腾讯微信视觉团队以 Apache 2.0 开源 WeVisOne-VL 2B / 4B：一个模型做检测、定位、计数、OCR、分割和抠图
把以前要拼好几个视觉模型的感知任务收进一个小模型。这一条讲它能做什么、限制在哪。
// 要点
- 基于 Qwen3-VL，把开放词表目标检测、指代定位、计数、指点和 OCR 等目标级任务，与指代分割、可提示的 alpha 抠图等像素级任务统一成结构化的下一 token 预测。
- 像素级输出由一个约 960 万参数的轻量解码器完成；框和点用 <0> 到 <1000> 的坐标 token 表示，目标不存在时返回 None。
- 为推理效率直接输出结构化结果，不做显式思维链；目前只处理单轮图片，不支持视频。
- 腾讯编写的代码以 Apache 2.0 发布，第三方组件保留原许可；官方定位为研究用途，不用于自动做高影响决策或识别个人。
开发者视角AI 云盘里的「按内容找图」、截图里的文字定位，现在要串好几个模型，这个 4B 模型值得拿来做一次合并试验。我会先在自己的图片样本上比 OCR 定位和计数的准确率；它不支持视频，也明确不该拿来认人，这两条在产品设计里要先划掉。