WeVisOne-VL-2B: Tencent bracht een perceptiemodel uit en vertelde het niemand

De belangrijkste zin in de modelkaart van WeVisOne-VL-2B gaat niet over het model. Het gaat over een bestand met de naam mask_decoder.pt, 9.511.460 parameters, in één vlakke zin beschreven als "een verplichte kerncomponent, geen optionele toevoeging." Alles aan de manier waarop het nieuwe perceptiemodel van Tencent zich gedraagt — of je nu een box, een punt, een binair masker of een continue alpha matte krijgt — loopt via die decoder. En het model waar het bij hoort, kwam vrijwel zonder enige ceremonie: de gewichten voor WeVisOne-VL-2B verschenen op Hugging Face om 09:47 UTC op 22 oktober 2026, een GitHub-repository verscheen vijftig minuten eerder, een paper werd dezelfde dag gepost, en Tencent heeft geen lanceringsbericht en geen aankondiging gepubliceerd die bij dit alles horen.

Wat dat voor een lezer betekent, is beperkt maar nuttig. Dit is geen product waarvoor je je kunt aanmelden. Het is een onderzoeksrelease die je kunt downloaden, met een paper dat cijfers rapporteert die de modelkaart niet herhaalt, en een reeks beperkingen die de kaart duidelijker formuleert dan de meeste leveranciers zouden doen. Hieronder staat wat controleerbaar is vanuit de repository, wat in de paper wordt beweerd, en wat nog niemand heeft geverifieerd.

Wat er is geland, en de tijdstempels die laten zien hoe stil het gebeurde

Elke datum hier komt uit een openbare tijdstempel in plaats van uit een persbericht, omdat er geen persbericht is:

• Hugging Face — tencent/WeVisOne-VL-2B werd gemaakt op 2026-10-22 om 09:47:50 UTC. Het 4B-zustermodel werd vierentwintig seconden later gemaakt, wat eruitziet als een upload van een organisatie wanneer de bestanden in één batch worden gepusht.

• GitHub — Tencent/WeVisOne-VL is dezelfde ochtend om 08:58:16 UTC aangemaakt. Op het moment van schrijven bevat het één commit, "Initial public release of WeVisOne-VL," met tijdstempel 2026-10-23 08:14 UTC, en 46 sterren.

Paper — arXiv 2610.31329, "WeVisOne-VL: Unified Visual Perception from Objects to Pixels," v1 ingediend op 22 oktober 2026, door Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li en Jing Lyu, allen van WeChat Vision, Tencent Inc.

• Projectpagina — tencent.github.io/WeVisOne-VL is live, met een demo, een methodesectie en resultatentabellen. Het is een onderzoekspagina, geen productpagina: geen prijzen, geen API, geen aanmelding.

De kaart zelf toonde drie likes bij controle, en één op de 4B. De downloadteller stond op nul, wat vooral aangeeft dat de teller achterloopt; de eerlijke samenvatting is dat bijna niemand buiten het lab dit nog heeft aangeraakt, en elk artikel dat deze week verschijnt — dit artikel inbegrepen — werkt vanuit de paper en de repository in plaats van vanuit resultaten.

Eén detail dat het vermelden waard is, omdat het bij inkoop ter sprake zal komen: de modelkaart verleent Apache 2.0 voor "door Tencent geschreven code in deze repository." De GitHub API rapporteert de licentie van de repository als "Other" zonder SPDX-identifier. Die twee uitspraken zijn niet noodzakelijkerwijs met elkaar in tegenspraak — componenten van derden behouden hun eigen voorwaarden, en dat staat ook op de kaart — maar het betekent wel dat het de moeite waard is het licentiebestand te lezen voordat dit ook maar in de buurt van een product komt.

De architectuur is een gok op tokens, niet op een groter model.

WeVisOne-VL-2B is gebouwd op Qwen3-VL, heeft ongeveer 2 miljard parameters en doet iets enigszins ongewoons voor een vision-languagemodel: het scheidt het vinden van het tekenen.

De taalkant regelt het vinden. Die heeft speciale coördinatortokens, <0> tot en met <1000>, die genormaliseerde boxen en punten coderen, zodat een detectie letterlijk een reeks tokens is die het model in dezelfde stream als zijn tekst uitzendt. Wanneer een opgevraagd doel ontbreekt, retourneert het None in plaats van een box te verzinnen. Voor dichte taken zendt het nog een speciaal token uit, <OBJ> met token-ID 152678, direct na elke voorspelde box — een markering die zegt: "dit exemplaar loopt hieronder door."

De pixelkant regelt het tekenen. mask_decoder.pt leest de verborgen toestand bij elk <OBJ>, combineert die met een Fourier-gecodeerde box-prior en produceert het daadwerkelijke masker. Het heeft drie fasen: een visuele feature-adapter over ViT-features van Qwen3-VL op meerdere niveaus vóór het samenvoegen; een door boxen geleide query-decoder met zes deformable cross-attention-blokken; en een dense prediction-head gebouwd rond wat Tencent een FullCanvasAlphaCascadeHead noemt, die verfijnt op S/4, S/2 en S/1 om continue alpha mattes op volledige resolutie met stride 1 uit te voeren.

De ontwerpkeuze die ertoe doet, is de laatste. De meeste grounded VLM's geven een binair masker of een polygoon terug. Een alpha matte is een per-pixel dekkingskaart met zachte randen — precies wat je nodig hebt om een persoon op een nieuwe achtergrond te compositen zonder een halo rond het haar. Dat is een ander uitvoertype dan segmentatie, en het is de reden dat dit model als een aparte release bestaat in plaats van als een fine-tune van een algemeen VLM.

Wat de paper beweert, en wat de kaart je niet zal vertellen

De modelkaart bevat geen benchmarktabel. Geen contextlengte, geen doorvoercijfers, geen aantal trainingstokens, geen hardwarevereisten, geen prijs. Wat de kaart je wel geeft, is de interface, de architectuur, het beoogde gebruik en de beperkingen.

Het artikel is waar de cijfers staan, verspreid over zeven taaktabellen en wat Tencent omschrijft als meer dan dertig benchmarks. Alle volgende resultaten zijn van de auteurs zelf, door de auteurs uitgevoerd, en door niemand onafhankelijk gereproduceerd:

• Detectie — gemiddelde F1 van 55,2 op COCO, 53,3 op LVIS, 61,4 op Dense200 en 40,4 op VisDrone. De Qwen3-VL-2B-baseline op dezelfde tabel scoort 45,2, 40,8, 10,0 en 23,1. Het verschil op Dense200 is het meest opvallend: zes keer de baseline, op een benchmark over drukke scènes.

• Afwijzing — op RefCOCOg rapporteert de 2B een afwijzingspercentage van 50,2 voor queries naar afwezige objecten. De twee gespecialiseerde grounding-modellen in dezelfde tabel, Rex-Omni-3B en LocateAnything-3B, rapporteren 0,5 en 0,6. Kunnen zeggen "daar niet" is grotendeels wat een perceptiesysteem onderscheidt van een demo.

• Tellen — 90,9 en 88,1 exact-match op de validatie- en testsplits van PixMo-Count, maar slechts 27,5 en 26,9 op CLOC, 29,5 en 32,4 op KubriCount, en 47,9 op CountQA. De spreiding over de tel-datasets is het meest eerlijke dat in de paper staat: tellen is niet één vaardigheid, en dit model is goed in sommige ervan.

• OCR — gemiddelde F1 van 30,5 op HierText, 42,6 op ICDAR2015, 42,5 op TotalText en 62,1 op SROIE. Dat zijn localisatiebewuste F1-scores bij een IoU-drempel van 0,5, geen transcriptienauwkeurigheid, dus ze zijn niet vergelijkbaar met het OCRBench-getal dat je voor consumenten-VLM's zult zien aangehaald.

• Segmentatie — 79,7 cumulatieve IoU op RefCOCO-validatie, 73,1 op RefCOCO+-validatie, 74,4 op RefCOCOg-validatie en 60,9 op ReasonSeg-validatie. In het artikel wordt expliciet vermeld dat de waarden voor de RefCOCO-familie cIoU zijn en de waarden voor ReasonSeg gIoU.

• Matting — op P3M-500-NP met een box-prompt: een gemiddelde absolute afwijking van 6,6 tegenover 15,4 voor SAM2-Matting. Op AM-2K: 5,7 tegenover 12,1. Op de moeilijkere WeRefMat referring-split: 15,8 tegenover 23,0 voor een Qwen3-VL-8B plus SAM2-Matting-pipeline. Bij al deze geldt: lager is beter.

Eén interne inconsistentie is de moeite waard om te weten voordat je de 4B citeert: het kleinere model verslaat het grotere daadwerkelijk bij P3M-500-NP-matting, 6,6 tegen 7,3 MAD. Tencent legt niet uit waarom, en het is een herinnering dat dit tabellen uit één run zijn, geen definitieve ranglijsten.

Waar het bewijs schaars is

De sectie over beperkingen van het paper zelf is ongewoon direct, en die zou moeten bepalen hoe je alles hierboven leest. Er staat dat de beperkte hoeveelheid algemene trainingsdata "de algemene capaciteiten ten opzichte van het basismodel kan aantasten." Met andere woorden: de fine-tuning waardoor dit model goed werd in perceptie, heeft het misschien slechter gemaakt als algemene assistent. Niets in het paper test dat — er is geen MMMU, geen MMBench, geen DocVQA, geen captioning-benchmark, nergens in de zeven tabellen.

De andere drie beperkingen zijn architecturaal en niet te verhelpen met prompting. Het model genereert gestructureerde uitvoer zonder chain-of-thought, omwille van inferentie-efficiëntie; het is single-turn; en de pixeldecoder verwerpt videorasters. Tencent merkt ook op dat benchmarkprompts "duidelijk, welgevormd en ondubbelzinnig" zijn, terwijl echte gebruikersinstructies vaak vaag zijn — een openhartige erkenning dat de evaluatieopstelling het model bevoordeelt.

En de praktische hiaten zijn degene waar een engineer als eerste tegenaan loopt. Er is geen gepubliceerde contextlengte. De trainingsfasen van het paper gebruikten 4.096 en 8.192 tokens, en inferentie beperkt elke afbeelding tot 1.960 visuele tokens met greedy decoding, maar niets daarvan is een vermelde deployment-contextwindow. Er is geen GGUF, geen gequantiseerde build, geen ONNX-export en geen vermelding van Apple Silicon. Er is geen gehost endpoint van Tencent, en geen inferenceprovider die het aanbiedt.

Het uitvoeren, als je wilt

Het ondersteunde pad is het eigen pakket van Tencent. Installeer het vanuit de GitHub-repository, laad vervolgens het checkpoint op naam en roep predict aan met een afbeelding, een taak, een query en een temperatuur. De kaart toont ook een Transformers-pad via een image-text-to-text-pipeline en vermeldt vLLM, SGLang, Docker, Colab en Kaggle als deploymentroutes.

Twee dingen zullen iedereen die er vluchtig overheen leest, dwarszitten. Ten eerste: mask_decoder.pt is niet optioneel — download het samen met de gewichten, anders hebben de dense taken niets om uit te voeren. Ten tweede is de standaardinstelling greedy decoding bij temperatuur nul, en de kaart raadt aan om dat zo te laten; dit is een model dat gestructureerde coördinaten produceert, en sampling doet het geen goed.

Dit is ook het punt waarop een routeringslaag echt relevant is, en het is de moeite waard om precies te zijn over wat dat hier betekent. OrcaRouter serveert WeVisOne-VL-2B niet — het staat niet in onze catalogus, en we gaan niet doen alsof dat wel zo is. Waar een router bij helpt, is de vergelijking eromheen: als je een zelfgehost perceptiemodel evalueert tegen gehoste algemene visionmodellen, dan zitten die gehoste modellen achter één API-sleutel tegen de lijstprijs van de provider, zonder opslag, dus een testomgeving bouwen betekent niet dat je drie contracten moet tekenen. Automatische failover houdt de gehoste kant van die testomgeving overeind terwijl je GPU-machine bezig is, en de routerings-DSL laat je een zelfgehoste aanroep en een gehoste aanroep achter één endpoint plaatsen terwijl je beslist welke een plek in productie verdient.

Wat zou dit van een repository in een verhaal veranderen?

Drie dingen, waarvan er nog geen enkele bestaat. Een onafhankelijke run is het grote punt: elk cijfer hierboven is van Tencent, op de harness van Tencent, en de afwijzingspercentages en matting-delta's zijn precies het soort claims dat verschuift wanneer iemand anders ze uitvoert. Een aankondiging is het tweede — de repository, het paper en de projectpagina zijn allemaal first-party, maar geen ervan is een lancering, en een degelijke uiteenzetting zou waarschijnlijk trainingsdetails bevatten die het paper samenvat. Frameworkondersteuning is het derde: de kaart vermeldt vLLM en SGLang, maar een samengevoegde kernel of een officiële checkpointconversie is een ander niveau van commitment dan een regel in een deploymenttabel.

Totdat een van die dingen beschikbaar komt, is dit de accurate beschrijving van WeVisOne-VL-2B. Het is een 2B-perceptiemodel met een slimme interface — coördinaten als tokens, instanties als markers, pixels als een aparte decoder — dat grote winsten meldt ten opzichte van zijn eigen basismodel bij detectie, rejectie en matting, helemaal geen cijfers over algemene capaciteiten publiceert, en door niemand via een API kan worden aangeroepen. Als je een persoon uit een foto moet knippen en daarbij het haar wilt behouden, is die combinatie interessant genoeg om te downloaden. Als je een visie-assistent nodig hebt die vragen over een afbeelding beantwoordt, is dit niet het bestand dat je zoekt, en het artikel is openhartig genoeg om dat te zeggen.