微信视觉团队开源WeVisOne-VL：一个模型搞定检测、计数、OCR、分割和抠图

腾讯微信视觉团队开源了视觉语言模型 WeVisOne-VL（WeChat Vision All-in-One），在 GitHub 和 Hugging Face 上同时放出了 2B 和 4B 两个版本的权重，采用 Apache 2.0 许可。

它想解决什么问题

以往做视觉任务，检测、计数、OCR、分割、抠图往往要拼好几个专用模型。WeVisOne-VL 的思路是把这些都放进一个模型里：

• 物体级感知：目标检测、指代定位、计数、指点和 OCR，用结构化的下一个 token 预测来输出。
• 像素级感知：指代分割和可提示抠图，靠一个只有 960万参数 的轻量像素解码器输出遮罩和 alpha matte，不需要再接 SAM。
• 可靠拒答：问到图里不存在的东西时，模型会返回 None，而不是硬编一个框出来。

成绩怎么样

官方给出的对比里，4B 版本在 Dense200 密集检测上 F1 从基线的58.7提升到71.3，PixMo-Count 计数准确率89.6%，TotalText 文字识别 F1 为52.0。最亮眼的是拒答：在团队自建的 WeRef-Bench 上拒答率达到96.4%，而最强基线是73.0%。需要注意，这个测试集是团队自己做的，参考时要打点折扣。

除了权重，团队还放出了技术报告、推理包、Cookbook、评测流程和在线 Demo，并单独开源了数据管线里用来把二值遮罩转成高质量 alpha matte 的标注工具 Mask2Alpha。微调代码目前还在待办清单上。

我的看法

“不知道就说没有”这一点，比多涨几个点更实用。做相册搜索、商品识别这类功能时，模型乱框比漏框更伤体验。2B 体量也让端侧部署有了想象空间。

详情见 WeVisOne-VL GitHub 仓库 和 Hugging Face 模型页。