WeVisOne-VL-2B: Tencent đã phát hành một mô hình tri giác mà không thông báo cho bất kỳ ai

Dòng quan trọng nhất trong thẻ mô hình WeVisOne-VL-2B không phải nói về mô hình. Mà nói về một tệp có tên là mask_decoder.pt, 9,511,460 tham số, được mô tả bằng một câu phẳng lì là "một thành phần cốt lõi bắt buộc, không phải tiện ích bổ sung tùy chọn." Mọi thứ về cách mô hình nhận thức mới của Tencent hành xử — liệu bạn nhận được một hộp, một điểm, một mặt nạ nhị phân hay một alpha matte liên tục — đều đi qua bộ giải mã đó. Và mô hình mà nó thuộc về xuất hiện gần như chẳng có nghi thức gì: trọng số của WeVisOne-VL-2B được đưa lên Hugging Face lúc 09:47 UTC ngày 22 tháng 10 năm 2026, một kho GitHub xuất hiện sớm hơn năm mươi phút, một bài báo được đăng cùng ngày, và Tencent đã không công bố bài đăng ra mắt nào cũng như không có thông báo nào đi kèm với bất kỳ điều gì trong đó.

Điều đó có nghĩa gì đối với người đọc thì hẹp nhưng hữu ích. Đây không phải là một sản phẩm mà bạn có thể đăng ký. Đây là một bản phát hành nghiên cứu mà bạn có thể tải xuống, cùng với một bài báo báo cáo những con số mà thẻ mô hình không lặp lại, và một tập hợp các ràng buộc mà thẻ mô hình nêu rõ ràng hơn hầu hết các nhà cung cấp sẽ nêu. Dưới đây là những gì có thể kiểm chứng từ kho lưu trữ, những gì được khẳng định trong bài báo, và những gì chưa ai xác minh.

Những gì đã đến, và những mốc thời gian cho thấy nó đã lặng lẽ đến mức nào.

Mọi ngày tháng ở đây đều đến từ dấu thời gian công khai chứ không phải từ thông cáo báo chí, vì không có thông cáo báo chí nào:

• Hugging Face — tencent/WeVisOne-VL-2B được tạo vào 2026-10-22 lúc 09:47:50 UTC. Phiên bản anh em 4B được tạo muộn hơn hai mươi tư giây, đúng kiểu một bản tải lên của tổ chức khi các tệp được đẩy lên trong cùng một lô.

• GitHub — Tencent/WeVisOne-VL được tạo lúc 08:58:16 UTC cùng buổi sáng hôm đó. Tính đến thời điểm viết bài, nó chỉ có một commit, "Initial public release of WeVisOne-VL," với dấu thời gian 2026-10-23 08:14 UTC, và 46 sao.

Bài báo — arXiv 2610.31329, “WeVisOne-VL: Unified Visual Perception from Objects to Pixels,” v1 được gửi ngày 22 tháng 10 năm 2026, bởi Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li và Jing Lyu, tất cả thuộc WeChat Vision, Tencent Inc.

• Trang dự án — tencent.github.io/WeVisOne-VL đã ra mắt, với bản demo, phần phương pháp và các bảng kết quả. Đây là trang nghiên cứu, không phải trang sản phẩm: không có bảng giá, không có API, không có đăng ký.

Bản thân thẻ hiển thị ba lượt thích khi được kiểm tra, và một lượt trên mô hình 4B. Bộ đếm lượt tải hiển thị số không, điều này phần lớn cho bạn biết bộ đếm bị trễ; tóm tắt trung thực là hầu như không ai bên ngoài phòng thí nghiệm đã động đến thứ này, và bất kỳ bài viết nào xuất bản trong tuần này — kể cả bài này — đang dựa trên bài báo và kho lưu trữ chứ không phải từ kết quả.

Một chi tiết đáng lưu ý vì nó sẽ xuất hiện trong quy trình thu mua: thẻ mô hình cấp Apache 2.0 cho "mã do Tencent tác giả trong kho lưu trữ này." API GitHub báo cáo giấy phép của kho lưu trữ là "Other" mà không có mã nhận diện SPDX. Hai tuyên bố đó không nhất thiết xung đột — các thành phần bên thứ ba giữ các điều khoản riêng của chúng, và thẻ mô hình nói rõ như vậy — nhưng điều đó có nghĩa là tệp giấy phép đáng để đọc trước khi thứ này đến gần bất kỳ sản phẩm nào.

Kiến trúc này là một canh bạc đặt vào token, không phải vào một mô hình lớn hơn

WeVisOne-VL-2B được xây dựng trên Qwen3-VL, có khoảng 2 tỷ tham số và làm một điều hơi khác thường đối với một mô hình thị giác - ngôn ngữ: nó tách việc phát hiện khỏi việc vẽ.

Phía ngôn ngữ đảm nhận việc tìm kiếm. Nó có các token tọa độ chuyên dụng, <0> đến <1000>, mã hóa các hộp và điểm đã chuẩn hóa, nên một phát hiện thực chất là một chuỗi token mà mô hình phát ra trong cùng luồng với văn bản của nó. Khi mục tiêu được truy vấn không tồn tại, nó trả về None thay vì bịa ra một hộp. Đối với các tác vụ dày đặc, nó phát ra thêm một token đặc biệt, <OBJ> tại ID token 152678, ngay sau mỗi hộp được dự đoán — một dấu hiệu cho biết "thực thể này tiếp tục ở bên dưới."

Phía pixel đảm nhận việc vẽ. mask_decoder.pt đọc trạng thái ẩn tại mỗi <OBJ>, kết hợp nó với một prior hộp được mã hóa Fourier, và tạo ra mặt nạ thực tế. Nó có ba giai đoạn: một bộ thích ứng đặc trưng thị giác trên các đặc trưng ViT trước hợp nhất đa cấp của Qwen3-VL; một bộ giải mã truy vấn dẫn hướng bằng hộp với sáu khối cross-attention biến dạng; và một đầu dự đoán dày đặc được xây dựng quanh thứ mà Tencent gọi là FullCanvasAlphaCascadeHead, thứ tinh chỉnh ở S/4, S/2 và S/1 để xuất ra các alpha matte liên tục độ phân giải đầy đủ ở stride 1.

Lựa chọn thiết kế quan trọng là lựa chọn cuối cùng. Hầu hết các grounded VLM đều trả về mặt nạ nhị phân hoặc một đa giác. Alpha matte là bản đồ độ mờ theo từng pixel, có cạnh mềm — thứ bạn cần để ghép một người vào nền mới mà không có quầng quanh tóc. Đó là một loại đầu ra khác với phân đoạn, và đó là lý do mô hình này tồn tại như một bản phát hành riêng thay vì là một bản tinh chỉnh của một VLM tổng quát.

Những gì bài báo khẳng định, và những gì tấm thẻ sẽ không nói với bạn

Thẻ mô hình không chứa bảng benchmark nào. Không có độ dài ngữ cảnh, không có số liệu thông lượng, không có số lượng token huấn luyện, không có yêu cầu phần cứng, không có giá. Những gì thẻ cung cấp cho bạn là giao diện, kiến trúc, mục đích sử dụng dự kiến và các hạn chế.

Các con số nằm trong bài báo, trải trên bảy bảng nhiệm vụ và hơn ba mươi benchmark theo mô tả của Tencent. Tất cả những kết quả sau đây là kết quả của chính các tác giả, do các tác giả thực hiện, và chưa được bất kỳ ai độc lập tái lập:

• Phát hiện — F1 trung bình đạt 55,2 trên COCO, 53,3 trên LVIS, 61,4 trên Dense200 và 40,4 trên VisDrone. Baseline Qwen3-VL-2B trên cùng bảng đạt 45,2, 40,8, 10,0 và 23,1. Khoảng cách trên Dense200 là điểm đáng chú ý nhất: gấp sáu lần baseline, trên một benchmark về các cảnh đông đúc.

• Từ chối — trên RefCOCOg, mô hình 2B báo cáo tỷ lệ từ chối là 50.2 đối với các truy vấn vật thể vắng mặt. Hai mô hình grounding chuyên dụng trong cùng bảng, Rex-Omni-3B và LocateAnything-3B, báo cáo 0.5 và 0.6. Khả năng nói "không có ở đó" chính là phần lớn điều phân biệt một hệ thống nhận thức với một bản demo.

• Đếm — 90.9 và 88.1 khớp chính xác trên các tập validation và test của PixMo-Count, nhưng chỉ 27.5 và 26.9 trên CLOC, 29.5 và 32.4 trên KubriCount, và 47.9 trên CountQA. Mức chênh lệch giữa các bộ dữ liệu đếm là điều trung thực nhất trong bài báo: đếm không phải là một kỹ năng duy nhất, và mô hình này giỏi ở một số kỹ năng trong đó.

• OCR — F1 trung bình là 30,5 trên HierText, 42,6 trên ICDAR2015, 42,5 trên TotalText và 62,1 trên SROIE. Đó là điểm F1 có tính đến định vị ở ngưỡng IoU 0,5, không phải độ chính xác phiên âm, nên chúng không thể so sánh với con số OCRBench mà bạn sẽ thấy được trích dẫn cho các VLM tiêu dùng.

• Phân đoạn — 79,7 IoU tích lũy trên tập xác thực RefCOCO, 73,1 trên tập xác thực RefCOCO+, 74,4 trên tập xác thực RefCOCOg và 60,9 trên tập xác thực ReasonSeg. Bài báo nêu rõ rằng các con số thuộc họ RefCOCO là cIoU và các con số của ReasonSeg là gIoU.

• Matting — trên P3M-500-NP với prompt khung, độ lệch tuyệt đối trung bình là 6,6 so với 15,4 của SAM2-Matting. Trên AM-2K, 5,7 so với 12,1. Trên tập phân tách referring khó hơn của WeRefMat, 15,8 so với 23,0 của pipeline Qwen3-VL-8B kết hợp SAM2-Matting. Càng thấp càng tốt ở tất cả các chỉ số này.

Có một điểm mâu thuẫn nội bộ đáng biết trước khi bạn trích dẫn 4B: mô hình nhỏ hơn thực ra lại vượt mô hình lớn hơn ở matting P3M-500-NP, 6.6 so với 7.3 MAD. Tencent không giải thích lý do, và đó là lời nhắc rằng đây là các bảng chạy một lần, không phải bảng xếp hạng đã ngã ngũ.

Nơi bằng chứng còn ít ỏi

Phần giới hạn của chính bài báo thẳng thắn một cách bất thường, và nó nên định hình cách bạn đọc mọi thứ ở trên. Bài báo nói rằng lượng dữ liệu huấn luyện đa dụng hạn chế “có thể làm suy giảm các năng lực tổng quát so với mô hình gốc”. Nói cách khác: quá trình tinh chỉnh giúp nó giỏi về nhận thức có thể đã khiến nó kém hơn trong vai trò trợ lý tổng quát. Không có gì trong bài báo kiểm chứng điều đó — không có MMMU, không có MMBench, không có DocVQA, không có bộ đánh giá tạo chú thích hình ảnh nào trong cả bảy bảng.

Ba hạn chế còn lại mang tính kiến trúc chứ không thể khắc phục bằng cách đặt lời nhắc. Mô hình tạo đầu ra có cấu trúc mà không có chuỗi suy luận, nhằm mục đích hiệu quả suy luận; nó là đơn lượt; và bộ giải mã điểm ảnh từ chối lưới video. Tencent cũng lưu ý rằng các lời nhắc đánh giá là "rõ ràng, được định dạng tốt và không mơ hồ" trong khi hướng dẫn của người dùng thực tế thường mơ hồ — một sự thừa nhận thẳng thắn rằng bối cảnh đánh giá tâng bốc mô hình.

Và những khoảng trống thực tế là những thứ mà một kỹ sư gặp phải đầu tiên. Không có độ dài ngữ cảnh nào được công bố. Các giai đoạn huấn luyện của bài báo đã dùng 4.096 và 8.192 token, và suy luận giới hạn mỗi ảnh ở 1.960 token thị giác với giải mã tham lam, nhưng không có gì trong đó là cửa sổ ngữ cảnh triển khai được nêu rõ. Không có GGUF, không có bản dựng lượng tử hóa, không có xuất ONNX và không có đề cập đến Apple Silicon. Không có endpoint được lưu trữ từ Tencent, và không có nhà cung cấp suy luận nào phục vụ nó.

Chạy nó, nếu bạn muốn.

Cách được hỗ trợ là gói riêng của Tencent. Cài đặt nó từ kho lưu trữ GitHub, sau đó tải checkpoint theo tên và gọi predict với một hình ảnh, một tác vụ, một truy vấn và một nhiệt độ. Thẻ này cũng cho thấy một lộ trình Transformers thông qua pipeline image-text-to-text, và liệt kê vLLM, SGLang, Docker, Colab và Kaggle là các phương thức triển khai.

Hai điều sẽ khiến bất kỳ ai đọc lướt phải trả giá. Thứ nhất, mask_decoder.pt không phải là tùy chọn — hãy tải nó cùng với các trọng số, nếu không các tác vụ dense sẽ chẳng có gì để chạy. Thứ hai, mặc định là giải mã tham lam ở nhiệt độ bằng không, và thẻ mô hình khuyến nghị cứ để nguyên như vậy; đây là một mô hình phát ra tọa độ có cấu trúc, và việc lấy mẫu chẳng giúp gì cho nó.

Đây cũng là điểm mà một lớp định tuyến thực sự có liên quan, và đáng để nói chính xác điều đó có nghĩa gì ở đây. OrcaRouter không phục vụ WeVisOne-VL-2B — mô hình này không có trong danh mục của chúng tôi, và chúng tôi sẽ không giả vờ điều ngược lại. Điều mà một bộ định tuyến giúp ích là phép so sánh xung quanh nó: nếu bạn đang đánh giá một mô hình nhận thức tự lưu trữ so với các mô hình thị giác đa dụng được lưu trữ, thì những mô hình được lưu trữ đó nằm sau một khóa API với giá niêm yết của nhà cung cấp và không có phụ phí, vì vậy việc xây dựng một bộ khung đánh giá không có nghĩa là phải ký ba hợp đồng. Chuyển đổi dự phòng tự động giữ cho phía được lưu trữ của bộ khung đó hoạt động trong khi máy GPU của bạn đang bận, và DSL định tuyến cho phép bạn đặt một lệnh gọi tự lưu trữ và một lệnh gọi được lưu trữ sau một điểm cuối duy nhất trong khi bạn quyết định cái nào xứng đáng có một vị trí trong môi trường sản xuất.

Điều gì sẽ biến thứ này từ một kho lưu trữ thành một câu chuyện?

Ba thứ, chưa có thứ nào tồn tại ở thời điểm này. Một lần chạy độc lập là điều lớn nhất: mọi con số ở trên đều là của Tencent, trên harness của Tencent, và tỷ lệ từ chối cùng các delta matting đúng là kiểu tuyên bố sẽ thay đổi khi người khác chạy chúng. Một thông báo là thứ thứ hai — repository, bài báo và trang dự án đều là của bên thứ nhất, nhưng không thứ nào trong số đó là một màn ra mắt, và một bài viết đàng hoàng nhiều khả năng sẽ mang theo các chi tiết huấn luyện mà bài báo nén lại. Hỗ trợ framework là thứ thứ ba: thẻ liệt kê vLLM và SGLang, nhưng một kernel đã được hợp nhất hoặc một bản chuyển đổi checkpoint chính thức là một mức cam kết khác với một dòng trong bảng triển khai.

Cho đến khi một trong số đó ra mắt, mô tả chính xác về WeVisOne-VL-2B là thế này. Đây là một mô hình nhận thức 2B với giao diện thông minh — tọa độ dưới dạng token, thực thể dưới dạng điểm đánh dấu, pixel dưới dạng một bộ giải mã riêng — báo cáo mức cải thiện lớn so với mô hình cơ sở của chính nó trên phát hiện, từ chối và matting, không công bố bất kỳ con số nào về năng lực tổng quát, và không ai có thể gọi nó qua API. Nếu bạn cần tách một người ra khỏi ảnh chụp và giữ nguyên mái tóc, sự kết hợp đó đủ thú vị để tải về. Nếu bạn cần một trợ lý thị giác trả lời câu hỏi về một bức ảnh, đây không phải tệp bạn đang tìm, và bài báo đủ thẳng thắn để nói như vậy.