모델 개요
Tencent의 WeChat Vision 팀이 개발한 약 2B 파라미터의 시각·언어 모델이다. Qwen3-VL을 기반으로 객체 수준과 픽셀 수준의 시각 인식을 통합하며, 약 960만 파라미터의 픽셀 디코더를 사용한다. 모델 가중치와 추론 도구가 공개되어 있다. (huggingface.co)
주요 기능과 용도
- 이미지와 자연어 질의를 바탕으로 객체 탐지, 지시 대상 위치 찾기, 객체 계수, 포인팅, OCR을 수행한다.
- 지시 대상 분할과 알파 매팅을 지원하며, 작업에 따라 점, 경계 상자, 텍스트, 이진 마스크 또는 연속 알파 매트를 출력한다.
- 시각적 그라운딩, OCR 위치 지정, 이미지 분할 및 배경 제거 등의 연구에 활용할 수 있다. 대상이 없는 질의에
None을 반환하도록 설계되었다. (github.com)
제한사항
현재 단일 턴 이미지 인식을 대상으로 하며, 픽셀 디코더는 비디오 그리드를 처리하지 않는다. 세밀한 알파 경계의 품질은 이미지 해상도, 심한 가림, 복잡한 투명도와 프롬프트 표현에 영향을 받는다. 명시적인 사고 연쇄 없이 구조화된 결과를 생성하며, 자율적인 중대 의사결정이나 개인 식별 용도로 설계되지 않았다. (huggingface.co)
출시일
2026년 10월 23일: 공식 저장소에 모델 가중치와 모델 카드가 공개되었다. 저장소의 최초 커밋은 10월 22일이며, 이후 10월 28일 가중치가 BF16으로 업데이트되었다. (huggingface.co)
가격
2026년 11월 16일 조회 기준, Tencent Cloud의 중국 본토 및 국제 공식 가격 자료에서 이 모델에 적용되는 입력·출력 API 요금을 확인하지 못했다. 따라서 CNY 또는 USD 단가와 과금 단위는 미확인이다. 공개 가중치를 직접 실행할 때에도 이용 환경의 컴퓨팅 비용이 발생할 수 있다. (cloud.tencent.com)