WeVisOne-VL-2B: Tencent выпустила модель восприятия и никому об этом не сообщила

Самая значимая строка в карточке модели WeVisOne-VL-2B — не о самой модели. Она о файле под названием mask_decoder.pt, 9 511 460 параметров, описанном одной сухой фразой: «обязательный ключевой компонент, а не необязательное дополнение». Всё, что определяет поведение новой модели восприятия Tencent — получите ли вы рамку, точку, бинарную маску или непрерывную альфа-матку — проходит через этот декодер. А модель, к которой он относится, появилась почти без всякой помпы: веса для WeVisOne-VL-2B были выложены на Hugging Face в 09:47 UTC 22 октября 2026 года, репозиторий на GitHub появился на пятьдесят минут раньше, статья была опубликована в тот же день, а Tencent не опубликовала ни поста о запуске, ни анонса ко всему этому.

То, что это значит для читателя, узко, но полезно. Это не продукт, на который можно зарегистрироваться. Это исследовательский релиз, который можно скачать, со статьёй, где приводятся цифры, которые карточка модели не повторяет, и набором ограничений, которые карточка излагает прямее, чем большинство поставщиков. Ниже — что можно проверить по репозиторию, что утверждается в статье и что пока никто не проверил.

Что вышло — и временные метки, показывающие, насколько тихо.

Каждая дата здесь взята из публичной отметки времени, а не из пресс-релиза, потому что пресс-релиза не существует:

• Hugging Face — tencent/WeVisOne-VL-2Bбыл создан 2026-10-22 в 09:47:50 UTC. 4B-версия была создана двадцать четыре секунды позже — так выглядит загрузка от организации, когда файлы отправляются одним пакетом.

• GitHub — Tencent/WeVisOne-VL был создан в 08:58:16 UTC тем же утром. На момент написания в нём указан единственный коммит — «Первый публичный релиз WeVisOne-VL» — с отметкой времени 2026-10-23 08:14 UTC, и 46 звёзд.

• Статья — arXiv 2610.31329, «WeVisOne-VL: унифицированное визуальное восприятие от объектов до пикселей», v1 представлена 22 октября 2026 г.; авторы: Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li и Jing Lyu, все — WeChat Vision, Tencent Inc.

• Страница проекта — tencent.github.io/WeVisOne-VL уже доступна: есть демо, раздел с описанием метода и таблицы результатов. Это исследовательская страница, а не продуктовая: без цен, без API и без регистрации.

Карточка при проверке показывала три лайка, а у 4B — один. Счётчик загрузок показывал ноль, что в основном говорит о том, что счётчик отстаёт; честная сводка такова: почти никто за пределами лаборатории пока к этому не прикасался, и любая статья, опубликованная на этой неделе — включая эту, — опирается на исходную статью и репозиторий, а не на результаты.

Одну деталь стоит отметить, поскольку она всплывёт в процессе закупки: в карточке модели Apache 2.0 предоставляется для «кода, написанного Tencent, в этом репозитории». GitHub API указывает лицензию репозитория как «Other» без идентификатора SPDX. Эти два утверждения не обязательно противоречат друг другу — сторонние компоненты сохраняют свои собственные условия, и в карточке это указано, — но это означает, что файл лицензии стоит прочитать, прежде чем это хоть как-то приблизится к продукту.

Архитектура — это ставка на токены, а не на более крупную модель.

WeVisOne-VL-2B построена на Qwen3-VL, имеет около 2 миллиардов параметров и делает несколько необычную для визуально-языковой модели вещь: она отделяет поиск от рисования.

Языковая часть отвечает за поиск. У неё есть специальные координатные токены, <0> до <1000>, которые кодируют нормализованные рамки и точки, поэтому детекция — это буквально последовательность токенов, которые модель выдаёт в том же потоке, что и свой текст. Если запрошенная цель отсутствует, она возвращает None, а не придумывает рамку. Для плотных задач она выдаёт ещё один специальный токен, <OBJ> с ID токена 152678, сразу после каждой предсказанной рамки — маркер, означающий «этот экземпляр продолжается ниже».

Пиксельная сторона отвечает за отрисовку. mask_decoder.pt считывает скрытое состояние на каждом <OBJ>, объединяет его с априорной рамкой, закодированной Фурье, и создаёт итоговую маску. В нём три этапа: адаптер визуальных признаков над многоуровневыми предварительно объединяемыми признаками ViT от Qwen3-VL; декодер запросов, управляемый рамкой, с шестью блоками деформируемого перекрёстного внимания; и головка плотного предсказания, построенная вокруг того, что Tencent называет FullCanvasAlphaCascadeHead, которая выполняет уточнение на S/4, S/2 и S/1, чтобы выводить непрерывные альфа-маски полного разрешения с шагом 1.

Наиболее важный дизайнерский выбор — последний. Большинство grounded VLM возвращают бинарную маску или полигон. Альфа-мат — это карта непрозрачности для каждого пикселя с мягкими краями — именно то, что нужно, чтобы скомпоновать человека с новым фоном без ореола вокруг волос. Это иной тип вывода, чем сегментация, и именно поэтому эта модель существует как отдельный релиз, а не как дообученная версия общего VLM.

Что утверждает статья — и о чём карточка вам не расскажет

В карточке модели нет таблицы с результатами бенчмарков. Нет длины контекста, нет показателей пропускной способности, нет числа токенов для обучения, нет требований к оборудованию, нет цены. Что карточка даёт, так это интерфейс, архитектуру, предполагаемое использование и ограничения.

Цифры содержатся в самой статье — в семи таблицах задач и в том, что Tencent описывает как более тридцати бенчмарков. Все приведённые ниже результаты — собственные результаты авторов, полученные ими самими и не воспроизведённые никем независимым:

• Детекция — средний F1 55,2 на COCO, 53,3 на LVIS, 61,4 на Dense200 и 40,4 на VisDrone. Базовая модель Qwen3-VL-2B в той же таблице набирает 45,2, 40,8, 10,0 и 23,1. Особенно бросается в глаза разрыв на Dense200: в шесть раз выше базовой модели — на бенчмарке, посвящённом сценам с высокой плотностью объектов.

• Отказ — на RefCOCOg модель 2B сообщает о частоте отказов 50.2 для запросов об отсутствующих объектах. Две специализированные модели локализации в той же таблице, Rex-Omni-3B и LocateAnything-3B, сообщают 0.5 и 0.6. Способность сказать «здесь этого нет» — это во многом то, что отличает систему восприятия от демонстрации.

• Подсчёт — 90,9 и 88,1 точного совпадения на валидационном и тестовом разбиениях PixMo-Count, но только 27,5 и 26,9 на CLOC, 29,5 и 32,4 на KubriCount и 47,9 на CountQA. Разброс по наборам данных для подсчёта — самое честное, что есть в статье: подсчёт не является одним навыком, и эта модель хорошо справляется с некоторыми из них.

• OCR — средний F1 30,5 на HierText, 42,6 на ICDAR2015, 42,5 на TotalText и 62,1 на SROIE. Это F1-оценки с учётом локализации при пороге IoU 0,5, а не точность транскрипции, поэтому их нельзя сравнивать с показателем OCRBench, который вы увидите в характеристиках потребительских VLM.

• Сегментация — 79.7 кумулятивного IoU на валидации RefCOCO, 73.1 на валидации RefCOCO+, 74.4 на валидации RefCOCOg и 60.9 на валидации ReasonSeg. В статье прямо указано, что показатели семейства RefCOCO — это cIoU, а показатели ReasonSeg — это gIoU.

• Матирование — на P3M-500-NP с подсказкой в виде рамки средняя абсолютная разница составила 6,6 против 15,4 у SAM2-Matting. На AM-2K — 5,7 против 12,1. На более сложном referring-сплите WeRefMat — 15,8 против 23,0 у пайплайна Qwen3-VL-8B плюс SAM2-Matting. Во всех этих случаях меньшее значение лучше.

Об одной внутренней несогласованности стоит знать, прежде чем ссылаться на 4B: меньшая модель на самом деле превосходит большую на матировании P3M-500-NP — 6,6 против 7,3 MAD. Tencent не объясняет почему, и это напоминание о том, что эти таблицы — результаты одного прогона, а не устоявшиеся рейтинги.

Где доказательств недостаточно

Раздел об ограничениях в самой статье на удивление прямолинеен, и он должен определять, как вы читаете всё вышесказанное. В нём говорится, что ограниченный объём данных общего назначения для обучения «может поставить под угрозу общие способности относительно базовой модели». Иными словами: дообучение, благодаря которому модель стала хороша в восприятии, могло ухудшить её как универсального ассистента. В статье это никак не проверяется — ни MMMU, ни MMBench, ни DocVQA, ни бенчмарка по составлению подписей к изображениям нет ни в одной из семи таблиц.

Остальные три ограничения носят архитектурный характер, и их нельзя исправить с помощью промптинга. Модель генерирует структурированный вывод без цепочки рассуждений ради эффективности инференса; она рассчитана на один ход; а пиксельный декодер отклоняет видеосетки. Tencent также отмечает, что промпты в бенчмарках «чёткие, хорошо сформулированные и однозначные», тогда как реальные инструкции пользователей часто расплывчаты — откровенное признание того, что условия оценки льстят модели.

Практические пробелы — это то, с чем инженер сталкивается в первую очередь. Опубликованная длина контекста отсутствует. На этапах обучения в статье использовались 4 096 и 8 192 токена, а при инференсе каждое изображение ограничивается 1 960 визуальными токенами при жадном декодировании, но ничто из этого не является заявленным окном контекста для развёртывания. Нет GGUF, нет квантованной сборки, нет экспорта в ONNX и нет упоминания Apple Silicon. Нет хостингового эндпоинта от Tencent и нет провайдера инференса, который бы его обслуживал.

Запустить это, если хотите.

Поддерживаемый путь — собственный пакет Tencent. Установите его из репозитория GitHub, затем загрузите чекпоинт по имени и вызовите predict с изображением, задачей, запросом и температурой. Карточка также показывает путь через Transformers с помощью конвейера image-text-to-text и перечисляет vLLM, SGLang, Docker, Colab и Kaggle как варианты развёртывания.

Две вещи подстерегают любого, кто читает по диагонали. Во-первых, mask_decoder.pt — не опция: скачайте его вместе с весами, иначе плотным задачам нечего запускать. Во-вторых, по умолчанию используется жадное декодирование с температурой ноль, и карточка рекомендует так и оставить; эта модель выдаёт структурированные координаты, и сэмплирование ей ничем не помогает.

Это также момент, когда слой маршрутизации действительно уместен, и стоит точно сказать, что это здесь означает. OrcaRouter не обслуживает WeVisOne-VL-2B — её нет в нашем каталоге, и мы не собираемся делать вид, что это не так. Чем помогает маршрутизатор — это сравнение вокруг него: если вы оцениваете self-hosted модель восприятия на фоне хостируемых универсальных vision-моделей, эти хостируемые модели доступны через один API-ключ по каталожной цене провайдера без наценки, поэтому создание тестового стенда не означает подписание трёх договоров. Автоматическое переключение при сбое поддерживает работу хостируемой стороны этого стенда, пока ваша GPU-машина занята, а DSL маршрутизации позволяет объединить self-hosted-вызов и хостируемый вызов за одной конечной точкой, пока вы решаете, какой из них заслуживает места в продакшене.

Что превратило бы это из репозитория в историю?

Три вещи, ни одной из которых пока нет. Независимый прогон — главное: все числа выше принадлежат Tencent и получены на стенде Tencent, а доли отказов и дельты матирования — как раз те утверждения, которые меняются, когда их проверяет кто-то другой. Анонс — второе: репозиторий, статья и страница проекта — все из первоисточника, но ни один из них не является релизом, а полноценная публикация, вероятно, содержала бы детали обучения, которые статья опускает. Поддержка фреймворков — третье: в карточке перечислены vLLM и SGLang, но принятый кернел или официальная конвертация чекпоинта — это совсем другой уровень обязательств, чем строка в таблице развертывания.

Пока не появится что-то из этого, точное описание WeVisOne-VL-2B таково. Это 2B-модель восприятия с умным интерфейсом — координаты как токены, экземпляры как маркеры, пиксели как отдельный декодер, — которая сообщает о значительном приросте по сравнению с собственной базовой моделью в детекции, отбраковке и маттинге, вообще не публикует показателей общих возможностей и никем не может вызываться через API. Если вам нужно вырезать человека с фотографии, сохранив волосы, это сочетание достаточно интересно, чтобы скачать. Если вам нужен визуальный помощник, отвечающий на вопросы об изображении, это не тот файл, который вы ищете, и статья достаточно откровенно об этом говорит.