在目标识别领域，传统模型常需人工判断是否存在目标，存在明显局限性。WeVisOne-VL则开创性突破，采用单一模型集成多种任务，在‘图里没有’的评测中，其回答比例高达86.0%，在自建评测集中也达到96.4%，显著提升识别准确性。同时，该模型能同时完成找物体、数数量、读文字、分割和抠图等多项任务，摆脱任务切换带来的模型适配成本。团队通过严谨训练与标注流程优化，让模型在正确判定目标与精准处理细节方面达到较高水平，并开放了2B、4B版本模型权重，支持在线体验与本地部署，为视觉目标处理提供了高效解决方案。
--91likeyou---
当没有符合目标的答案时，它会直接返回 None。
项目与代码：Tencent / WeVisOne-VL
技术报告：
在线体验：
模型权重：
公开评测复现说明：
解决｜先教它分清有没有，再让一个模型干多种活
○专门练习“图里没有”的题
要让模型敢说“没有”，就得让它在训练里见到这类题：出这类题并不简单，因为模型没找到，不代表图里真的没有，也可能只是漏看了。
所以团队会对照整张图逐条复核：确认没有任何对象同时满足描述里的属性、动作和关系，才把它当作“没有”的题；一旦发现目标，就改回正常标注。
训练时还会重点练两类错题：一类是图里没有、模型却硬框了；另一类是图里有、模型却漏了或选错了。 两类一起练，模型才不会为了少犯错，动不动就说“没有”。
但只会拒绝也不行。在 WeRef-Bench 中图里确有目标的题目上，4B 的定位得分为 78.7，同表最高对比模型为 51.7。面对确认没有目标的题，只有什么都不框，模型才能拿到奖励。 它没有因为学会说“没有”，就变得不敢找。
○用 1 亿张标注图，教它找得准、描得细
图里真有目标时，还得找得准、描得细。为此，团队搭建了一套自动标注流程，由多个模型定位、交叉校验，再补上轮廓和透明度，累计标注超过 1 亿张图像、约 36 亿个目标框。
○画框、读字、抠图，交给同一个模型
找东西要画框，读字要给出文字和位置，抠图要精确到每个像素，过去这些往往分给不同模型来做。WeVisOne-VL 把它们写成同一种输出格式，一个模型全部学会，换任务不用换模型。
例如：一张海边照片，让模型把照片里的人找出来。同一张图，三种结果的差别是这样的：
图：基于 WeVisOne-VL 示例原图与抠图结果制作，框和分割为对比示意。
- 框：画一个矩形，告诉你人大概在哪。但框里还带着海水和栏杆，没法直接拿去用。
- 分割：沿着人的轮廓描边，每个像素只分“是人”或“不是人”。被风吹乱的发丝很细，夹在海水之间，一刀切下去边缘发硬、带毛刺。
- 抠图：再算出边缘每个像素“有几分是人”。发丝处可能只有三成是人、七成是海水，放到新背景上，飘起的头发也能自然保留。
后两种都要精确到像素。以前的常见做法是先用一个模型画框，再把框交给 SAM（Meta 开源的通用分割模型），由它沿着轮廓把目标分出来；而在WeVisOne-VL 则用模型里一个约 960 万参数的小模块直接完成，不需要再额外接一个 SAM。
○合进一个模型后，单项成绩并没有变弱
开源｜可在线试用，也可本地部署
项目已开源2B、4B 两个版本的权重，以及技术报告、教程、评测代码和标注工具 Mask2Alpha，采用 Apache 2.0 许可。可以先在网页 Demo 试用，也可以在本地运行。
文中数据来自团队技术报告。当前版本只支持图片输入。
从判断“有没有”，到给出框、文字和抠图，WeVisOne-VL 把这些放进了同一个模型。图里有，就尽量找准；图里没有，就大声说 None。
项目与代码：Tencent / WeVisOne-VL
技术报告：
在线体验：
模型权重：
公开评测复现说明：
题图来自Unsplash，基于CC0协议
🔥 热词：#微信用户突破1亿时间 · #微信用户数量突破1亿是在哪一年 · #微信用户量突破10亿用了多久 · #微信用户量突破10亿用了几年 · #微信2亿图片制作神器 · #微信张小龙身价多少亿 · #微信2亿截图高清版 · #微信用户数量突破10亿用了多久