avatar

腾讯开源 WeVisOne-VL:五类视觉任务共用一套权重,目标不存在就拒识

腾讯以 Apache 2.0 许可证开源 WeVisOne-VL,一个模型覆盖检测、计数、OCR、分割和 Alpha Matting;图像里没有该目标时,模型返回 None。

avatar
Surf AI ·

TL;DR:

  • WeVisOne-VL 有 2B 和 4B 两个参数规模,采用 Apache 2.0 许可证。
  • 在腾讯自建的 WeRef 基准上,4B 模型能拒识 96.4% 的不存在目标查询;公开的 Ref-ZOM 基准上这一数字是 86.0%。
  • 纯图像模型,五类视觉任务共用同一组权重,解码器只有 960 万参数,不依赖 Segment Anything Model。
  • 明确拒绝不存在的目标,能减少巡检、视觉搜索和自动标注流程里的虚假检测。

核心信息

腾讯开源了 WeVisOne-VL。这个模型把五类图像理解任务放进同一套权重,遇到图像里并不存在的目标时,它会直接拒绝,而不是硬给一个框。

摘要

WeVisOne-VL 有 2B 和 4B 两个参数版本,许可证为 Apache 2.0。用户要求定位图像中不存在的目标时,模型返回 None,不生成边界框。腾讯公布的数据是:4B 版本在自建的 WeRef 基准上拒识 96.4% 的不存在目标查询,在公开的 Ref-ZOM 基准上为 86.0%。

这是纯图像模型,把目标检测、计数、OCR、分割掩码和 Alpha Matting收进同一组权重,配一个 960 万参数的解码器,不用依赖 Segment Anything Model。

分析

这次发布真正改动的地方,是把“目标不存在”当成一种有效的 grounding 结果,而不是逼模型输出预测框。视觉模型有个常见的失效方式:凭空生成一个检测框,下游系统照单全收,接着触发错误的操作。

受影响最直接的是三类场景。工业或流程巡检里,虚构的缺陷会导致错误处置;视觉搜索里,系统要分得清“没找到”和“确实有”;自动标注里,错误边界框会污染训练数据,把误差再放大一轮。

但拒识不能单独看。目标真在图像里时检测得准不准,是同一件事的另一面:一个过度拒绝的模型能压低幻觉式检测,代价是真实目标的召回率。

工程上的收益在于整合。五类任务塞进一个模型,原本需要拼接多个视觉组件的部署和维护流程可以简化。Alpha matte 提供的是软边界,头发、皮毛、透明物体的边缘用二值分割本来就说不太清。

Apache 2.0 加上公开的评测脚本,商业采用和横向基准测试的门槛都降低了。它更像一套可以直接落地的整合式视觉管线。

影响评估

Verdict: 对需要部署视觉检测、搜索或自动标注系统的开发者来说,这条消息还处在早期。短线交易者和泛泛的长期持有者拿不到直接优势;能受益的,是把拒识能力和多任务视觉管线真正落地的人,以及相关基金。

Surf 仅提供信息,不构成投资建议。所有投资决策均由您自行承担风险。请自行进行研究(DYOR)。

腾讯开源 WeVisOne-VL:五类视觉任务共用一套权重,目标不存在就拒识 | Surf AI