WeVisOne-VL-2B: Tencent släppte en perceptionsmodell utan att berätta för någon

Den mest avgörande raden i modellkortet för WeVisOne-VL-2B handlar inte om modellen. Den handlar om en fil som heter mask_decoder.pt, med 9 511 460 parametrar, beskriven i en enda osmyckad mening som "en nödvändig kärnkomponent, inte ett valfritt tillägg." Allt i hur Tencents nya perceptionsmodell beter sig – om du får en box, en punkt, en binär mask eller en kontinuerlig alfamatte – går genom den dekodern. Och modellen som den tillhör anlände nästan helt utan ceremoni: vikterna för WeVisOne-VL-2B lades upp på Hugging Face kl. 09:47 UTC den 22 oktober 2026, ett GitHub-förråd dök upp femtio minuter tidigare, en artikel publicerades samma dag, och Tencent har inte publicerat något lanseringsinlägg och inget tillkännagivande till något av detta.

Vad det innebär för en läsare är snävt men användbart. Det här är inte en produkt man kan registrera sig för. Det är en forskningsrelease som man kan ladda ner, med en artikel som rapporterar siffror som modellkortet inte upprepar, och en uppsättning begränsningar som kortet anger tydligare än de flesta leverantörer skulle göra. Nedan följer vad som går att kontrollera utifrån repositoriet, vad som hävdas i artikeln och vad ingen ännu har verifierat.

Vad som landade, och tidsstämplarna som visar hur tyst det gick

Varje datum här kommer från en offentlig tidsstämpel snarare än från ett pressmeddelande, eftersom det inte finns något pressmeddelande:

• Hugging Face — tencent/WeVisOne-VL-2B skapades 2026-10-22 kl. 09:47:50 UTC. Syskonmodellen på 4B skapades tjugofyra sekunder senare, vilket är hur en organisationsuppladdning ser ut när filerna skickas i en enda omgång.

• GitHub — Tencent/WeVisOne-VL skapades kl. 08:58:16 UTC samma morgon. I skrivande stund har det en enda commit, "Initial public release of WeVisOne-VL," med tidsstämpeln 2026-10-23 08:14 UTC, och 46 stjärnor.

• Artikel — arXiv 2610.31329, "WeVisOne-VL: Unified Visual Perception from Objects to Pixels," v1 inlämnad 22 oktober 2026, av Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li och Jing Lyu, samtliga på WeChat Vision, Tencent Inc.

• Projektsida — tencent.github.io/WeVisOne-VL är live, med en demo, ett metodavsnitt och resultattabeller. Det är en forskningssida, inte en produktsida: inget pris, inget API, ingen registrering.

Kortet självt visade tre gillningar vid kontroll, och en på 4B. Nedladdningsräknaren stod på noll, vilket mest säger att räknaren släpar efter; den ärliga sammanfattningen är att nästan ingen utanför labbet har rört det här ännu, och alla artiklar som publiceras den här veckan – den här inräknad – utgår från forskningsartikeln och repositoriet snarare än från resultat.

En detalj som är värd att uppmärksamma eftersom den kommer att dyka upp i upphandling: modellkortet anger Apache 2.0 för "kod i detta repo som är skriven av Tencent". GitHub API rapporterar repots licens som "Other" utan någon SPDX-identifierare. Dessa två påståenden är inte nödvändigtvis i konflikt – tredjepartskomponenter behåller sina egna villkor, och det står i kortet – men det innebär att licensfilen är värd att läsa innan detta kommer i närheten av en produkt.

Arkitekturen är en satsning på tokens, inte på en större modell.

WeVisOne-VL-2B är byggd på Qwen3-VL, har omkring 2 miljarder parametrar och gör något lite ovanligt för en bildspråkmodell: den skiljer att hitta från att rita.

Språksidan hanterar lokalisering. Den har dedikerade koordinattoken, <0> till <1000>, som kodar normaliserade boxar och punkter, så en detektion är bokstavligen en sekvens av token som modellen sänder ut i samma ström som sin text. När ett efterfrågat mål saknas returnerar den None i stället för att hitta på en box. För densa uppgifter sänder den ut ytterligare ett specialtoken, <OBJ> vid token-ID 152678, omedelbart efter varje förutsagd box – en markör som säger "den här instansen fortsätter nedan."

Pixelsidan sköter ritningen. mask_decoder.pt läser det dolda tillståndet vid varje <OBJ>, kombinerar det med en Fourier-kodad boxprior och producerar den faktiska masken. Den har tre steg: en visuell särdragsadapter över ViT-särdrag som försammanfogas i förväg på flera nivåer i Qwen3-VL; en boxstyrd frågedekoder med sex deformerbara korsuppmärksamhetsblock; och ett tätt prediktionshuvud uppbyggt kring det som Tencent kallar en FullCanvasAlphaCascadeHead, som förfinar vid S/4, S/2 och S/1 för att mata ut kontinuerliga alfamattor i full upplösning med steglängd 1.

Det avgörande designvalet är det sista. De flesta förankrade VLM:er returnerar en binär mask eller en polygon. En alfamatte är en mjukt kantad opacitetskarta per pixel – det man behöver för att kompositera en person mot en ny bakgrund utan en gloria runt håret. Det är en annan utdatatyp än segmentering, och det är anledningen till att den här modellen finns som en separat utgåva i stället för som en finjustering av en generell VLM.

Vad artikeln hävdar, och vad kortet inte talar om för dig

Modellkortet innehåller ingen benchmarktabell. Ingen kontextlängd, inga genomströmningssiffror, inget antal träningstoken, inga hårdvarukrav, inget pris. Det som kortet ger dig är gränssnittet, arkitekturen, det avsedda användningsområdet och begränsningarna.

Det är i artikeln som siffrorna finns, över sju uppgiftstabeller och vad Tencent beskriver som fler än trettio benchmarks. Allt följande är författarnas egna resultat, körda av författarna och inte reproducerade av någon oberoende part:

• Detektion — genomsnittlig F1 på 55,2 på COCO, 53,3 på LVIS, 61,4 på Dense200 och 40,4 på VisDrone. Qwen3-VL-2B-baslinjen i samma tabell får 45,2, 40,8, 10,0 och 23,1. Gapet för Dense200 är det slående: sex gånger baslinjen, på ett benchmark om trånga scener.

• Avvisning – på RefCOCOg rapporterar 2B en avvisningsfrekvens på 50,2 för frågor om frånvarande objekt. De två specialiserade grounding-modellerna i samma tabell, Rex-Omni-3B och LocateAnything-3B, rapporterar 0,5 och 0,6. Att kunna säga "inte där" är det mesta som skiljer ett perceptionssystem från en demo.

• Räkning – 90,9 och 88,1 i exakt matchning på PixMo-Counts validerings- och testdelningar, men bara 27,5 och 26,9 på CLOC, 29,5 och 32,4 på KubriCount och 47,9 på CountQA. Spridningen mellan räkningsdatamängderna är det mest ärliga inslaget i artikeln: räkning är inte en enda färdighet, och den här modellen är bra på några av dem.

• OCR – genomsnittlig F1 på 30,5 på HierText, 42,6 på ICDAR2015, 42,5 på TotalText och 62,1 på SROIE. Det är lokaliseringsmedvetna F1-poäng vid en IoU-tröskel på 0,5, inte transkriptionsnoggrannhet, så de är inte jämförbara med det OCRBench-värde som du kommer att se citerat för konsument-VLM:er.

• Segmentering — 79,7 kumulativt IoU på RefCOCO-validering, 73,1 på RefCOCO+-validering, 74,4 på RefCOCOg-validering och 60,9 på ReasonSeg-validering. Artikeln är tydlig med att siffrorna för RefCOCO-familjen är cIoU och siffrorna för ReasonSeg är gIoU.

• Matting – på P3M-500-NP med en box-prompt: en genomsnittlig absolut differens på 6,6 jämfört med 15,4 för SAM2-Matting. På AM-2K: 5,7 jämfört med 12,1. På den svårare referring-delningen i WeRefMat: 15,8 jämfört med 23,0 för en pipeline med Qwen3-VL-8B plus SAM2-Matting. Lägre är bättre för alla dessa.

En intern inkonsekvens är värd att känna till innan du citerar 4B: den mindre modellen slår faktiskt den större på P3M-500-NP-mattning, 6,6 mot 7,3 MAD. Tencent förklarar inte varför, och det är en påminnelse om att dessa är tabeller från en enda körning, inte fastställda rangordningar.

Där bevisningen är tunn

Artikelns eget avsnitt om begränsningar är ovanligt rakt på sak, och det bör påverka hur du läser allt ovan. Där står det att den begränsade mängden allmänna träningsdata "kan försämra de allmänna förmågorna jämfört med basmodellen". Med andra ord: den finjustering som gjorde den här bra på perception kan ha gjort den sämre på att vara en allmän assistent. Inget i artikeln testar det – det finns ingen MMMU, ingen MMBench, ingen DocVQA och ingen benchmark för bildbeskrivning någonstans i de sju tabellerna.

De övriga tre begränsningarna är arkitektoniska snarare än något som kan åtgärdas genom prompting. Modellen genererar strukturerad utdata utan tankekedja, för inferenseffektivitet; den hanterar bara en enda tur; och pixelavkodaren avvisar videorutnät. Tencent noterar också att benchmarkprompter är "tydliga, välformulerade och entydiga" medan verkliga användarinstruktioner ofta är vaga — ett uppriktigt medgivande att utvärderingsmiljön smickrar modellen.

Och de praktiska luckorna är de som en ingenjör stöter på först. Det finns ingen publicerad kontextlängd. Artikelns träningsfaser använde 4,096 och 8,192 token, och inferensen begränsar varje bild till 1,960 visuella token med girig avkodning, men inget av detta är ett angivet kontextfönster för driftsättning. Det finns ingen GGUF, ingen kvantiserad build, ingen ONNX-export och ingen nämning av Apple Silicon. Det finns ingen värdbaserad slutpunkt från Tencent, och ingen inferensleverantör som tillhandahåller den.

Kör det, om du vill.

Den väg som stöds är Tencents eget paket. Installera det från GitHub-förrådet, ladda sedan checkpointen med dess namn och anropa predict med en bild, en uppgift, en fråga och en temperatur. Kortet visar också en Transformers-väg via en pipeline för bild-text-till-text och listar vLLM, SGLang, Docker, Colab och Kaggle som driftsättningsvägar.

Två saker kommer att bita alla som skummar. För det första, mask_decoder.pt är inte valfritt — ladda ner det tillsammans med vikterna, annars har dense-uppgifterna inget att köra. För det andra är standardinställningen girig avkodning vid temperatur noll, och modellkortet rekommenderar att man låter det vara kvar; det här är en modell som skickar ut strukturerade koordinater, och sampling gör den inga tjänster.

Det här är också punkten där ett routinglager verkligen är relevant, och det är värt att vara precis om vad det innebär här. OrcaRouter tillhandahåller inte WeVisOne-VL-2B – den finns inte i vår katalog, och vi tänker inte låtsas något annat. Det en router hjälper till med är jämförelsen runt den: om du utvärderar en självhostad perceptionsmodell mot hostade allmänna visionsmodeller, ligger de hostade modellerna bakom en API-nyckel till leverantörens listpris utan påslag, så att bygga en testrigg innebär inte att teckna tre avtal. Automatisk failover håller den hostade sidan av den riggen igång medan din GPU-box är upptagen, och routing-DSL:et låter dig sätta ett självhostat anrop och ett hostat bakom en enda endpoint medan du avgör vilket som förtjänar en plats i produktion.

Vad skulle förvandla detta från ett arkiv till en berättelse?

Tre saker, varav ingen finns ännu. En oberoende körning är den stora: alla siffror ovan är Tencents, i Tencents eget utvärderingsramverk, och avvisningsfrekvenserna och matting-deltan är precis den typ av påståenden som förändras när någon annan kör dem. Ett tillkännagivande är det andra – repot, artikeln och projektsidan är alla förstaparts, men ingen av dem är en lansering, och en ordentlig genomgång skulle sannolikt ta med träningsdetaljer som artikeln komprimerar. Ramverksstöd är det tredje: kortet listar vLLM och SGLang, men en sammanslagen kärna eller en officiell checkpoint-konvertering är en annan nivå av åtagande än en rad i en driftsättningstabell.

Till dess att något av dessa landar är den korrekta beskrivningen av WeVisOne-VL-2B följande. Det är en 2B-perceptionsmodell med ett smart gränssnitt – koordinater som tokens, instanser som markörer, pixlar som en separat dekoder – som rapporterar stora förbättringar jämfört med sin egen basmodell inom detektion, avvisning och matting, inte publicerar några siffror för allmän förmåga alls, och inte kan anropas via ett API av någon. Om du behöver klippa ut en person ur ett fotografi och behålla håret är den kombinationen intressant nog att ladda ner. Om du behöver en visionsassistent som svarar på frågor om en bild är det här inte filen du letar efter, och artikeln är uppriktig nog att säga det.