腾讯微信视觉团队基于 Qwen3-VL 的统一视觉感知模型：一个模型用文字提示完成开放词表检测、指代定位、计数、指点、OCR 定位，以及像素级的指代分割和可提示抠图（alpha matting）。
上升分 65 · 点赞 67 · 下载量 3786
理由
- 框和点用专门的坐标 token（<0> 到 <1000>，归一化坐标）直接生成，目标不存在时返回 None；密集任务在每个框后输出实例 token，再由一个 9.6M 参数的像素解码器生成全分辨率的 alpha 遮罩。
- 检测、分割、抠图走同一个 predict 接口，用 task 参数切换，用 query 写要找的对象。
- 有论文和项目页；10 月 22 日发布，此前各期没有收录。上升分 65 只代表关注度。
用法
- 从 GitHub Tencent/WeVisOne-VL 安装推理包后：model = WeVisOneVL("tencent/WeVisOne-VL-4B", device="auto", dtype="bfloat16")；result = model.predict(image, task="matting", query="person", temperature=0.0)，result.masks 是遮罩。
- 仓库里的 mask_decoder.pt 是必需组件，要和主权重放在一起。
风险
- 模型卡没有任何评测分数、显存需求和完整的 task 名称列表，只给了 matting 一个示例。
- 官方说细边缘对分辨率、严重遮挡、透明物体和提示词措辞敏感；只支持单轮单图，视频会被像素解码器拒绝；定位为研究用途，不用于识别个人身份。
- 像素解码器是 .pt 格式（可含 pickle），加载前确认来自官方仓库。