WeVisOne-VL-4B：Tencent 未發佈宣傳貼文便推出的 4B 視覺模型

在 P3M-500-NP 這個從影像擷取柔邊的標準基準上，騰訊能找到用來比較的最佳 alpha 遮罩，平均絕對差為 15.4。WeVisOne-VL-4B 的得分是 7.3。這大約是專用去背管線誤差的一半，而產生這個結果的，是一個 40 億參數的視覺語言模型；它用同一組權重也能執行偵測、計數、OCR 與分割。WeVisOne-VL-4B 是微信視覺團隊試圖把一堆感知專才壓縮成單一的下一個 token 預測器，確實是有趣的工作。但它目前還不是產品：本網站找不到騰訊的部落格文章、新聞稿、託管端點，也找不到任何形式的公告。權重於 2026 年 10 月 22 日上傳到 Hugging Face，此後模型就一直低調公開。

本文是對這些儲存庫實際內容的逐項呈現，並把兩件容易混淆的事區分開來：哪些是你下載模型後就能親自驗證的，哪些則只是騰訊自家論文所宣稱的。兩者都重要。但其中只有一項算得上是證據。

發布了什麼，以及何時？

這份紀錄異常清楚，因為所有內容都有時間戳記。Hugging Face 儲存庫 tencent/WeVisOne-VL-4B 建立於 2026 年 10 月 22 日 09:48 UTC；GitHub 儲存庫 Tencent/WeVisOne-VL 則早五十分鐘建立，時間是同日上午 08:58 UTC；arXiv 論文 2610.31329 的提交日期為 10 月 22 日。一個 2B 的兄弟模型 tencent/WeVisOne-VL-2B，也與它一同出現。

截至撰寫本文時，4B 儲存庫已於隔天早上再次被修改，並累積了幾個讚，卻沒有什麼有意義的下載量。這些計數只是快照，並非定論，但它們確實透露了論文無法告訴你的事：幾乎還沒有人拉取這個模型。該 GitHub 儲存庫有 46 顆星和少數幾個 fork，而它的 README 待辦清單本身就是一份狀態報告——推論套件、cookbooks 與評估管線都已勾選完成；Gradio 示範和微調程式碼則尚未完成。

所以準確的描述既不是「外洩」，也不是「發布」。這是一次官方的開源釋出，具備一整套發布所需的配套——論文、權重、程式碼、基準測試流程——卻沒有任何行銷宣傳。後續是否會有正式公告，目前不得而知。任何人若寫成騰訊「揭曉」或「發布」了這個模型，都是在描述一件尚未發生的事。

一個主幹，七種輸出類型

這個架構沒有基準測試表聽起來那麼玄奇。WeVisOne-VL-4B 是一個 Qwen3-VL 模型——儲存庫中介資料將 Qwen3VLForConditionalGeneration 列為架構，並列出 48.3 億個 F32 參數——在模型卡上四捨五入為 5B——經微調以輸出結構化座標 token，而非自然語言文字。框與點會編碼為從 <0> 到 <1000> 的 token，並相對於影像歸一化，這就是語言模型最終進行幾何運算而非描述的方式。

像素層級的那一半才是值得理解的部分。模型在每個預測框之後會發出一個特殊 token，<OBJ>，其隱藏狀態會饋入一個獨立的 960 萬參數解碼器，該解碼器以 mask_decoder.pt 形式提供。那個解碼器——由視覺特徵適配器、六個可變形交叉注意力區塊，以及一個在步長 4、2、1 上進行細化的級聯頭組成——會把框轉成實例遮罩，再轉成全解析度 alpha matte。這不是呼叫 SAM。迴圈中沒有第二個模型、沒有提示編碼器、也沒有外部分割器。整條像素路徑就是拴在語言模型上的 960 萬參數。

這樣的設計選擇解釋了基準測試的表現特徵。由於遮罩與去背（matte）是以模型剛剛預測的同一個框為條件，模型不需要人工提供的框就能進行分割；它可以被要求找出「拿著雨傘的人」，並回傳正好屬於該實例的去背結果。取捨在於，像素解碼器從未透過遮罩層級的獎勵進行學習——論文的強化學習階段會對框、指向與 OCR 轉錄評分，但完全沒有使用遮罩或 alpha 獎勵。稠密輸出僅以監督式損失進行訓練。

這些數字，以及這些數字屬於誰

以下每個數字都來自騰訊的論文或專案的 README。沒有任何一項經過第三方重現，而且比較集是由作者挑選的。對一篇才發表兩天的論文來說，這很正常；而這也恰恰是廠商表格會自我美化的情境，因此請把這些差距幅度視為宣稱，而非測量結果。

標題宣稱，相較於作者為每項任務列出的最強開放基線：

• 偵測，LVIS F1 平均 — WeVisOne-VL-4B 為 55.3，最佳基線則為 50.7

• 密集偵測，Dense200 F1 平均值 — 71.3 對 58.7

• 指代，RefCOCOg 測試 F1 平均值 — 81.8 對 77.6

• 拒答，WeRef-Bench — 目標不存在的查詢正確拒答率為 96.4%，相較之下為 73.0%

• 計數，PixMo-Count 測試準確率 — 89.6 對 82.8

• OCR、TotalText F1 平均 — 52.0 對 43.3

• 指代分割，ReasonSeg 驗證 gIoU — 71.2 對 65.0

• 盒式拼接，P3M-500-NP MAD — 7.3 對 15.4，數值越低越好

資訊量最大的那一列並不在那份清單裡。與 Qwen3-VL-4B（相同主幹、未經修改）相比，在 Dense200 上的差距是 71.3 對 15.2，在 VisDrone 上則是 44.7 對 31.0。基礎視覺語言模型在密集小物件偵測上幾乎毫無用處，而微調則把它推進到專家級的水準。這比任何與前沿模型的比較都更站得住腳：作者展示的是，一個 4B 的通用模型能在不成長的前提下，被轉化成一個稱職的定位器。

它停止運作的地方

這些限制都寫在模型卡上，而且並非表面功夫。此模型每輪只處理單一張影像——影片網格會被像素解碼器直接拒絕，因此這不是影片分割工具，它也沒有假裝是。它會直接產生結構化輸出，沒有思維鏈，這意味著無法要求它在確定邊界框之前先對模糊的查詢進行推理。Alpha 品質會在細微邊界、嚴重遮擋與真正透明的材質上下降，而且它對提示詞的措辭很敏感——「那位女士的頭髮」和「她的頭髮」不保證會傳回相同的遮罩。

拒絕行為是最容易被低估的功能。對不存在的目標回傳 None，聽起來微不足道，直到你在影片串流上跑過偵測器，親眼看著它在空蕩蕩的停車場裡憑空幻想出一名行人。在 WeRef-Bench 上 96.4% 的拒絕率，對比最佳基線的 73.0%，正是「能直接放進管線的元件」與「還得靠第二個模型把關的元件」之間的差別所在。

你實際上會如何執行它

模型卡記載了四種服務路徑：專案自有的推論套件、Transformers image-text-to-text 管線、vLLM 與 SGLang，外加 Docker Model Runner 的一行指令。解碼採貪婪式，每張圖片最多 1,960 個視覺 token。在 F32 下，4.83B 參數的檢查點在磁碟上約 19 GB，這還不含 9.6M 參數的解碼器；以 bfloat16 載入可將此減半。無論如何都需要自訂推論程式碼——mask_decoder.pt 是必要元件，而非選用額外項目，且標準 Transformers 載入會提供邊界框與文字，但不會提供遮罩。

目前沒有代管 API，也沒有公開定價，所以誠實地說，WeVisOne-VL-4B 現階段是一項自行託管的決定。如果你真正想要的是本週就讓 Qwen3-VL 感知流程進入生產環境，而不必為了昨天才釋出的權重去準備 GPU，Qwen3-VL-8B instruct 版本可透過 OrcaRouter 取得——一組金鑰即可存取超過 200 個模型，供應商定價以 0% 加價原樣轉嫁，且上游端點不穩時會自動故障轉移。那是主幹模型系列，不是微調版。它會給你邊界框和描述；它不會給你 alpha 遮罩。

看什麼

有三件事能讓它從「有趣的論文」變成「你應該評估的模型」。第一是獨立執行基準測試——任何人在留出集上重現去背數值，就能釐清最大的未解問題。第二是託管端點，由 Tencent 或任何其他單位提供，這能告訴你推論路徑是否穩健到足以提供服務。第三是仍擱在 README 的 TODO 清單上未經檢查的微調程式碼；少了它，要讓去背頭適應特定產品目錄就只能靠猜測。

在此之前，公允的總結是這樣：騰訊發佈了一個小型模型，它做到了真正不尋常的事——從語言模型直接產生全解析度的 alpha 遮罩，流程中沒有 SAM——而且這麼做時並未刻意吸引關注。針對騰訊撰寫的程式碼，權重採用 Apache 2.0。這些說法都是作者自己的主張。這兩項事實都可查證，而在你據此規劃之前，應該先查證它們。