Tencent udostępnił WeVisOne-VL, unified vision language model, który obsługuje detekcję, OCR, segmentację, alpha matting i liczenie obiektów w jednym modelu. Model dostępny jest w wersjach 2B (2.44B parametrów) i 4B (4.83B parametrów), z dodatkowym dekodem pixeli o 9.6M parametrów, co eliminuje potrzebę używania oddzielnych narzędzi typu SAM czy specjalistycznych segmenterów. Kluczową zaletą jest możliwość zwracania odpowiedzi "None" gdy zapytany obiekt nie istnieje na obrazie.
Model powstał na bazie Qwen3-VL i skupia się na precyzyjnej lokalizacji obiektów zamiast otwartych rozmów. Użytkownicy mogą wybierać poziom szczegółowości wyniku: punkty, bounding boxy, maski binarne lub ciągłe mapy alfa. WeVisOne-VL radzi sobie lepiej niż porównywalne modele na większości z ponad 30 benchmarków - osiąga np. 71.3 F1 Mean na Dense200 detection w stosunku do 58.7 dla LocateAnything-3B. Model można uruchomić na pojedynczej GPU poprzez biblioteki Transformers czy vLLM w formacie BF16, a community wersja GGUF działała na GPU RTX 2060 z 6GB VRAM przy zadaniach na poziomie obiektów.
Rozwiązanie skierowane jest głównie do deweloperów, którzy dotychczas musieli łączyć wiele specjalistycznych modeli. Dzięki WeVisOne-VL mogą zastąpić detektor, engine OCR i segmenter jednym narzędziem, co upraszcza architekturę aplikacji i zmniejsza zapotrzebowanie na zasoby. Model trenowany był z kontekstem do 8192 tokenów, choć długość kontekstu dla deploymentu nie została ujawniona.