Por Canuto  

Tencent publicó WeVisOne-VL, un modelo abierto de 2B y 4B parámetros que reúne detección, OCR, conteo, segmentación y otras tareas visuales. La compañía reporta resultados en más de 30 pruebas, aunque sus propios datos también muestran límites al reconocer objetos ausentes.
***

  • El modelo ofrece versiones de 2,44B y 4,83B parámetros y un decodificador de píxeles de 9,6 millones.
  • Tencent reporta 71,3 puntos F1 en Dense200 y 52,0 en OCR de TotalText para la versión 4B.
  • En PR-Bench, el modelo presenta una tasa de rechazo de 52,6%, una debilidad ante consultas sin objeto presente.

Tencent reúne detección, OCR y segmentación en su modelo visual WeVisOne-VL

El equipo de Visión de WeChat, perteneciente a Tencent, publicó WeVisOne-VL, un modelo de inteligencia artificial diseñado para ejecutar varias tareas de análisis de imágenes desde una sola arquitectura. Sus versiones abiertas de 2B y 4B parámetros pueden localizar objetos, leer texto, contar elementos, señalar posiciones y producir máscaras de segmentación o mattes de transparencia, una combinación que apunta a reducir la necesidad de integrar herramientas especializadas por separado.

La propuesta puede interesar a desarrolladores que construyen sistemas de visión artificial, aunque las cifras de rendimiento deben leerse como resultados reportados por Tencent, no como una evaluación independiente. El modelo se apoya en Qwen3-VL y añade un decodificador de píxeles de 9,6 millones de parámetros; la compañía sostiene que así puede generar salidas visuales sin requerir un sistema SAM separado.

Un modelo para varias tareas de visión

WeVisOne-VL, nombre que alude a WeChat Vision All-in-One, se enfoca en la percepción visual de grano fino y no en la conversación abierta como objetivo principal. La arquitectura permite que el usuario solicite distintos niveles de detalle, desde puntos y cajas hasta máscaras binarias y mattes alfa continuos, una flexibilidad útil cuando una aplicación necesita identificar un objeto y luego extraerlo con precisión.

En vez de tratar cada capacidad como una herramienta aislada, el sistema presenta las tareas como predicción estructurada del siguiente token. Para indicar coordenadas de puntos y cajas utiliza tokens que van de <0> a <1000>, mientras que la respuesta None representa un objeto ausente; esa opción busca reducir las cajas inventadas, aunque las pruebas reportadas indican que el rechazo no es uniforme.

La generación de máscaras parte de una caja predicha y de un token <OBJ>, cuyo estado interno alimenta el decodificador de píxeles. Este componente reutiliza características visuales de varios niveles del codificador ViT de Qwen3-VL, incorpora seis bloques de atención cruzada deformable guiados por la caja y refina el resultado en resoluciones S/4, S/2 y S/1 hasta producir una máscara o un matte de resolución completa.

La versión 2B figura con 2,44B parámetros y la 4B con 4,83B, según los tamaños indicados en Hugging Face; ambas usan el decodificador adicional de 9,6 millones de parámetros. El entrenamiento llegó a 8.192 tokens de contexto, pero Tencent no divulgó la longitud disponible durante el despliegue ni los requisitos de memoria de video, dos datos importantes para equipos que evalúen costos y compatibilidad antes de integrar el modelo.

Entrenamiento y resultados reportados

El equipo construyó los datos de entrenamiento con un motor guiado por grafos de conocimiento que anotó más de 100 millones de imágenes y generó alrededor de 3.600 millones de cajas. SAM3, Rex-Omni y un detector interno propusieron regiones, que luego Qwen3-VL verificó, de modo que el proceso combina herramientas automáticas con una etapa de validación basada en otro modelo.

El entrenamiento incluyó tres etapas de ajuste supervisado. La primera alineó formatos de salida con 90 millones de ejemplos; la segunda elevó la entrada a 1.960 tokens visuales y permitió hasta 500 cajas por respuesta, mientras que la tercera entrenó el decodificador de píxeles y luego lo especializó en matting con 130 millones de muestras.

Una etapa final de GRPO utilizó 178.000 ejemplos filtrados por incertidumbre. En los resultados publicados en el artículo de WeVisOne-VL, el equipo informa que el modelo 4B obtuvo 55,3 F1 en LVIS y 71,3 en Dense200, donde superó por 12,6 puntos a LocateAnything-3B; también reporta 81,8 F1 en RefCOCOg test, frente a 77,6 de ese modelo.

En otras pruebas, Tencent señala 89,6% de coincidencia exacta en PixMo-Count test, 52,0 F1 en TotalText para OCR y 71,2 gIoU en ReasonSeg val para segmentación. En matting, el 4B alcanzó 7,3 MAD en P3M-500-NP con prompts de caja, frente a 15,4 de SAM2-Matting (SAM3), donde una cifra menor representa un resultado mejor; el modelo 2B registró 6,6 MAD en esa misma evaluación.

Alcances, límites y acceso para desarrolladores

Los datos de rechazo ofrecen un contraste relevante con las cifras más favorables. Tencent reporta 96,4% en su prueba interna WeRef-Bench, con 2.880 consultas, y 67,4% en RefCOCOg-Rej; sin embargo, la tasa de rechazo cae a 52,6% en PR-Bench, lo que significa que una proporción considerable de consultas sin el objetivo esperado todavía puede recibir una caja.

La diferencia entre esas pruebas aconseja no interpretar el reconocimiento de objetos ausentes como una capacidad resuelta en todos los contextos. También limita las comparaciones directas entre modelos: los resultados corresponden a distintos sistemas y benchmarks, y pueden depender de los datos, los formatos de entrada y las condiciones de evaluación utilizadas por cada equipo.

Los pesos de las versiones 2B y 4B están disponibles en Hugging Face bajo licencia Apache 2.0, y el paquete wevisone_vl ofrece integración con Transformers y vLLM. La documentación del proyecto en GitHub enumera tareas de detección, referencia de objetos, señalamiento, conteo con cajas, OCR, segmentación y matting; Tencent también indica compatibilidad con GPU, NPU y CPU, aunque no especifica los requisitos de VRAM.

La fuente menciona que un GGUF comunitario ejecutó tareas a nivel de objeto en una RTX 2060 con 6 GB, pero esas compilaciones no pueden generar máscaras porque el decodificador necesita características visuales nativas. Tencent publicó además Mask2Alpha, su anotador de matting para el motor de datos, mientras que el código para ajuste fino aún aparece como una tarea pendiente; el paquete incluye demos alojadas para ambas versiones.

En conjunto, WeVisOne-VL ofrece una vía para consolidar varias operaciones visuales en un solo modelo y los resultados publicados destacan frente a algunos referentes de tamaño similar, especialmente en detección densa y OCR. Para decidir si reemplaza una cadena de herramientas existente, los desarrolladores tendrán que probarlo con sus propias imágenes y medir tanto la calidad de las máscaras como la capacidad de rechazar consultas imposibles, dos aspectos que las cifras disponibles todavía no resuelven por completo.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados