WeVisOne-VL-2B: Tencent wydał model percepcji i nikomu o tym nie powiedział

Najważniejsze zdanie w karcie modelu WeVisOne-VL-2B nie dotyczy samego modelu. Dotyczy pliku o nazwie mask_decoder.pt, 9 511 460 parametrów, opisanego w jednym lakonicznym zdaniu jako „wymagany komponent podstawowy, a nie opcjonalny dodatek”. Całe działanie nowego modelu percepcji Tencent — to, czy otrzymujesz ramkę, punkt, maskę binarną czy ciągłą matę alfa — przechodzi przez ten dekoder. A model, do którego należy, pojawił się niemal bez żadnego rozgłosu: wagi WeVisOne-VL-2B trafiły na Hugging Face o 09:47 UTC 22 października 2026 r., repozytorium GitHub pojawiło się pięćdziesiąt minut wcześniej, artykuł opublikowano tego samego dnia, a Tencent nie opublikował żadnego wpisu z okazji premiery ani żadnego ogłoszenia, które by temu towarzyszyło.

Co to oznacza dla czytelnika — wąskie, ale użyteczne. Nie jest to produkt, na który można się zapisać. To wydanie badawcze, które można pobrać, wraz z artykułem, który podaje liczby, których karta modelu nie powtarza, oraz zestawem ograniczeń, które karta przedstawia wprost niż większość dostawców. Poniżej znajduje się to, co można sprawdzić w repozytorium, co twierdzi się w artykule i czego nikt jeszcze nie zweryfikował.

Co dotarło i znaczniki czasu pokazujące, jak cicho.

Każda data tutaj pochodzi z publicznego znacznika czasu, a nie z komunikatu prasowego, ponieważ nie ma komunikatu prasowego:

• Hugging Face — tencent/WeVisOne-VL-2B został utworzony 2026-10-22 o 09:47:50 UTC. Wersja 4B została utworzona dwadzieścia cztery sekundy później, co jest typowe dla przesyłania przez organizację, gdy pliki są wysyłane w jednej partii.

• GitHub — Tencent/WeVisOne-VL zostało utworzone o 08:58:16 UTC tego samego ranka. W chwili pisania tego tekstu zawiera jedno zatwierdzenie „Initial public release of WeVisOne-VL” z sygnaturą czasową 2026-10-23 08:14 UTC oraz 46 gwiazdek.

• Artykuł — arXiv 2610.31329, „WeVisOne-VL: Zunifikowana percepcja wizualna od obiektów do pikseli”, wersja 1 przesłana 22 października 2026 r., autorzy: Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li i Jing Lyu, wszyscy z WeChat Vision, Tencent Inc.

• Strona projektu — tencent.github.io/WeVisOne-VL jest już dostępna, z demo, sekcją metody i tabelami wyników. To strona badawcza, a nie strona produktu: bez cen, bez API, bez rejestracji.

Sama karta pokazywała po sprawdzeniu trzy polubienia, a na 4B — jedno. Licznik pobrań wskazywał zero, co mówi głównie tyle, że licznik działa z opóźnieniem; uczciwe podsumowanie jest takie, że prawie nikt spoza laboratorium jeszcze tego nie wypróbował, a każdy artykuł opublikowany w tym tygodniu — w tym ten — opiera się na pracy naukowej i repozytorium, a nie na wynikach.

Jeden szczegół wart odnotowania, ponieważ pojawi się w procesie zakupowym: karta modelu przyznaje licencję Apache 2.0 dla „kodu w tym repozytorium autorstwa Tencent”. API GitHub zgłasza licencję repozytorium jako „Other” bez identyfikatora SPDX. Te dwa stwierdzenia nie muszą być ze sobą sprzeczne — komponenty zewnętrzne zachowują własne warunki, i karta to mówi — ale oznacza to, że warto przeczytać plik licencji, zanim to trafi w jakiekolwiek pobliże produktu.

Architektura to zakład na tokeny, a nie na większy model.

WeVisOne-VL-2B bazuje na Qwen3-VL, ma około 2 miliardów parametrów i robi coś nieco nietypowego jak na model wizyjno-językowy: oddziela znajdowanie od rysowania.

Część językowa odpowiada za wyszukiwanie. Ma dedykowane tokeny współrzędnych, <0> do <1000>, które kodują znormalizowane prostokąty i punkty, więc detekcja to dosłownie sekwencja tokenów, które model emituje w tym samym strumieniu co swój tekst. Gdy szukanego celu nie ma, zwraca None, zamiast wymyślać prostokąt. W zadaniach gęstych emituje jeszcze jeden token specjalny, <OBJ> o identyfikatorze tokenu 152678, od razu po każdym przewidzianym prostokącie — znacznik mówiący „ta instancja jest kontynuowana poniżej”.

Część pikselowa zajmuje się rysowaniem. mask_decoder.pt odczytuje stan ukryty w każdym <OBJ>, łączy go z priorowym rozkładem ramki zakodowanym za pomocą Fouriera i tworzy właściwą maskę. Ma trzy etapy: adapter cech wizualnych na wielopoziomowych cechach ViT Qwen3-VL sprzed scalania; dekoder zapytań kierowany ramką z sześcioma deformowalnymi blokami uwagi krzyżowej; oraz gęsta głowica predykcyjna zbudowana wokół tego, co Tencent nazywa FullCanvasAlphaCascadeHead, która dopracowuje wynik na poziomach S/4, S/2 i S/1, aby na wyjściu dawać ciągłe maty alfa w pełnej rozdzielczości przy kroku 1.

Wybór projektu, który ma znaczenie, to ten ostatni. Większość ugruntowanych VLMs zwraca binarną maskę lub wielokąt. Alpha matte to mapa krycia na poziomie piksela o miękkich krawędziach — coś, czego potrzebujesz, aby skomponować osobę na nowym tle bez aureoli wokół włosów. To inny typ danych wyjściowych niż segmentacja i to dlatego ten model istnieje jako osobne wydanie, a nie jako dostrajanie ogólnego VLM.

Co twierdzi artykuł, a czego karta ci nie powie

Karta modelu nie zawiera tabeli benchmarków. Brak długości kontekstu, brak wartości przepustowości, brak liczby tokenów treningowych, brak wymagań sprzętowych, brak ceny. Karta daje ci interfejs, architekturę, zamierzone zastosowanie i ograniczenia.

Liczby znajdują się w artykule, w siedmiu tabelach zadań i w tym, co Tencent opisuje jako ponad trzydzieści benchmarków. Wszystkie poniższe wyniki są własnymi wynikami autorów, przeprowadzonymi przez autorów i nieodtworzonymi przez nikogo niezależnego:

• Detekcja — średnie F1 wynoszące 55,2 na COCO, 53,3 na LVIS, 61,4 na Dense200 i 40,4 na VisDrone. Baseline Qwen3-VL-2B w tej samej tabeli uzyskuje 45,2, 40,8, 10,0 i 23,1. Różnica na Dense200 jest uderzająca: wynik sześciokrotnie wyższy niż baseline, na benchmarku dotyczącym zatłoczonych scen.

• Odrzucenie — w RefCOCOg model 2B odnotowuje współczynnik odrzuceń na poziomie 50,2 dla zapytań o nieobecne obiekty. Dwa wyspecjalizowane modele ugruntowania w tej samej tabeli, Rex-Omni-3B i LocateAnything-3B, odnotowują 0,5 i 0,6. Umiejętność powiedzenia „nie ma tego” to główna różnica między systemem percepcji a demem.

• Zliczanie — 90,9 i 88,1 dokładnego dopasowania na podziałach walidacyjnym i testowym PixMo-Count, ale tylko 27,5 i 26,9 na CLOC, 29,5 i 32,4 na KubriCount oraz 47,9 na CountQA. Rozpiętość między zbiorami danych do zliczania jest najuczciwszą rzeczą w artykule: zliczanie nie jest jedną umiejętnością, a ten model jest dobry w niektórych z nich.

• OCR — średnie F1 wynoszące 30,5 na HierText, 42,6 na ICDAR2015, 42,5 na TotalText i 62,1 na SROIE. Są to wyniki F1 uwzględniające lokalizację przy progu IoU 0,5, a nie dokładność transkrypcji, więc nie można ich porównywać z wynikiem OCRBench, który zobaczysz podawany dla konsumenckich VLM.

• Segmentacja — 79,7 skumulowanego IoU na zbiorze walidacyjnym RefCOCO, 73,1 na zbiorze walidacyjnym RefCOCO+, 74,4 na zbiorze walidacyjnym RefCOCOg i 60,9 na zbiorze walidacyjnym ReasonSeg. W pracy wyraźnie zaznaczono, że wartości dla rodziny RefCOCO to cIoU, a wartości dla ReasonSeg to gIoU.

• Matting — w przypadku P3M-500-NP z podpowiedzią w postaci ramki średnia różnica bezwzględna wynosi 6,6 wobec 15,4 dla SAM2-Matting. Na AM-2K: 5,7 wobec 12,1. W trudniejszym podziale odwołań WeRefMat: 15,8 wobec 23,0 dla potoku Qwen3-VL-8B plus SAM2-Matting. We wszystkich tych przypadkach niższa wartość jest lepsza.

Jedna wewnętrzna niespójność jest warta poznania, zanim zacytujesz 4B: mniejszy model faktycznie bije większy w mattingu P3M-500-NP, 6,6 wobec 7,3 MAD. Tencent nie wyjaśnia dlaczego, a to przypomnienie, że to tabele z pojedynczego przebiegu, a nie ustalone rankingi.

Tam, gdzie dowody są nikłe

Sekcja ograniczeń samej pracy jest niezwykle bezpośrednia i powinna wpływać na to, jak czytasz wszystko powyżej. Mówi, że ograniczona ilość ogólnych danych treningowych „może osłabić ogólne możliwości względem modelu bazowego”. Innymi słowy: dostrajanie, które uczyniło ten model dobrym w percepcji, mogło pogorszyć jego zdolności jako ogólnego asystenta. Nic w pracy tego nie testuje — w siedmiu tabelach nie ma nigdzie MMMU, MMBench, DocVQA ani benchmarku do opisywania obrazów.

Pozostałe trzy ograniczenia mają charakter architektoniczny, a nie takie, które można naprawić poprzez promptowanie. Model generuje ustrukturyzowane dane wyjściowe bez łańcucha myśli (chain-of-thought), aby zwiększyć wydajność wnioskowania; obsługuje tylko jedną turę rozmowy; a dekoder pikseli odrzuca siatki wideo. Tencent zauważa również, że prompty benchmarkowe są „jasne, dobrze sformułowane i jednoznaczne”, podczas gdy rzeczywiste instrukcje użytkowników są często niejasne — co jest szczerym przyznaniem, że środowisko oceny stawia model w korzystnym świetle.

A praktyczne braki to te, na które inżynier natrafia najpierw. Nie opublikowano długości kontekstu. Etapy trenowania opisane w artykule używały 4096 i 8192 tokenów, a inferencja ogranicza każdy obraz do 1960 tokenów wizualnych przy dekodowaniu zachłannym, ale żadne z tego nie stanowi podanego okna kontekstu wdrożeniowego. Nie ma GGUF, nie ma skwantyzowanej kompilacji, nie ma eksportu ONNX ani wzmianki o Apple Silicon. Nie ma hostowanego punktu końcowego od Tencent ani żadnego dostawcy inferencji, który by go obsługiwał.

Uruchom to, jeśli chcesz.

Wspierana ścieżka to własny pakiet Tencenta. Zainstaluj go z repozytorium GitHub, następnie wczytaj checkpoint po nazwie i wywołaj predict z obrazem, zadaniem, zapytaniem i temperaturą. Karta pokazuje również ścieżkę Transformers przez potok obraz-tekst-do-tekstu oraz wymienia vLLM, SGLang, Docker, Colab i Kaggle jako sposoby wdrożenia.

Dwie rzeczy zaskoczą każdego, kto czyta po łebkach. Po pierwsze, mask_decoder.pt nie jest opcjonalny — pobierz go razem z wagami, w przeciwnym razie gęste zadania nie będą miały czego uruchomić. Po drugie, domyślnym ustawieniem jest dekodowanie zachłanne przy temperaturze zero, a karta zaleca pozostawienie go bez zmian; to model, który emituje strukturalne współrzędne, a próbkowanie nie wychodzi mu na dobre.

To również punkt, w którym warstwa routingu naprawdę ma znaczenie, i warto precyzyjnie wyjaśnić, co to tutaj oznacza. OrcaRouter nie udostępnia modelu WeVisOne-VL-2B — nie ma go w naszym katalogu i nie zamierzamy udawać, że jest inaczej. Router pomaga w porównaniu wokół tego: jeśli oceniasz samodzielnie hostowany model percepcji względem hostowanych modeli wizyjnych ogólnego przeznaczenia, te hostowane modele są dostępne za jednym kluczem API w cenie katalogowej dostawcy bez narzutu, więc zbudowanie środowiska testowego nie oznacza podpisywania trzech umów. Automatyczne przełączanie awaryjne utrzymuje hostowaną stronę tego środowiska w działaniu, gdy Twoja maszyna GPU jest zajęta, a DSL routingu pozwala umieścić wywołanie modelu hostowanego samodzielnie i modelu hostowanego za jednym punktem końcowym, gdy decydujesz, które z nich zasługuje na miejsce w produkcji.

Co sprawiłoby, że to z repozytorium stałoby się opowieścią?

Trzy rzeczy, z których żadna jeszcze nie istnieje. Niezależne uruchomienie to najważniejsza z nich: wszystkie liczby powyżej pochodzą od Tencenta i zostały uzyskane na środowisku testowym Tencenta, a wskaźniki odrzuceń i różnice w mattingu to dokładnie ten rodzaj twierdzeń, które się zmieniają, gdy ktoś inny je uruchomi. Ogłoszenie to druga — repozytorium, artykuł i strona projektu pochodzą z pierwszej ręki, ale żadne z nich nie jest premierą, a porządne omówienie prawdopodobnie zawierałoby szczegóły treningu, które artykuł skraca. Wsparcie frameworków to trzecia: karta wymienia vLLM i SGLang, ale scalony kernel albo oficjalna konwersja checkpointu to inny poziom zobowiązania niż wiersz w tabeli wdrożeń.

Dopóki któraś z tych rzeczy się nie pojawi, dokładny opis WeVisOne-VL-2B jest następujący. To model percepcyjny 2B z inteligentnym interfejsem — współrzędne jako tokeny, instancje jako znaczniki, piksele jako osobny dekoder — który raportuje duże zyski względem własnego modelu bazowego w zakresie detekcji, odrzucania i mattingu, nie publikuje żadnych liczb dotyczących ogólnych możliwości i którego nikt nie może wywołać przez API. Jeśli potrzebujesz wyciąć osobę ze zdjęcia i zachować jej włosy, ta kombinacja jest wystarczająco interesująca, by ją pobrać. Jeśli potrzebujesz asystenta wizyjnego, który odpowiada na pytania dotyczące obrazu, to nie jest plik, którego szukasz, a artykuł jest wystarczająco szczery, by to powiedzieć.