WeVisOne-VL-4B: Model wizyjny 4B, który Tencent opublikował bez wpisu o premierze

W benchmarku P3M-500-NP, standardowym teście wyodrębniania miękkich krawędzi z obrazu, najlepsza maska alfa, jaką Tencent znalazł do porównania, uzyskała średnią różnicę bezwzględną na poziomie 15,4. WeVisOne-VL-4B uzyskuje 7,3. To około połowa błędu specjalnie zbudowanego potoku do mattingu — wynik uzyskany przez model wizyjno-językowy z 4 miliardami parametrów, który z tych samych wag wykonuje również detekcję, zliczanie, OCR i segmentację. WeVisOne-VL-4B to próba zespołu WeChat Vision, by zredukować całą gromadę specjalistów od percepcji do jednego predyktora następnego tokenu, i to naprawdę interesująca praca. Nie jest to jednak, jeszcze, produkt: nie ma wpisu na blogu Tencent, komunikatu prasowego, hostowanego endpointu ani jakiegokolwiek ogłoszenia, jakie ta strona mogłaby znaleźć. Wagi pojawiły się w Hugging Face 22 października 2026 r. i od tego czasu model pozostaje publicznie dostępny — po cichu.

Ten tekst jest odczytem tego, co faktycznie zawierają repozytoria, i oddziela dwie rzeczy, które łatwo ze sobą pomylić: to, co można zweryfikować, pobierając model, oraz to, co głosi wyłącznie publikacja samego Tencenta. Obie mają znaczenie. Tylko jedna z nich stanowi dowód.

Co zostało opublikowane i kiedy

Zapis jest wyjątkowo przejrzysty, ponieważ wszystko ma znaczniki czasu. Repozytorium Hugging Face tencent/WeVisOne-VL-4B utworzono 22 października 2026 r. o 09:48 UTC; repozytorium GitHub Tencent/WeVisOne-VL utworzono pięćdziesiąt minut wcześniej, o 08:58 UTC tego samego ranka; praca arXiv 2610.31329 ma datę przesłania 22 października. Model siostrzany 2B, tencent/WeVisOne-VL-2B, pojawił się obok niego.

W momencie pisania tego tekstu repozytorium 4B zostało jeszcze raz zmodyfikowane następnego ranka i zebrało kilka polubień oraz nie odnotowało znaczącej liczby pobrań. Te liczniki to migawka, a nie wyrok, ale mówią coś, czego artykuł nie potrafi: prawie nikt jeszcze nie pobrał tego modelu. Repozytorium GitHub miało 46 gwiazdek i garść forków, a lista TODO w jego README sama w sobie jest raportem statusu — pakiet inferencyjny, cookbooki i potok ewaluacji są odhaczone; demo Gradio i kod dostrajania już nie.

Zatem trafny opis to nie „wyciek” ani „premiera”. To oficjalne udostępnienie open-source z całą infrastrukturą wydania — artykuł, wagi, kod, pipeline benchmarków — i bez żadnego marketingu. Nie wiadomo, czy pojawi się oficjalna zapowiedź. Każdy, kto pisze, że Tencent „zaprezentował” lub „wypuścił” ten model, opisuje wydarzenie, które nie miało miejsca.

Jeden rdzeń, siedem typów wyjściowych

Architektura jest mniej egzotyczna, niż sugeruje tabela wyników benchmarku. WeVisOne-VL-4B to model Qwen3-VL — metadane repozytorium podają Qwen3VLForConditionalGeneration jako architekturę i wymieniają 4,83 miliarda parametrów w F32 — zaokrąglone do 5B na karcie modelu — dostrojony do emitowania ustrukturyzowanych tokenów współrzędnych zamiast prozy. Ramki i punkty są kodowane jako tokeny od <0> do <1000>, znormalizowane względem obrazu — i tak model językowy zamiast opisywać, zajmuje się geometrią.

Połowa odpowiedzialna za piksele to część warta zrozumienia. Po każdym przewidzianym polu model emituje specjalny token, <OBJ>, którego stan ukryty trafia do osobnego dekodera z 9,6 mln parametrów dostarczanego jako mask_decoder.pt. Ten dekoder — adapter cech wizualnych, sześć deformowalnych bloków cross-attention i głowica kaskadowa, która udoskonala w krokach 4, 2 i 1 — zamienia pole w maskę instancji, a następnie w maskę alfa w pełnej rozdzielczości. To nie jest wywołanie SAM. W pętli nie ma drugiego modelu, nie ma kodera promptów ani zewnętrznego segmentatora. Cała ścieżka pikselowa to 9,6 mln parametrów przypiętych do modelu językowego.

Ten wybór konstrukcyjny wyjaśnia profil benchmarku. Ponieważ maski i matte są uzależnione od tego samego prostokąta, który model właśnie przewidział, model nie potrzebuje prostokąta dostarczonego przez człowieka, aby segmentować; można go poprosić o „osobę trzymającą parasol” i zwrócić matte dokładnie dla tej instancji. Kompromis polega na tym, że dekoder pikseli nigdy nie uczy się na nagrodzie na poziomie maski — etap uczenia ze wzmocnieniem w artykule ocenia prostokąty, wskazywanie i transkrypcję OCR, ale w ogóle nie używa nagrody za maskę ani alfa. Gęste wyjście jest trenowane wyłącznie stratą nadzorowaną.

Liczby i czyje to liczby

Każda liczba poniżej pochodzi z artykułu Tencenta lub README projektu. Żadna nie została odtworzona przez stronę trzecią, a zestaw porównawczy został wybrany przez autorów. To normalne w przypadku artykułu mającego dwa dni, a jednocześnie dokładnie taka sytuacja, w której tabela dostawcy sama się chwali, więc traktuj te przewagi jako deklaracje, a nie pomiary.

Nagłówek twierdzi – w porównaniu z najsilniejszym otwartym baseline’em, jaki autorzy wymieniają dla każdego zadania:

• Detekcja, średnia F1 LVIS — WeVisOne-VL-4B 55,3 vs 50,7 dla najlepszego modelu bazowego

• Gęsta detekcja, średnia F1 dla Dense200 — 71,3 vs 58,7

• Referring, średnia F1 w teście RefCOCOg — 81,8 vs 77,6

• Odrzucenie, WeRef-Bench — 96,4% zapytań o nieobecny cel poprawnie odrzucono wobec 73,0%

• Liczenie, dokładność testu PixMo-Count — 89,6 vs 82,8

• OCR, TotalText, średnia F1 — 52,0 vs 43,3

• Segmentacja referringowa, ReasonSeg val gIoU — 71,2 vs 65,0

• Matowanie pudełek, P3M-500-NP MAD — 7,3 vs 15,4, im niższa wartość, tym lepiej

Najbardziej informacyjny wiersz nie znajduje się na tej liście. W porównaniu z Qwen3-VL-4B — tym samym, niezmodyfikowanym backbone’em — różnica na Dense200 wynosi 71,3 wobec 15,2, a na VisDrone 44,7 wobec 31,0. Bazowy model wizyjno-językowy jest niemal bezużyteczny w gęstej detekcji małych obiektów, a dostrojenie przenosi go do obszaru specjalistycznego. To twierdzenie łatwiejsze do obrony niż jakiekolwiek porównanie z modelem czołowym: autorzy pokazują, że generalistę 4B można przekształcić w kompetentny lokalizator bez zwiększania rozmiaru.

Gdzie to przestaje działać

Ograniczenia są podane na karcie modelu i nie mają charakteru kosmetycznego. Model obsługuje jeden obraz na turę — siatki wideo są odrzucane przez dekoder pikseli od razu, więc nie jest to narzędzie do segmentacji wideo i nie udaje, że nim jest. Generuje ustrukturyzowane dane wyjściowe bezpośrednio, bez łańcucha myśli, co oznacza, że nie można poprosić go o przemyślenie niejednoznacznego zapytania przed przypisaniem pola ograniczającego. Jakość kanału alfa pogarsza się na drobnych granicach, przy silnym zasłonięciu i naprawdę przezroczystych materiałach, a model jest wrażliwy na sformułowanie podpowiedzi — „włosy kobiety” i „jej włosy” nie gwarantują zwrócenia tej samej maski alfa.

Zachowanie odrzucania to cecha, która najprawdopodobniej zostanie niedoceniona. Zwracanie None dla nieobecnego celu brzmi trywialnie, dopóki nie uruchomisz detektora na strumieniu wideo i nie zobaczysz, jak halucynuje pieszego na pustym parkingu. Wskaźnik odrzuceń na poziomie 96,4% w WeRef-Bench w porównaniu z najlepszym wynikiem bazowym 73,0% to różnica między komponentem, który można umieścić w potoku, a takim, który trzeba chronić drugim modelem.

Jak faktycznie to uruchomić

Karta modelu dokumentuje cztery ścieżki serwowania: własny pakiet wnioskowania projektu, Transformers image-text-to-text pipeline, vLLM i SGLang, a także jednolinijkowe polecenie Docker Model Runner. Dekodowanie jest zachłanne, z limitem 1960 tokenów wizualnych na obraz. Przy 4,83 mld parametrów w F32 checkpoint zajmuje około 19 GB na dysku, nie licząc 9,6-milionowego dekodera; wczytanie w bfloat16 zmniejsza to o połowę. Niezależnie od tego potrzebny będzie niestandardowy kod wnioskowania — mask_decoder.pt jest wymaganym komponentem, a nie opcjonalnym dodatkiem, a standardowe wczytanie w Transformers da ci ramki i tekst, ale nie maski.

Nie ma hostowanego API ani opublikowanej ceny, więc uczciwe stwierdzenie brzmi: WeVisOne-VL-4B to dziś decyzja o samodzielnym hostowaniu. Jeśli tak naprawdę chcesz mieć pipeline percepcji Qwen3-VL na produkcji w tym tygodniu, bez provisionowania GPU dla wag, które pojawiły się wczoraj, Qwen3-VL-8B w wersji instruct jest dostępny przez OrcaRouter — jeden klucz do ponad 200 modeli, cena katalogowa dostawcy przekazywana bez marży (0%) oraz automatyczne przełączanie awaryjne, jeśli endpoint upstream zacznie szwankować. To rodzina bazowa, nie fine-tune. Da ci ramki i opisy; nie da ci masek alfa.

Co obejrzeć

Trzy rzeczy przeniosłyby to z kategorii „interesującego artykułu” do „modelu, który warto ocenić”. Pierwszą jest niezależne uruchomienie benchmarku — każdy, kto odtworzyłby wyniki mattingu na wydzielonym zbiorze, rozstrzygnąłby największą otwartą kwestię. Drugą jest hostowany punkt końcowy — od Tencenta lub kogokolwiek innego — który powiedziałby, czy ścieżka wnioskowania jest wystarczająco odporna, by obsługiwać ruch. Trzecią jest kod do fine-tuningu, wciąż nieodhaczony na liście TODO w README; bez niego dostosowanie modułu mattingu do konkretnego katalogu produktów to zgadywanie.

Do tego czasu uczciwe podsumowanie wygląda tak: Tencent opublikował mały model, który robi coś naprawdę nietypowego — maty alfa w pełnej rozdzielczości z modelu językowego, bez SAM w pętli — i zrobił to bez zabiegania o rozgłos. Wagi są na licencji Apache 2.0 dla kodu autorstwa Tencent. Twierdzenia pochodzą od samych autorów. Oba te fakty można sprawdzić i powinieneś je sprawdzić, zanim zaczniesz na nich opierać swoje plany.