腾讯微信视觉团队刚开源了一个视觉模型 WeVisOne-VL，一个模型就能把找东西、数东西、读文字、抠图这些活一起包了，不用再为每个环节各接一个模型。
它有两个版本，2B 和 4B，Apache 2.0 协议开源。目标检测、指代定位、计数、OCR、指代分割和可提示抠图，都被统一成结构化文本输出。掩码和 alpha 抠图靠一个约 960 万参数的小像素解码器出，不依赖 SAM，部署时少串一套东西。
有个很实用的细节：让它找图里根本不存在的东西，它会老实返回 None，不硬编一个框。README 里它在 WeRef-Bench 上的拒识率是 96.4，最强基线是 73.0。4B 版在 LVIS 检测上 F1 为 55.3，最强基线是 50.7。
权重、技术报告、评测流程和 Gradio 演示都放出来了，支持 transformers 和 vllm，只是微调代码还没发。做视觉应用的话，一个模型扛下一整条流水线，能省不少事。
正文完