WeVisOne-VL-2B: Tencent เปิดตัวโมเดลการรับรู้โดยไม่บอกใครเลย

ประโยคที่มีนัยสำคัญที่สุดในโมเดลการ์ดของ WeVisOne-VL-2B ไม่ได้พูดถึงตัวโมเดลเลย แต่พูดถึงไฟล์ที่ชื่อmask_decoder.pt ซึ่งมีพารามิเตอร์ 9,511,460 ตัว ถูกอธิบายไว้ในประโยคเดียวเรียบ ๆ ว่า “เป็นองค์ประกอบหลักที่จำเป็น ไม่ใช่องค์ประกอบเสริมที่ไม่มีก็ได้” ทุกอย่างเกี่ยวกับพฤติกรรมของโมเดลการรับรู้ตัวใหม่ของ Tencent — ไม่ว่าคุณจะได้กรอบ จุด มาสก์แบบไบนารี หรืออัลฟาแมตต์แบบต่อเนื่อง — ล้วนต้องผ่านตัวถอดรหัสตัวนั้น และโมเดลที่มันเป็นส่วนหนึ่งก็มาถึงโดยแทบไม่มีพิธีการใด ๆ เลย: น้ำหนักของ WeVisOne-VL-2B ถูกอัปโหลดขึ้น Hugging Face เมื่อ 09:47 UTC ของวันที่ 22 ตุลาคม 2026 รีโพซิทอรี GitHub ปรากฏขึ้นก่อนหน้านั้นห้าสิบนาที มีเปเปอร์ถูกโพสต์ในวันเดียวกัน และ Tencent ไม่ได้เผยแพร่โพสต์เปิดตัวหรือประกาศใด ๆ ประกอบกับสิ่งเหล่านี้เลย

ความหมายของสิ่งนี้สำหรับผู้อ่านนั้นจำกัดแต่มีประโยชน์ นี่ไม่ใช่ผลิตภัณฑ์ที่คุณสมัครใช้งานได้ มันเป็นการเผยแพร่เพื่อการวิจัยที่คุณดาวน์โหลดได้ พร้อมกับบทความที่รายงานตัวเลขซึ่งการ์ดโมเดลไม่ได้ระบุซ้ำ และชุดข้อจำกัดที่การ์ดระบุไว้ตรงไปตรงมากกว่าที่ผู้ขายส่วนใหญ่จะทำ ด้านล่างคือสิ่งที่ตรวจสอบได้จากที่เก็บโค้ด สิ่งที่ถูกอ้างในบทความ และสิ่งที่ยังไม่มีใครยืนยัน

สิ่งที่เกิดขึ้น และการประทับเวลาที่เผยให้เห็นว่ามันเงียบเพียงใด

ทุกวันที่นี่มาจากการประทับเวลาสาธารณะ ไม่ใช่จากข่าวประชาสัมพันธ์ เพราะไม่มีข่าวประชาสัมพันธ์:

• Hugging Face — tencent/WeVisOne-VL-2B ถูกสร้างขึ้นเมื่อ 2026-10-22 เวลา 09:47:50 UTC โมเดล 4B ที่เป็นรุ่นพี่น้องถูกสร้างขึ้นในอีกยี่สิบสี่วินาทีถัดมา ซึ่งเป็นลักษณะของการอัปโหลดในนามองค์กรเมื่อไฟล์ถูกส่งขึ้นในชุดเดียว

• GitHub — Tencent/WeVisOne-VLถูกสร้างขึ้นเมื่อเวลา 08:58:16 UTC ของเช้าวันเดียวกัน ณ ขณะที่เขียนนี้ มีคอมมิตเพียงรายการเดียว คือ "Initial public release of WeVisOne-VL" ซึ่งประทับเวลาไว้ที่ 2026-10-23 08:14 UTC และมีดาว 46 ดวง

• บทความ — arXiv 2610.31329, "WeVisOne-VL: Unified Visual Perception from Objects to Pixels," v1 ส่งเมื่อวันที่ 22 ตุลาคม 2026 โดย Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li และ Jing Lyu ซึ่งทั้งหมดมาจาก WeChat Vision, Tencent Inc.

• หน้าโปรเจกต์ — tencent.github.io/WeVisOne-VLเปิดให้เข้าชมแล้ว พร้อมเดโม ส่วนระเบียบวิธี และตารางผลลัพธ์ เป็นหน้าเว็บงานวิจัย ไม่ใช่หน้าเว็บผลิตภัณฑ์: ไม่มีราคา ไม่มี API ไม่มีการลงทะเบียน

ตัวการ์ดเองแสดงไลก์สามครั้งเมื่อตรวจดู และหนึ่งครั้งบน 4B ตัวนับดาวน์โหลดขึ้นศูนย์ ซึ่งส่วนใหญ่แล้วบอกคุณว่าตัวนับนั้นล่าช้า สรุปตามจริงก็คือ แทบไม่มีใครนอกห้องแล็บได้ลองสิ่งนี้เลย และบทความใดก็ตามที่เผยแพร่สัปดาห์นี้ — รวมถึงชิ้นนี้ด้วย — กำลังอิงจากเปเปอร์และรีโพซิทอรีมากกว่าจากผลลัพธ์

มีรายละเอียดหนึ่งที่ควรแจ้งให้ทราบ เพราะเรื่องนี้จะถูกหยิบยกขึ้นมาในขั้นตอนจัดซื้อจัดจ้าง: การ์ดโมเดลระบุว่า Apache 2.0 ครอบคลุม “Tencent-authored code in this repository” ส่วน GitHub API รายงานว่าสัญญาอนุญาตของรีพอซิทอรีคือ “Other” โดยไม่มีตัวระบุ SPDX สองข้อความนี้ไม่จำเป็นต้องขัดแย้งกัน — คอมโพเนนต์ของบุคคลภายนอกยังคงใช้ข้อกำหนดของตนเอง และการ์ดโมเดลก็ระบุไว้เช่นนั้น — แต่นั่นหมายความว่าควรอ่านไฟล์สัญญาอนุญาตก่อนที่สิ่งนี้จะเข้าใกล้ผลิตภัณฑ์ใด ๆ

สถาปัตยกรรมนี้เป็นการเดิมพันกับโทเคน ไม่ใช่กับโมเดลที่ใหญ่ขึ้น

WeVisOne-VL-2B สร้างขึ้นบน Qwen3-VL มีพารามิเตอร์ประมาณ 2 พันล้านตัว และทำสิ่งที่ค่อนข้างไม่ธรรมดาสำหรับโมเดลภาษาและภาพ: มันแยกการค้นหาออกจากการวาด.

ฝั่งภาษาจัดการการค้นหา โดยมีโทเค็นพิกัดเฉพาะ <0> ถึง <1000>ซึ่งเข้ารหัสกล่องและจุดที่ผ่านการนอร์มัลไลซ์ ดังนั้นการตรวจจับจึงเป็นลำดับโทเค็นที่โมเดลส่งออกมาในสตรีมเดียวกับข้อความของมันจริง ๆ เมื่อไม่มีเป้าหมายที่ถูกสอบถาม จะคืนค่า None แทนที่จะสร้างกล่องขึ้นมาเอง สำหรับงานแบบ dense จะส่งโทเค็นพิเศษเพิ่มอีกหนึ่งตัว <OBJ> ที่ ID โทเค็น 152678 ทันทีหลังจากกล่องที่ทำนายแต่ละกล่อง — เครื่องหมายที่บอกว่า "อินสแตนซ์นี้ยังมีต่อด้านล่าง"

ฝั่งพิกเซลรับผิดชอบการวาด mask_decoder.pt อ่านสถานะซ่อนที่แต่ละ <OBJ> รวมเข้ากับไพรเออร์กล่องที่เข้ารหัสแบบฟูเรียร์ และสร้างมาสก์จริงขึ้นมา โดยมีสามระยะ: อะแดปเตอร์คุณลักษณะภาพบนคุณลักษณะ ViT หลายระดับก่อนการรวมของ Qwen3-VL; ตัวถอดรหัสคิวรีที่นำทางด้วยกล่องพร้อมบล็อกครอสแอตเทนชันแบบดีฟอร์มเมเบิลหกบล็อก; และหัวทำนายแบบหนาแน่นที่สร้างขึ้นรอบสิ่งที่ Tencent เรียกว่า FullCanvasAlphaCascadeHead ซึ่งปรับแต่งที่ S/4, S/2 และ S/1 เพื่อส่งออกอัลฟาแมตต์ต่อเนื่องความละเอียดเต็มที่สไตรด์ 1

ตัวเลือกการออกแบบที่สำคัญคือตัวสุดท้าย VLM แบบ grounded ส่วนใหญ่จะคืนค่ามาสก์แบบไบนารีหรือรูปหลายเหลี่ยม ส่วนอัลฟาแมตต์คือแผนที่ความทึบแสงต่อพิกเซลที่มีขอบนุ่ม ซึ่งเป็นสิ่งที่คุณต้องใช้ในการคอมโพสิตบุคคลลงบนพื้นหลังใหม่โดยไม่มีฮาโลรอบเส้นผม นั่นเป็นประเภทผลลัพธ์ที่แตกต่างจากการแบ่งส่วนภาพ และเป็นเหตุผลที่โมเดลนี้เปิดตัวแยกต่างหาก แทนที่จะเป็นเพียงการ fine-tune ของ VLM ทั่วไป

สิ่งที่บทความกล่าวอ้าง และสิ่งที่การ์ดจะไม่บอกคุณ

การ์ดโมเดลไม่มีตารางเบนช์มาร์ก ไม่มีความยาวบริบท ไม่มีตัวเลขทรูพุต ไม่มีจำนวนโทเคนที่ใช้ฝึก ไม่มีข้อกำหนดฮาร์ดแวร์ และไม่มีราคา สิ่งที่การ์ดนี้ให้คุณคืออินเทอร์เฟซ สถาปัตยกรรม การใช้งานที่ตั้งใจไว้ และข้อจำกัด

ตัวเลขต่างๆ อยู่ในบทความ ในตารางงานเจ็ดตารางและสิ่งที่ Tencent เรียกว่ามากกว่าสามสิบเบนช์มาร์ก ทั้งหมดต่อไปนี้เป็นผลลัพธ์ของผู้เขียนเอง ดำเนินการโดยผู้เขียน และไม่มีการทำซ้ำโดยบุคคลภายนอกที่เป็นอิสระ:

• การตรวจจับ — ค่าเฉลี่ย F1 อยู่ที่ 55.2 บน COCO, 53.3 บน LVIS, 61.4 บน Dense200 และ 40.4 บน VisDrone โดย baseline Qwen3-VL-2B บนตารางเดียวกันได้คะแนน 45.2, 40.8, 10.0 และ 23.1 ช่องว่างของ Dense200 คือจุดที่สะดุดตาที่สุด: เป็นหกเท่าของ baseline บน benchmark ที่เกี่ยวกับฉากที่แออัดหนาแน่น

• การปฏิเสธ — บน RefCOCOg โมเดล 2B รายงานอัตราการปฏิเสธที่ 50.2 สำหรับคำถามเกี่ยวกับวัตถุที่ไม่มีอยู่จริง โมเดลกราวด์ดิ้งเฉพาะทางสองตัวในตารางเดียวกัน คือ Rex-Omni-3B และ LocateAnything-3B รายงานที่ 0.5 และ 0.6 การที่ระบบสามารถบอกได้ว่า "ไม่มีอยู่ตรงนั้น" คือปัจจัยหลักที่แยกระบบรับรู้จากเดโม

• การนับ — 90.9 และ 88.1 แบบตรงตัวบนชุดตรวจสอบและชุดทดสอบของ PixMo-Count แต่มีเพียง 27.5 และ 26.9 บน CLOC, 29.5 และ 32.4 บน KubriCount และ 47.9 บน CountQA การกระจายตัวข้ามชุดข้อมูลการนับเป็นสิ่งที่สุดซื่อตรงในบทความ: การนับไม่ใช่ทักษะเดียว และโมเดลนี้เก่งในบางทักษะเหล่านั้น

• OCR — F1 เฉลี่ยเท่ากับ 30.5 บน HierText, 42.6 บน ICDAR2015, 42.5 บน TotalText และ 62.1 บน SROIE คะแนนเหล่านี้เป็นคะแนน F1 ที่คำนึงถึงการระบุตำแหน่ง ณ เกณฑ์ IoU 0.5 ไม่ใช่ความแม่นยำในการถอดข้อความ ดังนั้นจึงไม่สามารถเปรียบเทียบกับตัวเลข OCRBench ที่คุณจะเห็นอ้างอิงสำหรับ VLM สำหรับผู้บริโภคได้

• การแบ่งส่วนภาพ — 79.7 cumulative IoU บน RefCOCO validation, 73.1 บน RefCOCO+ validation, 74.4 บน RefCOCOg validation และ 60.9 บน ReasonSeg validation บทความระบุอย่างชัดเจนว่าตัวเลขของกลุ่ม RefCOCO เป็น cIoU และตัวเลขของ ReasonSeg เป็น gIoU

• การแมตติ้ง — บน {{1}}P3M-500-NP{{/1}} ด้วยพรอมต์แบบกล่อง ค่าเฉลี่ยความแตกต่างสัมบูรณ์อยู่ที่ 6.6 เทียบกับ 15.4 สำหรับ {{2}}SAM2-Matting{{/2}} บน {{3}}AM-2K{{/3}} อยู่ที่ 5.7 เทียบกับ 12.1 บนสปลิต referring ที่ยากกว่าอย่าง {{4}}WeRefMat{{/4}} อยู่ที่ 15.8 เทียบกับ 23.0 สำหรับไปป์ไลน์ {{5}}Qwen3-VL-8B{{/5}} ร่วมกับ {{6}}SAM2-Matting{{/6}} ค่ายิ่งต่ำยิ่งดีในทั้งหมดนี้

มีความไม่สอดคล้องภายในอย่างหนึ่งที่ควรรู้ก่อนคุณจะอ้างอิงถึง 4B: จริง ๆ แล้วโมเดลที่เล็กกว่าทำได้ดีกว่าโมเดลที่ใหญ่กว่าในงานแมตติ้ง P3M-500-NP โดยได้ 6.6 เทียบกับ 7.3 MAD Tencent ไม่ได้อธิบายว่าทำไม และนี่เป็นเครื่องเตือนใจว่าตารางเหล่านี้มาจากการรันครั้งเดียว ไม่ใช่การจัดอันดับที่ยุติแล้ว

ในจุดที่หลักฐานยังมีน้อย

ส่วนข้อจำกัดของงานวิจัยเองนั้นตรงไปตรงมาอย่างผิดปกติ และควรมีผลต่อวิธีที่คุณอ่านทุกอย่างข้างต้น มันระบุว่าปริมาณข้อมูลฝึกอบรมอเนกประสงค์ที่มีจำกัด “อาจทำให้ความสามารถทั่วไปลดลงเมื่อเทียบกับโมเดลฐาน” กล่าวอีกนัยหนึ่ง การไฟน์ทูนที่ทำให้มันเก่งด้านการรับรู้อาจทำให้มันแย่ลงในการเป็นผู้ช่วยทั่วไป ไม่มีอะไรในงานวิจัยที่ทดสอบเรื่องนั้น — ไม่มี MMMU, MMBench, DocVQA หรือเบนช์มาร์กด้านการสร้างคำบรรยายภาพอยู่เลยในตารางทั้งเจ็ด

ข้อจำกัดอีกสามข้อที่เหลือเป็นเชิงสถาปัตยกรรมมากกว่าที่จะแก้ไขได้ด้วยการพรอมป์ต์ โมเดลสร้างเอาต์พุตแบบมีโครงสร้างโดยไม่มี chain-of-thought เพื่อประสิทธิภาพในการอนุมาน เป็นแบบเทิร์นเดียว และตัวถอดรหัสพิกเซลปฏิเสธกริดวิดีโอ Tencent ยังตั้งข้อสังเกตว่าพรอมป์ต์ในแบบทดสอบมาตรฐานนั้น "ชัดเจน มีรูปแบบดี และไม่กำกวม" ขณะที่คำสั่งของผู้ใช้จริงมักคลุมเครือ — ซึ่งเป็นการยอมรับอย่างตรงไปตรงมาว่าการตั้งค่าการประเมินนั้นทำให้โมเดลดูดีเกินจริง

และช่องว่างเชิงปฏิบัติเหล่านี้คือสิ่งที่วิศวกรเจอเป็นอันดับแรก ไม่มีความยาวบริบทที่เผยแพร่ไว้ ระยะการฝึกในเปเปอร์ใช้ 4,096 และ 8,192 โทเคน และการอนุมานจำกัดแต่ละภาพไว้ที่ 1,960 โทเคนภาพด้วยการถอดรหัสแบบ greedy แต่ทั้งหมดนั้นไม่ใช่หน้าต่างบริบทสำหรับการดีพลอยที่ระบุไว้ ไม่มี GGUF ไม่มีบิลด์แบบควอนไทซ์ ไม่มี ONNX export และไม่มีการกล่าวถึง Apple Silicon ไม่มีเอนด์พอยต์ที่โฮสต์โดย Tencent และไม่มีผู้ให้บริการอนุมานรายใดให้บริการมัน

จะรันมันก็ได้ ถ้าคุณต้องการ

เส้นทางที่รองรับคือแพ็กเกจของ Tencent เอง ติดตั้งได้จากที่เก็บ GitHub จากนั้นโหลด checkpoint ตามชื่อแล้วเรียก predict พร้อมกับรูปภาพ งาน คำถาม และค่า temperature การ์ดยังแสดงเส้นทางผ่าน Transformers โดยใช้ไปป์ไลน์ image-text-to-text และระบุ vLLM, SGLang, Docker, Colab และ Kaggle เป็นช่องทางการติดตั้งใช้งาน

มีสองสิ่งที่จะเล่นงานใครก็ตามที่อ่านแค่ผ่าน ๆ อย่างแรก mask_decoder.ptไม่ใช่ตัวเลือกเสริม — ต้องดาวน์โหลดมาพร้อมกับเวต ไม่อย่างนั้นงานแบบ dense จะไม่มีอะไรให้รัน ประการที่สอง ค่าเริ่มต้นคือการถอดรหัสแบบ greedy ที่อุณหภูมิศูนย์ และการ์ดแนะนำให้คงค่าไว้อย่างนั้น นี่คือโมเดลที่ส่งออกพิกัดแบบมีโครงสร้าง และการสุ่มตัวอย่างไม่ได้ช่วยอะไรเลย

นี่คือจุดที่เลเยอร์การจัดเส้นทาง (routing layer) มีความเกี่ยวข้องอย่างแท้จริง และควรพูดให้ชัดเจนว่าหมายถึงอะไรในบริบทนี้ OrcaRouter ไม่ได้ให้บริการ WeVisOne-VL-2B — โมเดลนี้ไม่ได้อยู่ในแคตตาล็อกของเรา และเราไม่คิดจะแสร้งทำเป็นอย่างอื่น สิ่งที่เราเตอร์ช่วยได้คือการเปรียบเทียบที่อยู่รอบ ๆ: หากคุณกำลังประเมินโมเดล perception ที่โฮสต์เองเทียบกับโมเดลวิชันเอนกประสงค์ที่ให้บริการแบบโฮสต์ โมเดลที่โฮสต์เหล่านั้นอยู่เบื้องหลังคีย์ API เดียวในราคาตามที่ผู้ให้บริการกำหนดโดยไม่มีการบวกกำไรดังนั้นการสร้าง harness จึงไม่ได้หมายความว่าต้องเซ็นสัญญาสามฉบับ การ failover อัตโนมัติช่วยให้ฝั่งที่โฮสต์ของ harness นั้นทำงานอยู่ได้ในขณะที่เครื่อง GPU ของคุณไม่ว่าง และ DSL สำหรับการจัดเส้นทางช่วยให้คุณวางการเรียกแบบ self-hosted และแบบโฮสต์ไว้เบื้องหลัง endpoint เดียวได้ ในระหว่างที่คุณตัดสินใจว่าตัวไหนควรได้ที่ในการใช้งานจริง

อะไรจะทำให้สิ่งนี้เปลี่ยนจากคลังข้อมูลให้กลายเป็นเรื่องราว

สามเรื่อง ซึ่งยังไม่มีสักเรื่องที่เกิดขึ้นจริงในตอนนี้ การรันโดยอิสระคือเรื่องใหญ่: ตัวเลขทั้งหมดข้างต้นเป็นของ Tencent บนฮาร์เนสของ Tencent และอัตราการปฏิเสธกับส่วนต่างของการแมตติ้งก็เป็นคำอ้างประเภทที่เปลี่ยนไปเมื่อมีคนอื่นมารันเอง ส่วนประกาศคือเรื่องที่สอง — รีโพซิทอรี เปเปอร์ และหน้าโปรเจกต์ล้วนเป็นของฝ่ายแรกเองทั้งหมด แต่ไม่มีสิ่งใดเป็นการเปิดตัว และการเขียนสรุปอย่างเป็นทางการน่าจะมีรายละเอียดการเทรนที่เปเปอร์ย่อไว้ การรองรับเฟรมเวิร์กคือเรื่องที่สาม: การ์ดระบุ vLLM และ SGLang แต่เคอร์เนลที่ถูกรวมแล้วหรือการแปลงเช็กพอยต์อย่างเป็นทางการถือเป็นระดับความมุ่งมั่นที่ต่างจากการมีบรรทัดหนึ่งในตารางการดีพลอย

จนกว่าหนึ่งในนั้นจะออกมา คำอธิบายที่ถูกต้องของ WeVisOne-VL-2B คือสิ่งนี้ มันเป็นโมเดลการรับรู้ขนาด 2B ที่มีอินเทอร์เฟซอัจฉริยะ — พิกัดเป็นโทเคน อินสแตนซ์เป็นมาร์กเกอร์ พิกเซลเป็นตัวถอดรหัสแยกต่างหาก — ซึ่งรายงานการปรับปรุงครั้งใหญ่เมื่อเทียบกับโมเดลฐานของตัวเองในงาน detection, rejection และ matting ไม่เผยแพร่ตัวเลขความสามารถทั่วไปเลยแม้แต่ตัวเดียว และไม่มีใครเรียกใช้ผ่าน API ได้ ถ้าคุณต้องตัดบุคคลออกจากภาพถ่ายและเก็บเส้นผมไว้ การผสมกันแบบนั้นน่าสนใจพอที่จะดาวน์โหลด ถ้าคุณต้องการผู้ช่วยด้านภาพที่ตอบคำถามเกี่ยวกับภาพ นี่ไม่ใช่ไฟล์ที่คุณกำลังมองหา และบทความก็ตรงไปตรงมาพอที่จะบอกเช่นนั้น