腾讯微信开源 WeVisOne-VL：2B/4B 一个模型统管检测、分割与抠图
腾讯微信视觉团队放出 WeVisOne-VL（WeChat Vision All-in-One），2B/4B 两个尺寸、Apache-2.0，底座是 Qwen3-VL。它把此前分散的物体级与像素级任务压进同一套结构化 next-token 预测：开放词表检测、指代定位、计数、点选、OCR 定位，以及指代分割与可提示抠图，输出粒度从点、框一路延伸到掩码与 alpha 通道。
关键改法是一个 9.5M 参数的轻量像素解码器：模型在预测框后吐一个特殊 <OBJ> token（词表 ID 152678），解码器据此出实例级稠密结果；坐标则用 <0>…<1000> 专用 token 表示归一化框与点。训练是三阶段课程 SFT 加混合任务 RL，直接优化整段预测质量而非单个 token 的似然。
30 多个基准的官方成绩并不整齐：COCO 零样本 F1@IoU0.5 上 4B 版 74.0 对 LocateAnything-3B 的 70.1，Dense200 上 86.9 对 74.0；但换到 LVIS 的严格阈值 IoU0.95，4B 版 28.8 反而低于对手 31.1。真正的变化在流水线：过去要拼接检测器、分割模型与抠图模型的三段式，现在可以退化成一次前向。边界是这些全是厂商自测，且像素解码器拒收视频网格，当前只支持单轮图像感知。
原文链接：Tencent / arXiv 论文页
核验记录
日期双证：arXiv 2610.31329 的 citation_date 与 citation_online_date 均为 2026/10/22（abs 页直读）；HF tencent/WeVisOne-VL-2B 与 -4B 两个仓 createdAt 2026-10-22T09:47/09:48Z。成绩取自 arXiv HTML 正文 Table 2（COCO/LVIS/Dense200/VisDrone 的 F1@0.5 / 0.95 / mean），全部为官方自测，本轮未第三方复跑。腾讯侧未见对应新闻稿页，日期按论文页与权重仓互证定。配图为 HF 模型页 og:image，裸请求与带站内 Referer 双 200 / PNG 1200x648。