WeVisOne-VL-4B: Mô hình thị giác 4B mà Tencent công bố mà không có bài đăng ra mắt

Trên P3M-500-NP, một benchmark chuẩn để trích xuất cạnh mềm từ một hình ảnh, alpha matte tốt nhất mà Tencent có thể tìm được để so sánh đạt chênh lệch tuyệt đối trung bình là 15,4. WeVisOne-VL-4B đạt 7,3. Đó là mức lỗi chỉ bằng khoảng một nửa so với một pipeline matting được xây dựng chuyên dụng, do một mô hình ngôn ngữ - thị giác 4 tỷ tham số tạo ra, mô hình này còn thực hiện phát hiện, đếm, OCR và phân đoạn từ cùng một bộ trọng số. WeVisOne-VL-4B là nỗ lực của nhóm WeChat Vision nhằm gộp một loạt chuyên gia nhận thức thành một bộ dự đoán token tiếp theo duy nhất, và đây thực sự là một công trình thú vị. Điều mà nó chưa phải, vào lúc này, là một sản phẩm: không có bài đăng blog nào của Tencent, không có thông cáo báo chí, không có endpoint được host, và không có bất kỳ thông báo nào mà trang này có thể tìm thấy. Các trọng số đã được đưa lên Hugging Face vào ngày 22 tháng 10 năm 2026 và kể từ đó mô hình đã công khai, một cách lặng lẽ.

Bài viết này là bản trình bày về những gì các kho lưu trữ thực sự chứa, và tách biệt hai điều dễ bị nhầm lẫn: những gì bạn có thể xác minh bằng cách tải mô hình xuống, và những gì chỉ bài báo của chính Tencent khẳng định. Cả hai đều quan trọng. Chỉ một trong số đó là bằng chứng.

Đã xuất bản gì, và khi nào

Bản ghi này sạch một cách bất thường vì mọi thứ đều được đánh dấu thời gian. Kho lưu trữ Hugging Face tencent/WeVisOne-VL-4B được tạo lúc 09:48 UTC ngày 22 tháng 10 năm 2026; kho lưu trữ GitHub Tencent/WeVisOne-VL được tạo sớm hơn năm mươi phút, lúc 08:58 UTC cùng buổi sáng; bài báo arXiv, 2610.31329, có ngày gửi là 22 tháng 10. Một mô hình anh em 2B, tencent/WeVisOne-VL-2B, xuất hiện cùng với nó.

Vào thời điểm viết bài, kho lưu trữ 4B đã được chỉnh sửa thêm một lần nữa vào sáng hôm sau, và đã tích lũy được vài lượt thích cùng không có con số tải xuống đáng kể nào. Những bộ đếm đó là một ảnh chụp nhanh, không phải một phán quyết, nhưng chúng thực sự cho bạn biết điều mà bài báo không thể: gần như chưa ai tải mô hình này xuống. Kho lưu trữ GitHub có 46 sao và một vài bản fork, và danh sách TODO trong README của nó tự nó là một báo cáo trạng thái — gói suy luận, cookbook và pipeline đánh giá đã được đánh dấu hoàn thành; một bản demo Gradio và mã tinh chỉnh thì chưa.

Vậy nên mô tả chính xác không phải là "một vụ rò rỉ" và cũng không phải "một màn ra mắt." Đó là một đợt phát hành mã nguồn mở chính thức với đầy đủ bộ khung của một bản phát hành — bài báo, trọng số, mã nguồn, quy trình đánh giá chuẩn — và không hề có phần tiếp thị. Việc có một thông báo tiếp theo hay không vẫn chưa rõ. Bất kỳ ai viết rằng Tencent đã "công bố" hay "ra mắt" mô hình này đều đang mô tả một sự kiện chưa hề xảy ra.

Một nền tảng cốt lõi, bảy loại đầu ra

Kiến trúc này không kỳ lạ đến mức bảng benchmark gợi ra. WeVisOne-VL-4B là một mô hình Qwen3-VL — siêu dữ liệu của kho lưu trữ ghi Qwen3VLForConditionalGeneration là kiến trúc và liệt kê 4,83 tỷ tham số ở F32 — được làm tròn thành 5B trên thẻ mô hình — được tinh chỉnh để phát ra các token tọa độ có cấu trúc thay vì văn xuôi. Các hộp và điểm được mã hóa thành token từ <0> đến <1000>, được chuẩn hóa theo hình ảnh, và đó là cách một mô hình ngôn ngữ lại đi làm hình học thay vì mô tả.

Phần ở mức điểm ảnh là phần đáng để hiểu. Sau mỗi hộp dự đoán, mô hình phát ra một token đặc biệt, <OBJ>, mà trạng thái ẩn của nó được đưa vào một bộ giải mã riêng biệt có 9,6 triệu tham số, được đóng gói dưới dạng mask_decoder.pt. Bộ giải mã đó — gồm một bộ thích ứng đặc trưng thị giác, sáu khối cross-attention biến dạng và một đầu cascade tinh chỉnh ở stride 4, 2 và 1 — biến hộp thành mặt nạ instance rồi thành alpha matte độ phân giải đầy đủ. Đây không phải là một lệnh gọi SAM. Không có mô hình thứ hai trong vòng lặp, không có bộ mã hóa prompt, không có bộ phân đoạn bên ngoài. Toàn bộ đường đi điểm ảnh là 9,6M tham số được gắn vào một mô hình ngôn ngữ.

Lựa chọn thiết kế đó giải thích đặc điểm benchmark. Vì mặt nạ và matte được điều kiện hóa trên cùng hộp mà mô hình vừa dự đoán, mô hình không cần hộp do con người cung cấp để phân đoạn; có thể yêu cầu "người đang cầm ô" và trả về matte cho đúng thực thể đó. Đánh đổi là bộ giải mã điểm ảnh không bao giờ học từ phần thưởng ở cấp mặt nạ — giai đoạn học tăng cường của bài báo chấm điểm hộp, pointing và phiên âm OCR, nhưng không dùng phần thưởng mặt nạ hay alpha nào cả. Đầu ra dày đặc chỉ được huấn luyện bằng mất mát có giám sát.

Những con số, và chúng là số của ai

Mọi con số dưới đây đều đến từ bài báo của Tencent hoặc README của dự án. Chưa có con số nào được bên thứ ba tái lập, và bộ so sánh do chính các tác giả lựa chọn. Điều đó là bình thường với một bài báo mới ra đời hai ngày, và đây cũng chính là tình huống mà một bảng số liệu của nhà cung cấp thường tự tô hồng mình, nên hãy coi các khoảng cách đó là những tuyên bố chứ không phải số đo.

Tiêu đề tuyên bố, so với baseline mở mạnh nhất mà các tác giả liệt kê cho từng tác vụ:

• Phát hiện, LVIS F1 trung bình — WeVisOne-VL-4B 55,3 so với 50,7 của baseline tốt nhất

• Phát hiện dày đặc, F1 trung bình Dense200 — 71,3 so với 58,7

• Referring, F1 trung bình trên tập kiểm tra RefCOCOg — 81.8 so với 77.6

• Từ chối, WeRef-Bench — 96,4% truy vấn không có mục tiêu được từ chối chính xác so với 73,0%

• Đếm, độ chính xác kiểm thử PixMo-Count — 89.6 so với 82.8

• OCR, TotalText F1 trung bình — 52,0 so với 43,3

• Phân đoạn theo tham chiếu, gIoU trên tập val ReasonSeg — 71,2 so với 65,0

• Thảm lót hộp, P3M-500-NP MAD — 7.3 so với 15.4, càng thấp càng tốt

Dòng giàu thông tin nhất không nằm trong danh sách đó. So với Qwen3-VL-4B — cùng backbone, không chỉnh sửa — khoảng cách trên Dense200 là 71,3 so với 15,2, và trên VisDrone là 44,7 so với 31,0. Một mô hình ngôn ngữ-thị giác cơ sở gần như vô dụng trong phát hiện vật thể nhỏ dày đặc, và quá trình fine-tune đưa nó vào lãnh địa của chuyên gia. Đó là một tuyên bố dễ bảo vệ hơn bất kỳ so sánh nào với một mô hình tiên phong: các tác giả đang cho thấy một mô hình tổng quát 4B có thể được chuyển đổi thành một bộ định vị có năng lực mà không cần tăng kích thước.

Nơi nó ngừng hoạt động

Các hạn chế được nêu trên thẻ mô hình và chúng không phải là chi tiết hình thức. Mô hình chỉ xử lý một hình ảnh mỗi lượt — lưới video bị bộ giải mã pixel từ chối thẳng thừng, vì vậy đây không phải là công cụ phân đoạn video và cũng không giả vờ như vậy. Nó tạo ra đầu ra có cấu trúc trực tiếp, không có chuỗi suy luận, nghĩa là không có cách nào yêu cầu nó suy luận về một truy vấn mơ hồ trước khi đưa ra một hộp. Chất lượng alpha giảm trên các ranh giới mảnh, vùng bị che khuất nhiều và vật liệu trong suốt thực sự, đồng thời nó nhạy cảm với cách diễn đạt câu lệnh — "tóc của người phụ nữ" và "tóc của cô ấy" không được đảm bảo trả về cùng một matte.

Hành vi từ chối là tính năng dễ bị đánh giá thấp nhất. Việc trả về None cho một mục tiêu không hiện diện nghe có vẻ tầm thường cho đến khi bạn chạy một bộ phát hiện trên luồng video và thấy nó ảo giác ra một người đi bộ trong một bãi đỗ xe trống. Tỷ lệ từ chối 96,4% trên WeRef-Bench, so với mức tốt nhất 73,0% của baseline, là khác biệt giữa một thành phần bạn có thể đưa vào pipeline và một thành phần bạn phải bảo vệ bằng một mô hình thứ hai.

Cách bạn thực sự sẽ chạy nó

Model card ghi lại bốn đường phục vụ: gói suy luận riêng của dự án, một pipeline Transformers image-text-to-text, vLLM và SGLang, cùng một lệnh một dòng Docker Model Runner. Giải mã là tham lam, với giới hạn 1.960 token thị giác mỗi ảnh. Ở 4,83 tỷ tham số trong F32, checkpoint nặng khoảng 19 GB trên đĩa, trước bộ giải mã 9,6 triệu tham số; tải bằng bfloat16 giảm một nửa con số đó. Bạn sẽ cần mã suy luận tùy chỉnh bất kể thế nào — mask_decoder.pt là thành phần bắt buộc, không phải tùy chọn thêm, và một lần tải Transformers tiêu chuẩn sẽ cho bạn hộp và văn bản nhưng không có mặt nạ.

Không có API được host sẵn và không có giá công bố, nên cách nói trung thực là WeVisOne-VL-4B hiện là một quyết định tự vận hành. Nếu điều bạn thực sự muốn là pipeline nhận thức Qwen3-VL chạy trong môi trường production tuần này, mà không phải cấp phát GPU cho các trọng số vừa ra mắt ngày hôm qua, thì bản instruct Qwen3-VL-8B có sẵn qua OrcaRouter — một khóa cho hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển nguyên qua với mức markup 0%, và tự động chuyển đổi dự phòng nếu một endpoint thượng nguồn chập chờn. Đó là dòng backbone, không phải bản fine-tune. Nó sẽ cho bạn các hộp và mô tả; nó sẽ không cho bạn alpha matte.

Xem gì

Ba điều sẽ đưa thứ này từ “bài báo thú vị” thành “mô hình bạn nên đánh giá”. Đầu tiên là một lần chạy benchmark độc lập — bất kỳ ai tái lập được các con số matting trên một tập held-out sẽ giải quyết được câu hỏi mở lớn nhất. Thứ hai là một endpoint được host, từ Tencent hoặc bất kỳ ai khác, sẽ cho bạn biết liệu luồng suy luận có đủ vững chắc để phục vụ hay không. Thứ ba là mã tinh chỉnh đang nằm chưa được kiểm tra trong danh sách TODO của README; nếu không có nó, việc điều chỉnh head matting cho một danh mục sản phẩm cụ thể chỉ là phỏng đoán.

Cho đến lúc đó, bản tóm tắt công bằng là thế này: Tencent đã công bố một mô hình nhỏ làm được một việc thực sự khác thường — tạo ra alpha matte độ phân giải đầy đủ từ một mô hình ngôn ngữ, không có SAM trong quy trình — và đã làm vậy mà không cần gây chú ý. Trọng số là Apache 2.0 đối với mã do Tencent tạo. Các tuyên bố là của chính các tác giả. Cả hai sự thật đó đều có thể kiểm chứng, và bạn nên kiểm chứng chúng trước khi lập kế hoạch dựa trên chúng.