Descrição
WeVisOne-VL é um modelo de visão-linguagem desenvolvido pela WeChat Vision, parte da Tencent Inc. Ele foi projetado para unificar tarefas de percepção em nível de objeto e pixel. Baseado na estrutura Qwen3-VL, o WeVisOne-VL suporta uma variedade de tarefas visuais, incluindo detecção de objetos com vocabulário aberto, localização referencial, contagem de objetos, apontamento de objetos e reconhecimento óptico de caracteres (OCR). Além disso, ele lida com tarefas em nível de pixel, como segmentação referencial e matização alfa acionável. O modelo emprega previsão estruturada do próximo token e possui um decodificador de pixel leve com 9,6 milhões de parâmetros.
Ler mais
A arquitetura do WeVisOne-VL inclui tokens de coordenadas dedicados para representar caixas delimitadoras normalizadas e pontos. Ele utiliza um token de instância especial para tarefas densas e integra um decodificador de máscara como componente central. Este decodificador combina um Adaptador de Recursos Visuais, um Decodificador de Consulta Guiada por Caixa e uma Cabeça de Predição Densa Condicionada por Instância para refinar previsões e gerar matizes alfa em resolução total.
O WeVisOne-VL é destinado a fins de pesquisa em ancoragem visual, localização referencial, apontamento, contagem, localização OCR, segmentação referencial e matização de imagens. Não é projetado para tomada de decisão autônoma de alto impacto ou identificação individual. O modelo é eficiente na geração de saídas estruturadas, mas não suporta raciocínio explícito em cadeia e atualmente está limitado à percepção de imagem em uma única interação.
O modelo é lançado sob a Licença Apache 2.0, com componentes de terceiros mantendo suas licenças originais. Ele foi baixado mais de 1.000 vezes no último mês, indicando sua crescente popularidade na comunidade de pesquisa.
- CategoriaModelos de IA e LLMs
- Modelo de preçosGrátis
- ImplantaçãoNuvem
- PlataformasWeb
Destaques de WeVisOne-VL
Modelo unificado de visão-linguagem
Percepção em nível de objeto
Percepção em nível de pixel
Decodificador de pixel com 9,6 milhões de parâmetros
Previsão estruturada do próximo token
Tokens de coordenadas dedicados
Token de instância especial para tarefas densas
Licença Apache 2.0
Primeiros passos com WeVisOne-VL
Acesse a página do modelo: Visite a página do WeVisOne-VL no Hugging Face
Autentique-se: Certifique-se de ter as permissões necessárias para acessar o modelo
Configure: Defina os parâmetros do modelo conforme suas necessidades de pesquisa
Envie prompts: Insira suas tarefas visuais para processamento
Ajuste: Ajuste o modelo para tarefas específicas, se necessário
Casos de uso de WeVisOne-VL
- Detecção de Objetos
- Localização Referencial
- Contagem de Objetos
- Localização OCR
- Matização de Imagens
