WeVisOne-VL：统一对象级与像素级视觉感知

微信提出统一对象与像素级感知的 VLM 并计划开源

资讯摘要

论文提出 WeVisOne-VL（WeChat Vision All-in-One），通过结构化下一 token 预测统一对象级与像素级感知，支持目标检测、指代定位、计数、OCR、分割与抠图，可在点、框、掩码到 alpha matte 等任意粒度定位。架构上以特殊 token 接入轻量像素解码器生成实例级像素输出，训练采用三阶段课程式 SFT 加混合任务 RL。作者报告其在 30 多个基准上于两类任务均表现领先，并保持对无目标查询的拒答能力，模型将开源。

要点速读

1. 论文提出 WeVisOne-VL，用结构化下一 token 预测统一对象级与像素级视觉感知。
2. 通过特殊 token 接入轻量像素解码器，输出点、框、掩码、alpha matte 等实例级结果。
3. 作者报告在 30 多个基准上对象级与像素级任务均领先，并保持对无目标查询的拒答。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:35（北京时间）。