫자들, 그리고 그 숫자들이 누구의 숫자인지

아래의 모든 수치는 텐센트의 논문이나 프로젝트 README에서 나온 것입니다. 어느 것도 제3자에 의해 재현되지 않았고, 비교 대상 세트는 저자들이 선택했습니다. 이틀 된 논문으로서는 정상적인 일이며, 동시에 벤더 표가 자기에게 유리하게 꾸며지기 쉬운 바로 그 상황이므로, 그 격차는 측정값이 아니라 주장으로 취급하십시오.

헤드라인은 각 과제에 대해 저자들이 제시한 가장 강력한 오픈 베이스라인과 비교하여 다음과 같이 주장합니다:

• 탐지, LVIS F1 평균 — WeVisOne-VL-4B 55.3 vs 최고 베이스라인 50.7

• Dense 탐지, Dense200 F1 평균 — 71.3 대 58.7

• Referring, RefCOCOg 테스트 F1 평균 — 81.8 vs 77.6

• 거부, WeRef-Bench — 대상이 없는 쿼리를 올바르게 거부한 비율 96.4% vs 73.0%

• 계산, PixMo-Count 테스트 정확도 — 89.6 대 82.8

• OCR, TotalText F1 평균 — 52.0 vs 43.3

• 참조 분할, ReasonSeg 검증 gIoU — 71.2 대 65.0

• 박스 매팅, P3M-500-NP MAD — 7.3 vs 15.4, 낮을수록 좋음

가장 정보량이 많은 행은 그 목록에 없습니다. 동일한 백본을 수정하지 않은 Qwen3-VL-4B와 비교하면, Dense200에서 격차는 71.3 대 15.2이고 VisDrone에서는 44.7 대 31.0입니다. 기반 비전-언어 모델은 조밀한 소형 객체 탐지에서는 거의 쓸모가 없으며, 파인튜닝은 이를 전문가 영역으로 끌어올립니다. 이는 프런티어 모델과의 어떤 비교보다도 더 방어 가능한 주장입니다. 저자들은 4B 범용 모델이 크기를 키우지 않고도 유능한 로컬라이저로 전환될 수 있음을 보여주고 있습니다.

작동이 멈추는 지점

제한 사항은 모델 카드에 명시되어 있으며, 이는 형식적인 것이 아닙니다. 이 모델은 턴당 단일 이미지만 처리합니다. 비디오 그리드는 픽셀 디코더에서 즉시 거부되므로, 이는 비디오 분할 도구가 아니며 그렇게 가장하지도 않습니다. 구조화된 출력을 추론 과정 없이 직접 생성하기 때문에, 모호한 쿼리에 대해 박스를 확정하기 전에 추론을 요청할 방법이 없습니다. 알파 품질은 미세한 경계, 심한 폐색, 그리고 실제로 투명한 재질에서 저하되며, 프롬프트의 표현 방식에 민감합니다. "the woman's hair"와 "her hair"가 동일한 매트를 반환한다고 보장할 수 없습니다.

거부 동작은 가장 과소평가되기 쉬운 기능이다. 반환값 None은 대상이 없을 때 사소하게 들리지만, 비디오 피드에서 탐지기를 실행해 빈 주차장에서 보행자를 환각으로 만들어내는 것을 직접 보기 전까지는 그렇지 않다. WeRef-Bench에서 96.4%의 거부율은 최고 베이스라인인 73.0%와 비교할 때, 파이프라인에 넣을 수 있는 컴포넌트와 두 번째 모델로 보호해야 하는 컴포넌트의 차이다.

실제로 어떻게 실행하는지

모델 카드에는 네 가지 서빙 경로가 문서화되어 있습니다: 프로젝트 자체 추론 패키지, Transformers image-text-to-text 파이프라인, vLLM, SGLang, 그리고 Docker Model Runner 한 줄 명령입니다. 디코딩은 그리디 방식이며 이미지당 시각 토큰은 최대 1,960개입니다. F32에서 4.83B 파라미터인 체크포인트는 9.6M 파라미터 디코더를 더하기 전에 디스크에서 약 19GB입니다. bfloat16으로 로드하면 그 절반이 됩니다. 어쨌든 사용자 지정 추론 코드가 필요합니다 — mask_decoder.pt는 선택적 추가 항목이 아니라 필수 구성 요소이며, 기본 Transformers 로드는 박스와 텍스트는 제공하지만 마스크는 제공하지 않습니다.

호스팅형 API도 없고 공개된 가격도 없으므로, 솔직히 말하면 WeVisOne-VL-4B는 현재 자체 호스팅을 전제로 한 선택입니다. 이번 주에 프로덕션에서 Qwen3-VL 인식 파이프라인을 실제로 원하시는데, 어제 출시된 가중치를 위해 GPU를 프로비저닝하고 싶지는 않다면, Qwen3-VL-8B instruct 빌드는 OrcaRouter를 통해 이용할 수 있습니다 — 200개가 넘는 모델을 하나의 키로 사용할 수 있고, 제공업체 목록 가격은 0% 마크업으로 그대로 전달되며, 업스트림 엔드포인트가 흔들리면 자동 장애 조치가 이루어집니다. 이는 파인튜닝이 아닌 백본 계열입니다. 박스와 설명은 제공하지만 알파 매트는 제공하지 않습니다.

무엇을 볼까요?

세 가지가 이걸 "흥미로운 논문"에서 "평가해 볼 만한 모델"로 바꿔 놓을 것입니다. 첫째는 독립적인 벤치마크 실행입니다. 누구든 홀드아웃 세트에서 매팅 수치를 재현한다면 가장 큰 미해결 질문이 정리될 것입니다. 둘째는 Tencent나 다른 누구든 제공하는 호스팅 엔드포인트로, 추론 경로가 서비스할 만큼 견고한지 알려 줄 것입니다. 셋째는 README의 TODO 목록에 점검되지 않은 채 남아 있는 파인튜닝 코드입니다. 그것이 없으면 매팅 헤드를 특정 제품 카탈로그에 맞게 조정하는 것은 추측에 불과합니다.

그때까지 공정한 요약은 이렇습니다. Tencent는 언어 모델에서 전체 해상도 알파 매트를 뽑아내며 SAM이 개입하지 않는, 정말로 이례적인 일을 하는 작은 모델을 공개했고, 그러면서도 관심을 요구하지 않았습니다. 가중치는 Tencent가 작성한 코드에 대해 Apache 2.0입니다. 주장은 저자들 자신의 것입니다. 그 두 사실은 모두 확인 가능하니, 그것을 전제로 계획하기 전에 확인해야 합니다.