Descripción
WeVisOne-VL es un modelo de visión-lenguaje desarrollado por WeChat Vision, una parte de Tencent Inc. Está diseñado para unificar tareas de percepción a nivel de objeto y a nivel de píxel. Basado en el marco Qwen3-VL, WeVisOne-VL admite una variedad de tareas visuales, incluyendo detección de objetos de vocabulario abierto, localización referida, conteo de objetos, señalización de objetos y reconocimiento óptico de caracteres (OCR).
Leer más
Además, maneja tareas a nivel de píxel como la segmentación referida y el enmascaramiento alfa programable. El modelo emplea una predicción estructurada del siguiente token y cuenta con un decodificador de píxeles ligero de 9.6 millones de parámetros.
La arquitectura de WeVisOne-VL incluye tokens de coordenadas dedicados para representar cajas delimitadoras normalizadas y puntos. Utiliza un token de instancia especial para tareas densas e integra un decodificador de máscaras como componente central. Este decodificador combina un Adaptador de Características Visuales, un Decodificador de Consultas Guiadas por Cajas y una Cabeza de Predicción Densa Condicionada por Instancias para refinar las predicciones y generar máscaras alfa a resolución completa.
WeVisOne-VL está destinado a fines de investigación en anclaje visual, localización referida, señalización, conteo, localización OCR, segmentación referida y enmascaramiento de imágenes. No está diseñado para la toma de decisiones autónomas de alto impacto o identificación individual. El modelo es eficiente en la generación de salidas estructuradas, pero no admite razonamiento explícito en cadena y actualmente está limitado a la percepción de imágenes en una sola interacción.
El modelo se publica bajo la Licencia Apache 2.0, con componentes de terceros que mantienen sus licencias originales. Ha sido descargado más de 1,000 veces en el último mes, lo que indica su creciente popularidad en la comunidad de investigación.
- CategoríaModelos de IA y LLM
- Modelo de preciosGratis
- ImplementaciónNube
- PlataformasWeb
Aspectos destacados de WeVisOne-VL
Modelo unificado de visión-lenguaje
Percepción a nivel de objeto
Percepción a nivel de píxel
Decodificador de píxeles de 9.6 millones de parámetros
Predicción estructurada del siguiente token
Tokens de coordenadas dedicados
Token de instancia especial para tareas densas
Licencia Apache 2.0
Primeros pasos con WeVisOne-VL
Acceder a la página del modelo: Visita la página de Hugging Face para WeVisOne-VL
Autenticarse: Asegúrate de tener los permisos necesarios para acceder al modelo
Configurar: Establece los parámetros del modelo según tus necesidades de investigación
Enviar solicitudes: Introduce tus tareas visuales para su procesamiento
Ajustar: Modifica el modelo para tareas específicas si es necesario
Casos de uso de WeVisOne-VL
- Detección de Objetos
- Localización Referida
- Conteo de Objetos
- Localización OCR
- Enmascaramiento de Imágenes
