WeVisOne-VL-2B: a Tencent lançou um modelo de percepção e não avisou ninguém

A linha mais importante da ficha do modelo WeVisOne-VL-2B não é sobre o modelo. É sobre um arquivo chamado mask_decoder.pt, 9.511.460 parâmetros, descrito em uma única frase seca como "um componente central obrigatório, não um complemento opcional". Tudo sobre como o novo modelo de percepção da Tencent se comporta — se você obtém uma caixa, um ponto, uma máscara binária ou um matte alfa contínuo — passa por esse decodificador. E o modelo ao qual ele pertence chegou quase sem alarde algum: os pesos do WeVisOne-VL-2B foram publicados no Hugging Face às 09:47 UTC de 22 de outubro de 2026, um repositório no GitHub apareceu cinquenta minutos antes, um artigo foi publicado no mesmo dia, e a Tencent não publicou nenhuma postagem de lançamento nem qualquer anúncio a respeito de nada disso.

O que isso significa para um leitor é limitado, mas útil. Este não é um produto para o qual você possa se inscrever. É um lançamento de pesquisa que você pode baixar, com um artigo que relata números que a ficha do modelo não repete, e um conjunto de restrições que a ficha declara com mais clareza do que a maioria dos fornecedores faria. Abaixo está o que é verificável a partir do repositório, o que é afirmado no artigo e o que ninguém verificou ainda.

O que chegou, e os carimbos temporais que mostram quão silenciosamente

Toda data aqui vem de um registro público de data e hora, e não de um comunicado à imprensa, porque não há comunicado à imprensa:

• Hugging Face — tencent/WeVisOne-VL-2B foi criado em 2026-10-22 às 09:47:50 UTC. O modelo irmão de 4B foi criado vinte e quatro segundos depois, que é o aspecto de um upload de organização quando os arquivos são enviados em um único lote.

• GitHub — Tencent/WeVisOne-VL foi criado às 08:58:16 UTC na mesma manhã. No momento em que escrevo, ele possui um único commit, "Lançamento público inicial do WeVisOne-VL", com data e hora de 2026-10-23 08:14 UTC, e 46 estrelas.

• Artigo — arXiv 2610.31329, “WeVisOne-VL: Percepção Visual Unificada de Objetos a Pixels”, v1 submetida em 22 de outubro de 2026, por Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li e Jing Lyu, todos da WeChat Vision, Tencent Inc.

• Página do projeto — tencent.github.io/WeVisOne-VL está no ar, com uma demonstração, uma seção de métodos e tabelas de resultados. É uma página de pesquisa, não uma página de produto: sem preços, sem API, sem cadastro.

O próprio card mostrava três curtidas no momento da verificação, e uma no 4B. O contador de downloads marcava zero, o que, em grande parte, indica que o contador está atrasado; o resumo honesto é que quase ninguém fora do laboratório mexeu nisso ainda, e qualquer artigo publicado esta semana — incluindo este — está trabalhando a partir do paper e do repositório, e não a partir de resultados.

Um detalhe que vale a pena destacar porque vai surgir em compras: o cartão do modelo concede Apache 2.0 para “código de autoria da Tencent neste repositório”. A API do GitHub informa a licença do repositório como “Other”, sem identificador SPDX. Essas duas afirmações não estão necessariamente em conflito — componentes de terceiros mantêm seus próprios termos, e o cartão diz isso —, mas isso significa que vale a pena ler o arquivo de licença antes que isto chegue perto de um produto.

A arquitetura é uma aposta em tokens, não em um modelo maior.

O WeVisOne-VL-2B é construído sobre o Qwen3-VL, tem cerca de 2 bilhões de parâmetros e faz algo um pouco incomum para um modelo de visão-linguagem: ele separa a localização do desenho.

O lado da linguagem lida com a localização. Ele tem tokens de coordenadas dedicados, <0> até <1000>, que codificam caixas e pontos normalizados, então uma detecção é literalmente uma sequência de tokens que o modelo emite no mesmo fluxo do texto. Quando um alvo consultado está ausente, ele retorna None em vez de inventar uma caixa. Para tarefas densas, ele emite mais um token especial, <OBJ> no ID de token 152678, imediatamente após cada caixa prevista — um marcador que diz "esta instância continua abaixo."

O lado dos pixels cuida do desenho. mask_decoder.pt lê o estado oculto em cada <OBJ>, combina-o com um prior de caixa codificado por Fourier e produz a máscara real. Ele tem três estágios: um adaptador de características visuais sobre características ViT de pré-mesclagem multinível do Qwen3-VL; um decodificador de consultas guiado por caixa com seis blocos de atenção cruzada deformável; e uma cabeça de predição densa construída em torno do que a Tencent chama de FullCanvasAlphaCascadeHead, que refina em S/4, S/2 e S/1 para gerar mattes alfa contínuos em resolução total com stride 1.

A escolha de design que importa é a última. A maioria dos VLMs fundamentados retorna uma máscara binária ou um polígono. Um alpha matte é um mapa de opacidade por pixel com bordas suaves — aquilo de que você precisa para compor uma pessoa sobre um novo fundo sem um halo ao redor do cabelo. Esse é um tipo de saída diferente da segmentação, e é a razão pela qual este modelo existe como um lançamento separado, em vez de como um ajuste fino de um VLM geral.

O que o artigo afirma e o que o cartão não lhe dirá

A ficha do modelo não contém tabela de benchmarks. Não traz comprimento de contexto, métricas de throughput, contagem de tokens de treinamento, requisitos de hardware nem preço. O que a ficha oferece é a interface, a arquitetura, o uso pretendido e as limitações.

O artigo é onde estão os números, ao longo de sete tabelas de tarefas e do que a Tencent descreve como mais de trinta benchmarks. Todos os resultados a seguir são dos próprios autores, executados pelos autores, e não foram reproduzidos por ninguém independente:

• Detecção — F1 médio de 55,2 no COCO, 53,3 no LVIS, 61,4 no Dense200 e 40,4 no VisDrone. A linha de base Qwen3-VL-2B na mesma tabela obtém 45,2, 40,8, 10,0 e 23,1. A diferença no Dense200 é a mais impressionante: seis vezes a linha de base, em um benchmark sobre cenas aglomeradas.

• Rejeição — no RefCOCOg, o modelo 2B reporta uma taxa de rejeição de 50,2 para consultas de objetos ausentes. Os dois modelos especializados de grounding na mesma tabela, Rex-Omni-3B e LocateAnything-3B, reportam 0,5 e 0,6. Ser capaz de dizer "não está lá" é o que mais separa um sistema de percepção de uma demo.

• Contagem — 90,9 e 88,1 de correspondência exata nas divisões de validação e teste do PixMo-Count, mas apenas 27,5 e 26,9 no CLOC, 29,5 e 32,4 no KubriCount, e 47,9 no CountQA. A variação entre os conjuntos de dados de contagem é a coisa mais honesta no artigo: contagem não é uma única habilidade, e este modelo é bom em algumas delas.

• OCR — média F1 de 30,5 no HierText, 42,6 no ICDAR2015, 42,5 no TotalText e 62,1 no SROIE. Esses são escores F1 que consideram a localização, em um limiar de IoU de 0,5, e não precisão de transcrição; portanto, não são comparáveis ao número do OCRBench que você verá citado para VLMs de consumo.

• Segmentação — 79,7 de IoU cumulativo na validação do RefCOCO, 73,1 na validação do RefCOCO+, 74,4 na validação do RefCOCOg e 60,9 na validação do ReasonSeg. O artigo deixa explícito que os valores da família RefCOCO são cIoU e os valores do ReasonSeg são gIoU.

• Matting — no P3M-500-NP com um prompt de caixa, uma diferença absoluta média de 6,6 contra 15,4 para SAM2-Matting. No AM-2K, 5,7 contra 12,1. Na divisão de referência mais difícil do WeRefMat, 15,8 contra 23,0 para um pipeline Qwen3-VL-8B mais SAM2-Matting. Menor é melhor em todos esses casos.

Há uma inconsistência interna que vale a pena conhecer antes de citar o 4B: o modelo menor na verdade supera o maior no matting P3M-500-NP, 6,6 contra 7,3 MAD. A Tencent não explica por quê, e isso é um lembrete de que essas são tabelas de execução única, não rankings consolidados.

Onde as evidências são escassas

A própria seção de limitações do artigo é excepcionalmente direta e deve moldar a forma como você lê tudo o que foi dito acima. Ela afirma que a quantidade limitada de dados de treinamento de uso geral "pode comprometer as capacidades gerais em relação ao modelo base". Em outras palavras: o ajuste fino que tornou este modelo bom em percepção pode tê-lo deixado pior como assistente geral. Nada no artigo testa isso — não há MMMU, MMBench, DocVQA nem qualquer benchmark de geração de legendas em nenhuma das sete tabelas.

As outras três limitações são arquiteturais, e não algo que possa ser corrigido por prompting. O modelo gera saída estruturada sem chain-of-thought, por eficiência de inferência; é de turno único; e o decodificador de pixels rejeita grades de vídeo. A Tencent também observa que os prompts de benchmark são "claros, bem formulados e sem ambiguidade", enquanto as instruções reais dos usuários costumam ser vagas — uma admissão sincera de que o ambiente de avaliação favorece o modelo.

E as lacunas práticas são as que um engenheiro encontra primeiro. Não há comprimento de contexto publicado. As etapas de treinamento do artigo usaram 4.096 e 8.192 tokens, e a inferência limita cada imagem a 1.960 tokens visuais com decodificação greedy, mas nada disso é uma janela de contexto de implantação declarada. Não há GGUF, nem build quantizado, nem exportação ONNX e nenhuma menção ao Apple Silicon. Não há endpoint hospedado da Tencent, e nenhum provedor de inferência que o disponibilize.

Executando-o, se você quiser

O caminho suportado é o pacote próprio da Tencent. Instale-o a partir do repositório do GitHub e, em seguida, carregue o checkpoint pelo nome e chame predict com uma imagem, uma tarefa, uma consulta e uma temperatura. O cartão também mostra um caminho via Transformers por meio de um pipeline de imagem-texto-para-texto e lista vLLM, SGLang, Docker, Colab e Kaggle como rotas de implantação.

Duas coisas vão pegar qualquer um que só passe os olhos. Primeiro, mask_decoder.pt não é opcional — baixe-o junto com os pesos, ou as tarefas densas não terão nada para executar. Segundo, o padrão é decodificação gulosa com temperatura zero, e o card recomenda deixar assim; este é um modelo que emite coordenadas estruturadas, e a amostragem não está fazendo nenhum favor a ele.

Este também é o ponto em que uma camada de roteamento é genuinamente relevante, e vale a pena ser preciso sobre o que isso significa aqui. O OrcaRouter não serve o WeVisOne-VL-2B — ele não está no nosso catálogo, e não vamos fingir o contrário. O que um roteador ajuda é com a comparação em torno disso: se você está avaliando um modelo de percepção auto-hospedado em comparação com modelos de visão de propósito geral hospedados, esses modelos hospedados ficam atrás de uma única chave de API pelo preço de tabela do provedor, sem markup, então montar uma estrutura de teste não significa assinar três contratos. O failover automático mantém o lado hospedado dessa estrutura no ar enquanto sua máquina com GPU está ocupada, e a DSL de roteamento permite colocar uma chamada auto-hospedada e uma hospedada atrás de um único endpoint enquanto você decide qual delas merece um lugar em produção.

O que transformaria isto de um repositório em uma história?

Três coisas, nenhuma das quais existe ainda. Uma execução independente é a principal: todos os números acima são da Tencent, no harness da Tencent, e as taxas de rejeição e os deltas de matting são exatamente o tipo de afirmação que muda quando outra pessoa as executa. Um anúncio é a segunda — o repositório, o artigo e a página do projeto são todos da própria Tencent, mas nenhum deles é um lançamento, e um texto detalhado provavelmente traria detalhes de treinamento que o artigo condensa. O suporte a frameworks é a terceira: a ficha lista vLLM e SGLang, mas um kernel mesclado ou uma conversão oficial de checkpoint representa um nível de compromisso diferente de uma linha em uma tabela de implantação.

Até que um desses seja lançado, a descrição precisa do WeVisOne-VL-2B é esta. É um modelo de percepção de 2B com uma interface inteligente — coordenadas como tokens, instâncias como marcadores, pixels como um decodificador separado — que relata grandes ganhos sobre seu próprio modelo base em detecção, rejeição e matting, não publica nenhum número de capacidade geral e não pode ser chamado via API por ninguém. Se você precisa recortar uma pessoa de uma fotografia e manter o cabelo, essa combinação é interessante o suficiente para baixar. Se você precisa de um assistente de visão que responda perguntas sobre uma imagem, este não é o arquivo que você procura, e o artigo é franco o suficiente para dizer isso.