WeVisOne-VL-4B: 4B-visionmodellen som Tencent publicerade utan ett lanseringsinlägg

På P3M-500-NP, ett standardriktmärke för att extrahera mjuka kanter från en bild, uppnådde den bästa alpha matte som Tencent kunde hitta för jämförelse en genomsnittlig absolut skillnad på 15,4. WeVisOne-VL-4B får 7,3. Det är ungefär hälften av felet hos en specialbyggd matting-pipeline, framtagen av en visionsspråkmodell med 4 miljarder parametrar som även utför detektion, räkning, OCR och segmentering från samma vikter. WeVisOne-VL-4B är WeChat Vision-teamets försök att pressa ihop en hög av perceptionsspecialister till en enda next-token-prediktor, och det är genuint intressant arbete. Vad det inte är ännu är en produkt: det finns inget Tencent-blogginlägg, inget pressmeddelande, ingen hostad endpoint och inget tillkännagivande av något slag som den här sajten kunde hitta. Vikterna lades upp på Hugging Face den 22 oktober 2026 och modellen har varit offentlig sedan dess, i tysthet.

Den här texten är en redogörelse för vad repositorierna faktiskt innehåller, och den skiljer på två saker som lätt blandas ihop: vad du kan verifiera genom att ladda ner modellen, och vad endast Tencent:s egen artikel hävdar. Båda är viktiga. Bara det ena är bevis.

Vad publicerades, och när?

Posten är ovanligt ren eftersom allt är tidsstämplat. Hugging Face-förrådet tencent/WeVisOne-VL-4B skapades 09:48 UTC den 22 oktober 2026; GitHub-förrådet Tencent/WeVisOne-VL skapades femtio minuter tidigare, 08:58 UTC samma morgon; arXiv-artikeln, 2610.31329, har ett inlämningsdatum den 22 oktober. Ett syskon i 2B-klassen, tencent/WeVisOne-VL-2B, dök upp vid sidan av det.

Vid tidpunkten för skrivandet hade 4B-repositoriet ändrats ännu en gång, morgonen därpå, och hade samlat på sig ett par gillamarkeringar och inget meningsfullt nedladdningsantal. Dessa räknare är en ögonblicksbild, inte en dom, men de säger faktiskt något som rapporten inte kan: nästan ingen har hämtat den här modellen ännu. GitHub-repositoriet hade 46 stjärnor och en handfull forks, och dess README:s TODO-lista är i sig en statusrapport — inferenspaketet, cookbooks och utvärderingspipelinen är avbockade; en Gradio-demo och finjusteringskoden är det inte.

Den korrekta beskrivningen är alltså varken "en läcka" eller "en lansering". Det är ett officiellt släpp av öppen källkod med strukturen hos en lansering – artikel, vikter, kod, benchmark-pipeline – och inget av marknadsföringen. Om ett tillkännagivande följer är okänt. Den som skriver att Tencent "avtäckte" eller "lanserade" den här modellen beskriver en händelse som inte har ägt rum.

En ryggrad, sju utdatatyper

Arkitekturen är mindre exotisk än benchmarktabellen får den att låta. WeVisOne-VL-4B är en Qwen3-VL-modell – repositoryts metadata anger Qwen3VLForConditionalGeneration som arkitektur och listar 4,83 miljarder parametrar i F32 – avrundat till 5B på modellkortet – finjusterad för att generera strukturerade koordinattoken i stället för prosa. Rutor och punkter kodas som token från <0> till <1000>, normaliserade mot bilden, vilket är hur en språkmodell till slut ägnar sig åt geometri i stället för beskrivning.

Pixelnivådelen är den del som är värd att förstå. Efter varje förutsagd box skickar modellen ut en speciell token, <OBJ>, vars dolda tillstånd matas till en separat dekoder med 9,6 miljoner parametrar som levereras som mask_decoder.pt. Den dekodern – en adapter för visuella särdrag, sex deformerbara cross-attention-block och ett kaskadhuvud som förfinar vid steg 4, 2 och 1 – omvandlar boxen till en instansmask och sedan till en alfamatte i full upplösning. Det är inte ett SAM-anrop. Det finns ingen andra modell i loopen, ingen prompt-kodare, ingen extern segmenterare. Hela pixelvägen är 9,6 M parametrar som skruvats fast på en språkmodell.

Det designvalet förklarar benchmarkprofilen. Eftersom masker och mattar är betingade på samma box som modellen just förutspådde, behöver modellen ingen box från en människa för att segmentera; man kan be den om "personen som håller paraplyet" och få matten för exakt den instansen. Avvägningen är att pixelavkodaren aldrig lär sig av en belöning på masknivå — artikelns förstärkningsinlärningssteg poängsätter boxar, pointing och OCR-transkribering, men använder ingen mask- eller alfabelöning alls. Den täta utdatan tränas endast med övervakad förlust.

Siffrorna, och vems siffror de är.

Varje siffra nedan kommer från Tencents artikel eller projektets README. Ingen av dem har återgetts av en tredje part, och jämförelseuppsättningen valdes av författarna. Det är normalt för en artikel som är två dagar gammal, och det är också exakt den situation där en leverantörs tabell smickrar sig själv, så behandla marginalerna som påståenden snarare än mätningar.

Rubriken hävdar, jämfört med den starkaste öppna baslinjen som författarna listar för varje uppgift:

• Detektion, LVIS F1 medelvärde — WeVisOne-VL-4B 55,3 vs 50,7 för den bästa baslinjen

• Dense-detektion, Dense200 F1-medelvärde — 71,3 vs 58,7

• Refererande, RefCOCOg test F1-medelvärde — 81,8 vs 77,6

• Avslag, WeRef-Bench – 96,4 % av frågor där målet saknades avvisades korrekt, jämfört med 73,0 %

• Räkning, testnoggrannhet för PixMo-Count — 89,6 mot 82,8

• OCR, TotalText F1 medelvärde — 52,0 mot 43,3

• Refererande segmentering, ReasonSeg val gIoU — 71,2 mot 65,0

• Boxmatta, P3M-500-NP MAD — 7,3 vs 15,4, lägre är bättre

Den mest informativa raden finns inte i den listan. Mot Qwen3-VL-4B – samma ryggrad, oförändrad – är gapet på Dense200 71,3 mot 15,2, och på VisDrone 44,7 mot 31,0. En basmodell för bild och språk är nästan oanvändbar för tät detektering av små objekt, och finjusteringen flyttar den till specialistområdet. Det är ett mer försvarbart påstående än någon jämförelse med en frontlinjemodell: författarna visar att en 4B-generalist kan omvandlas till en kompetent lokaliserare utan att växa.

Där det slutar fungera

Begränsningarna anges på modellkortet och de är inte kosmetiska. Modellen hanterar en enda bild per tur – videorutnät avvisas direkt av pixelavkodaren, så detta är inte ett videosegmenteringsverktyg och låtsas inte vara det. Den producerar strukturerad utdata direkt, utan någon tankekedja, vilket innebär att det inte går att be den resonera kring en tvetydig förfrågan innan den bestämmer sig för en avgränsningsruta. Alfakvaliteten försämras vid fina gränser, kraftig ocklusion och verkligt transparenta material, och den är känslig för hur prompten formuleras – "kvinnans hår" och "hennes hår" garanteras inte returnera samma alfa-matte.

Avvisningsbeteendet är den funktion som mest sannolikt underskattas. Att returnera None för ett frånvarande mål låter trivialt tills man har kört en detektor på en videoström och sett den hallucinera en fotgängare på en tom parkeringsplats. En avvisningsfrekvens på 96,4 % på WeRef-Bench, jämfört med en bästa baslinje på 73,0 %, är skillnaden mellan en komponent som du kan sätta i en pipeline och en som du måste skydda med en andra modell.

Hur du faktiskt skulle köra det

Modellkortet dokumenterar fyra serveringsvägar: projektets eget inferenspaket, en Transformers bild-text-till-text-pipeline, vLLM och SGLang, samt ett enradigt kommando för Docker Model Runner. Avkodningen är girig, med ett tak på 1 960 visuella tokens per bild. Med 4,83B parametrar i F32 är checkpointen ungefär 19 GB på disk, före dekodern med 9,6M parametrar; inläsning i bfloat16 halverar den siffran. Du behöver den anpassade inferenskoden oavsett — mask_decoder.pt är en obligatorisk komponent, inte ett valfritt tillägg, och en standardinläsning med Transformers ger dig boxar och text men inga masker.

Det finns inget hostat API och inget publicerat pris, så det ärliga svaret är att WeVisOne-VL-4B är ett beslut om egen hosting idag. Om det du faktiskt vill ha är Qwen3-VL-perceptionspipelinen i produktion den här veckan, utan att behöva sätta upp en GPU för vikter som släpptes igår, är Qwen3-VL-8B instruct-bygget tillgängligt via OrcaRouter — en nyckel för fler än 200 modeller, leverantörens listpris vidarebefordras med 0 % påslag, och automatisk failover om en uppströms slutpunkt strular. Det är basmodellfamiljen, inte finjusteringen. Det ger dig boxar och beskrivningar; det ger dig inte alpha-mattor.

Vad du kan titta på

Tre saker skulle flytta detta från "intressant artikel" till "modell du borde utvärdera". Den första är en oberoende benchmarkkörning – den som reproducerar matting-siffrorna på ett held-out-set skulle avgöra den största öppna frågan. Den andra är en hostad slutpunkt, från Tencent eller någon annan, som skulle berätta för dig om inferensvägen är tillräckligt robust för att serva. Den tredje är finjusteringskoden som ligger okontrollerad på README-filens TODO-lista; utan den är anpassningen av matting-headen till en specifik produktkatalog gissningsarbete.

Fram till dess är den rättvisande sammanfattningen denna: Tencent har publicerat en liten modell som gör något genuint ovanligt – alfamattor i full upplösning direkt från en språkmodell, utan SAM i loopen – och har gjort det utan att göra anspråk på uppmärksamhet. Vikterna är Apache 2.0 för kod som Tencent har skrivit. Påståendena är författarnas egna. Båda dessa fakta är kontrollerbara, och du bör kontrollera dem innan du planerar utifrån dem.