Modellek · MarkTechPost ·
A Tencent megjelentette a WeVisOne-VL nyílt modellt látási feladatokra
A Tencent WeChat Vision csapata 2B és 4B méretű WeVisOne-VL modellt tett közzé, amely detekciót, OCR-t, szegmentálást és alfa-matting feladatokat is egyetlen modellben old meg.
A Tencent WeChat Vision csapata kiadta a WeVisOne-VL nyílt forráskódú látás-nyelvi modell 2B és 4B paraméteres változatát, amelyek a Hugging Face platformon érhetők el. Egyetlen modell kezeli a detekciót, a hivatkozás alapú keresést, a számlálást, a mutatást, az OCR-t, a szegmentálást és az alfa-matting feladatot.
A pixelszintű kimenetet egy 9,6 millió paraméteres dekóder adja, ezért külön SAM-modellre nincs szükség. Ha a keresett objektum nincs a képen, a modell „None” választ ad, nem pedig kitalált dobozt.
A modell a Qwen3-VL-re épül, és egyetlen GPU-n futtatható Transformers vagy vLLM keretrendszerrel, BF16 pontossággal. A közösségi GGUF-változat objektumszintű feladatokat 6 GB VRAM-os RTX 2060 kártyán is futtatott. A Tencent saját táblázatai szerint a modell a legtöbb, több mint 30 benchmarkon felülmúlja az azonos méretű modelleket; a Dense200 sűrű detekciós tesztben 71,3 F1-átlagot ért el, szemben a LocateAnything-3B 58,7 pontjával. Gyengeség viszont, hogy a PR-Bench tesztben 52,6%-os elutasítási arány mellett sok, a képen nem szereplő célra is ad dobozt.
Miért fontos neked?
Azoknak a fejlesztőknek számít, akik detektort, OCR-motort és szegmentálót külön-külön üzemeltetnek, mert egy modell is elegendő lehet ezekhez. A teszteredmények Tencent által közöltek, ezért saját adatokon ellenőrizni érdemes, különösen a nem létező célokra adott hamis dobozok miatt.
Az eredeti megnyitása (MarkTechPost)
Eredeti cím: Tencent WeVisOne-VL Unifies Detection, OCR, Segmentation and Matting
Címkék: modell, látásfeldolgozás, nyílt modell