{{1}}WeVisOne-VL-4B{{/1}}: โมเดลวิชัน {{2}}4B{{/2}} ที่ {{3}}Tencent{{/3}} เผยแพร่โดยไม่มีโพสต์เปิดตัว

บน P3M-500-NP ซึ่งเป็นเบนช์มาร์กมาตรฐานสำหรับการสกัดขอบแบบนุ่มออกจากภาพ อัลฟาแมตต์ที่ดีที่สุดที่ Tencent หาได้เพื่อใช้เปรียบเทียบทำคะแนนความต่างสัมบูรณ์เฉลี่ยได้ 15.4 ส่วน WeVisOne-VL-4B ทำได้ 7.3 นั่นคือข้อผิดพลาดประมาณครึ่งหนึ่งของไปป์ไลน์การทำแมตติ้งที่สร้างขึ้นเฉพาะทาง ซึ่งผลิตโดยโมเดลภาพและภาษาที่มีพารามิเตอร์ 4 พันล้านตัว และยังทำการตรวจจับ การนับ OCR และการแบ่งส่วนภาพจากน้ำหนักชุดเดียวกันได้ด้วย WeVisOne-VL-4B คือความพยายามของทีม WeChat Vision ที่จะยุบรวมผู้เชี่ยวชาญด้านการรับรู้หลายตัวให้เหลือตัวทำนายโทเคนถัดไปตัวเดียว และเป็นงานที่น่าสนใจจริง ๆ สิ่งที่มันยังไม่ใช่ในตอนนี้คือผลิตภัณฑ์: ไม่มีโพสต์บล็อกของ Tencent ไม่มีข่าวประชาสัมพันธ์ ไม่มีเอนด์พอยต์ที่โฮสต์ให้บริการ และไม่มีการประกาศใด ๆ ที่เว็บไซต์นี้หาเจอ น้ำหนักโมเดลถูกอัปโหลดขึ้น Hugging Face เมื่อวันที่ 22 ตุลาคม 2026 และโมเดลก็เปิดเผยต่อสาธารณะมาตั้งแต่ตอนนั้นอย่างเงียบ ๆ

บทความนี้เป็นการอ่านข้อมูลว่าจริง ๆ แล้วรีโพซิทอรีเหล่านั้นมีอะไรอยู่ และแยกสองสิ่งที่มักถูกทำให้ปนกันได้ง่ายออกจากกัน: สิ่งที่คุณตรวจสอบได้ด้วยการดาวน์โหลดโมเดล กับสิ่งที่เพียงบทความของ Tencent เองเท่านั้นที่กล่าวอ้าง ทั้งสองอย่างมีความสำคัญ แต่มีเพียงอย่างเดียวเท่านั้นที่เป็นหลักฐาน

เผยแพร่สิ่งใด และเมื่อใด

บันทึกนี้ชัดเจนเป็นพิเศษเพราะทุกอย่างมีเวลากำกับ รีโพซิทอรี Hugging Face tencent/WeVisOne-VL-4B ถูกสร้างเมื่อ 09:48 UTC ของวันที่ 22 ตุลาคม 2026; รีโพซิทอรี GitHub Tencent/WeVisOne-VL ถูกสร้างก่อนหน้าห้าสิบนาที เมื่อ 08:58 UTC ของเช้าวันเดียวกัน; บทความ arXiv หมายเลข 2610.31329 ระบุวันที่ส่งเป็น 22 ตุลาคม รุ่น 2B ในตระกูลเดียวกัน, tencent/WeVisOne-VL-2B ปรากฏขึ้นเคียงข้างกัน

ณ เวลาที่เขียน รีโพซิทอรี {{1}}4B{{/1}} ถูกแก้ไขอีกครั้งในเช้าวันถัดมา และมีไลก์สะสมอยู่สองสามรายการ โดยไม่มีจำนวนดาวน์โหลดที่มีนัยสำคัญ ตัวนับเหล่านั้นเป็นเพียงภาพ ณ ขณะหนึ่ง ไม่ใช่คำตัดสิน แต่พวกมันบอกสิ่งที่บทความบอกไม่ได้: แทบไม่มีใครดึงโมเดลนี้ไปใช้เลย รีโพซิทอรี {{2}}GitHub{{/2}} มี {{3}}46 ดาว{{/3}} และมีฟอร์กอยู่จำนวนหนึ่ง และรายการ TODO ใน README ของมันก็เป็นรายงานสถานะในตัว — แพ็กเกจอินเฟอเรนซ์ คุกบุ๊ก และไปป์ไลน์การประเมินถูกทำเครื่องหมายว่าเสร็จแล้ว ส่วนเดโม {{4}}Gradio{{/4}} และโค้ดไฟน์ทูนยังไม่เสร็จ

ดังนั้น คำอธิบายที่ถูกต้องจึงไม่ใช่ "การรั่วไหล" และไม่ใช่ "การเปิดตัว" มันคือการปล่อยโอเพนซอร์สอย่างเป็นทางการที่มีโครงสร้างครบแบบการเปิดตัว — เปเปอร์, เวตของโมเดล, โค้ด, ไปป์ไลน์ benchmark — แต่ไม่มีมาร์เก็ตติ้งใดๆ เลย ไม่ทราบว่าจะมีการประกาศตามมาหรือไม่ ใครก็ตามที่เขียนว่า Tencent "เปิดตัว" หรือ "เปิดเผย" โมเดลนี้ กำลังบรรยายถึงเหตุการณ์ที่ยังไม่ได้เกิดขึ้น

โครงสร้างหลักเดียว ผลลัพธ์เจ็ดประเภท

สถาปัตยกรรมนี้ไม่ได้แปลกใหม่เท่าที่ตาราง benchmark ทำให้ฟังดู WeVisOne-VL-4B เป็นโมเดล Qwen3-VL — ข้อมูลเมตาของรีโพซิทอรีระบุชื่อ Qwen3VLForConditionalGenerationเป็นสถาปัตยกรรม และระบุว่ามีพารามิเตอร์ 4.83 พันล้านตัวใน F32 — ซึ่งปัดเป็น 5B บนการ์ดโมเดล — ผ่านการ fine-tune ให้สร้างโทเค็นพิกัดแบบมีโครงสร้างแทนข้อความบรรยาย กล่องและจุดถูกเข้ารหัสเป็นโทเค็นตั้งแต่ <0>ถึง<1000> โดยปรับให้เป็นค่ามาตรฐานเทียบกับภาพ ซึ่งเป็นวิธีที่โมเดลภาษากลายมาทำเรขาคณิตแทนการบรรยาย

ครึ่งส่วนระดับพิกเซลคือส่วนที่ควรทำความเข้าใจ<OBJ> หลังจากแต่ละกรอบที่ทำนาย โมเดลจะปล่อยโทเค็นพิเศษ ซึ่งสถานะซ่อนของโทเค็นนั้นถูกส่งไปยังตัวถอดรหัสแยกต่างหากที่มีพารามิเตอร์ 9.6 ล้านตัว ซึ่งจัดส่งมาในชื่อ mask_decoder.pt ตัวถอดรหัสนั้น — ประกอบด้วยอะแดปเตอร์คุณลักษณะภาพ บล็อกครอสแอตเทนชันแบบดีฟอร์มเมเบิลหกบล็อก และเฮดแบบคาสเคดที่ปรับละเอียดที่สไตรด์ 4, 2 และ 1 — เปลี่ยนกรอบให้เป็นมาสก์อินสแตนซ์ แล้วเปลี่ยนเป็นอัลฟาแมตต์ความละเอียดเต็ม นี่ไม่ใช่การเรียก SAM ไม่มีโมเดลที่สองในลูป ไม่มีพรอมป์ต์เอนโคเดอร์ ไม่มีตัวแบ่งส่วนภายนอก เส้นทางพิกเซลทั้งหมดคือพารามิเตอร์ 9.6M ที่ต่อพ่วงเข้ากับโมเดลภาษา

การเลือกการออกแบบนั้นอธิบายโปรไฟล์ของ benchmark ได้ เพราะมาสก์และแมตต์ถูกกำหนดเงื่อนไขบนกล่องเดียวกันกับที่โมเดลเพิ่งทำนาย โมเดลจึงไม่จำเป็นต้องมีกล่องที่มนุษย์จัดให้เพื่อแบ่งส่วน แต่สามารถขอให้มันแบ่งส่วน "คนที่ถือร่ม" และคืนแมตต์สำหรับอินสแตนซ์นั้นได้พอดี ข้อแลกเปลี่ยนคือตัวถอดรหัสพิกเซลไม่เคยเรียนรู้จากรางวัลระดับมาสก์ ขั้นตอนการเรียนรู้แบบเสริมกำลังในบทความให้คะแนนกล่อง การชี้ และการถอดข้อความ OCR แต่ไม่ใช้รางวัลจากมาสก์หรืออัลฟาเลย เอาต์พุตแบบหนาแน่นถูกฝึกด้วย損失แบบมีผู้สอนเท่านั้น

ตัวเลข และว่าตัวเลขเหล่านั้นเป็นของใคร

ตัวเลขทุกตัวด้านล่างมาจากเปเปอร์ของ Tencent หรือ README ของโปรเจกต์ ไม่มีตัวใดถูกทำซ้ำโดยบุคคลที่สาม และชุดการเปรียบเทียบถูกเลือกโดยผู้เขียนเอง นั่นเป็นเรื่องปกติสำหรับเปเปอร์ที่เพิ่งมีอายุได้สองวัน และยังเป็นสถานการณ์แบบเดียวกับที่ตารางของผู้ขายมักทำให้ตัวเองดูดีเกินจริง ดังนั้นควรถือว่าส่วนต่างเหล่านี้เป็นคำกล่าวอ้างมากกว่าผลการวัด

ข้อกล่าวอ้างในพาดหัว เมื่อเทียบกับฐานอ้างอิงแบบเปิดที่แข็งแกร่งที่สุดที่ผู้เขียนระบุไว้สำหรับแต่ละงาน:

• การตรวจจับ, ค่าเฉลี่ย LVIS F1 — WeVisOne-VL-4B 55.3 เทียบกับ 50.7 สำหรับ baseline ที่ดีที่สุด

• การตรวจจับแบบ Dense, ค่าเฉลี่ย F1 ของ Dense200 — 71.3 เทียบกับ 58.7

• Referring, ค่าเฉลี่ย F1 ของการทดสอบ RefCOCOg — 81.8 เทียบกับ 77.6

• การปฏิเสธ, WeRef-Bench — 96.4% ของคำค้นหาที่ไม่มีเป้าหมายถูกปฏิเสธอย่างถูกต้อง เทียบกับ 73.0%

• การนับ, ความแม่นยำในการทดสอบ PixMo-Count — 89.6 เทียบกับ 82.8

• OCR, ค่าเฉลี่ย F1 ของ TotalText — 52.0 เทียบกับ 43.3

• การแบ่งส่วนตามคำอ้างอิง (Referring segmentation), ReasonSeg val gIoU — 71.2 เทียบกับ 65.0

• การปูแผ่นรองกล่อง P3M-500-NP MAD — 7.3 เทียบกับ 15.4 โดยยิ่งต่ำยิ่งดี

แถวที่ให้ข้อมูลมากที่สุดไม่ได้อยู่ในรายการนั้น เมื่อเทียบกับ Qwen3-VL-4B ซึ่งเป็นแบ็กโบนเดียวกันและไม่ได้ถูกปรับแต่ง ช่องว่างบน Dense200 คือ 71.3 เทียบกับ 15.2 และบน VisDrone คือ 44.7 เทียบกับ 31.0 โมเดล visión-language แบบฐานแทบจะไร้ประโยชน์ในการตรวจจับวัตถุขนาดเล็กที่มีความหนาแน่นสูง และการ fine-tune ทำให้มันก้าวเข้าสู่ดินแดนของผู้เชี่ยวชาญ นั่นเป็นข้ออ้างที่ปกป้องได้มากกว่าการเปรียบเทียบใด ๆ กับโมเดลระดับแนวหน้า: ผู้เขียนกำลังแสดงให้เห็นว่าโมเดลทั่วไปขนาด 4B สามารถถูกแปลงเป็นตัวระบุตำแหน่งที่มีความสามารถได้โดยไม่ต้องขยายขนาด

จุดที่มันหยุดทำงาน

ข้อจำกัดเหล่านี้ระบุไว้ในการ์ดโมเดล และไม่ได้เป็นเพียงเรื่องผิวเผิน โมเดลรองรับภาพเดียวต่อหนึ่งรอบ — กริดวิดีโอจะถูกตัวถอดรหัสพิกเซลปฏิเสธโดยตรง ดังนั้นนี่จึงไม่ใช่เครื่องมือ segmentation วิดีโอ และไม่ได้แสร้งทำเป็นเช่นนั้น มันสร้างเอาต์พุตแบบมีโครงสร้างโดยตรง โดยไม่มี chain-of-thought ซึ่งหมายความว่าไม่มีทางขอให้มันใช้เหตุผลกับคำสั่งที่กำกวมก่อนตัดสินใจล็อกกล่องได้ คุณภาพของ Alpha จะลดลงบนขอบละเอียด การบังกันอย่างหนัก และวัสดุที่โปร่งใสจริง และมันไวต่อการเลือกใช้ถ้อยคำในพรอมป์ต์ — "the woman's hair" และ "her hair" ไม่รับประกันว่าจะให้ matte เดียวกัน

พฤติกรรมการปฏิเสธคือฟีเจอร์ที่มักถูกนำเสนอต่ำกว่าความเป็นจริงมากที่สุด การคืนค่า None สำหรับเป้าหมายที่ไม่มีอยู่ฟังดูเป็นเรื่องเล็กน้อย จนกว่าคุณจะได้รันตัวตรวจจับบนฟีดวิดีโอและเห็นมันสร้างภาพหลอนเป็นคนเดินถนนในลานจอดรถว่างเปล่า อัตราการปฏิเสธ 96.4% บน WeRef-Bench เทียบกับ 73.0% ซึ่งเป็นค่าพื้นฐานที่ดีที่สุด คือความแตกต่างระหว่างคอมโพเนนต์ที่คุณใส่ในไปป์ไลน์ได้ กับคอมโพเนนต์ที่คุณต้องป้องกันด้วยโมเดลที่สอง

วิธีที่คุณจะรันมันจริงๆ

การ์ดโมเดลได้บันทึกเส้นทางการให้บริการไว้สี่เส้นทาง ได้แก่ แพ็กเกจ inference ของโปรเจกต์เอง, image-text-to-textไปป์ไลน์ของ Transformers, vLLM และ SGLang พร้อมด้วยคำสั่งบรรทัดเดียวของ Docker Model Runner การถอดรหัสเป็นแบบ greedy โดยจำกัดที่ 1,960 โทเคนภาพต่อภาพ ที่ 4.83B พารามิเตอร์ใน F32 checkpoint มีขนาดประมาณ 19 GB บนดิสก์ ก่อนที่จะมีตัวถอดรหัสขนาด 9.6M พารามิเตอร์; การโหลดใน bfloat16 จะลดขนาดลงครึ่งหนึ่ง คุณจะต้องใช้โค้ด inference แบบกำหนดเองไม่ว่าอย่างไร — mask_decoder.pt เป็นองค์ประกอบที่จำเป็น ไม่ใช่ส่วนเสริมที่เป็นทางเลือก และการโหลด Transformers แบบมาตรฐานจะให้กล่องและข้อความแต่ไม่มีมาสก์

ยังไม่มี hosted API และไม่มีราคาที่ประกาศอย่างเป็นทางการ ดังนั้นคำกล่าวที่ตรงไปตรงมาคือ WeVisOne-VL-4B เป็นการตัดสินใจเรื่อง self-hosting ในตอนนี้ หากสิ่งที่คุณต้องการจริง ๆ คือ pipeline การรับรู้ของ Qwen3-VL ใช้งานจริงในสัปดาห์นี้ โดยไม่ต้องจัดเตรียม GPU สำหรับ weights ที่เพิ่งวางจำหน่ายเมื่อวานนี้ Qwen3-VL-8B instruct build พร้อมใช้งานผ่าน OrcaRouter — คีย์เดียวใช้ได้กับกว่า 200 โมเดล ราคาตามรายการของผู้ให้บริการส่งต่อโดยไม่บวกเพิ่ม 0% และมี automatic failover หาก upstream endpoint มีปัญหา นั่นคือตระกูล backbone ไม่ใช่ fine-tune它将ให้ bounding boxes และคำอธิบายแก่คุณ แต่จะไม่ให้ alpha mattes

ดูอะไรดี

สามสิ่งนี้จะยกระดับงานนี้จาก "เปเปอร์ที่น่าสนใจ" ไปเป็น "โมเดลที่คุณควรประเมิน" สิ่งแรกคือการรัน benchmark แบบอิสระ — ใครก็ตามที่สามารถ reproduce ตัวเลข matting บน held-out set ได้จะช่วยตอบคำถามเปิดที่ใหญ่ที่สุดได้ สิ่งที่สองคือ hosted endpoint จาก Tencent หรือใครก็ตาม ซึ่งจะบอกคุณได้ว่า inference path แข็งแรงพอจะให้บริการได้หรือไม่ สิ่งที่สามคือโค้ด fine-tuning ที่ยังไม่ได้ตรวจสอบและค้างอยู่ในรายการ TODO ของ README; หากไม่มีสิ่งนี้ การปรับ matting head ให้เข้ากับแคตตาล็อกสินค้าเฉพาะเจาะจงก็เป็นการเดา

จนถึงตอนนั้น สรุปอย่างยุติธรรมก็คือ: Tencent ได้เผยแพร่โมเดลขนาดเล็กที่ทำสิ่งที่ผิดปกติจริง ๆ — สร้าง alpha matte ความละเอียดเต็มจากโมเดลภาษา โดยไม่มี SAM อยู่ในกระบวนการ — และทำเช่นนั้นโดยไม่เรียกร้องความสนใจ น้ำหนักโมเดลเป็น Apache 2.0 สำหรับโค้ดที่ Tencent เขียนเอง ข้อกล่าวอ้างเป็นของผู้เขียนเอง ข้อเท็จจริงทั้งสองข้อนี้ตรวจสอบได้ และคุณควรตรวจสอบก่อนจะวางแผนโดยอิงสิ่งเหล่านั้น