模型定位
WeVisOne-VL-4B 是腾讯微信视觉团队开发的视觉语言模型,基于 Qwen3-VL,面向统一的目标级和像素级视觉感知。官方提供模型权重和推理工具;模型仓库标注为 Apache 2.0 许可,第三方组件仍须遵循各自许可。(huggingface.co)
能力与用途
- 支持开放词汇目标检测、指代定位、目标计数、指点、OCR 与文字定位,以及指代分割和提示式抠图。
- 可根据任务输出点、边界框、文本、二值掩码或连续 Alpha 蒙版;目标不存在时可返回
None。 - 通过结构化 token 预测和约 960 万参数的像素解码器,将目标级结果扩展到像素级输出。适用于视觉定位、图像分割和抠图等研究与应用开发。(github.com)
限制
模型主要面向单轮图像感知;官方说明像素解码器不支持视频网格输入。精细抠图边界会受到图像分辨率、严重遮挡、复杂透明区域和提示措辞影响。官方不建议将模型用于自主作出高影响决策或识别个人。像素级输出需要配套的 mask_decoder.pt。(huggingface.co)
发布日期
输入资料给出的日期为 2026-10-23。官方项目 README 将权重等发布信息标为 2026 年 10 月;所读取的提交历史页面未显示可核实的具体日期,因此不能确认 10 月 23 日是首次发布日期。(github.com)
价格
截至 2026-11-16,在腾讯云国内 TokenHub 定价页和腾讯云国际站定价页均未找到该模型的专属官方报价,输入和输出计费价格及单位均未核实。开源权重可用于自行部署,但计算资源等成本取决于部署环境,不能据此推定托管 API 免费。(cloud.tencent.com)