WeVisOne-VL 統一視覺感知並開源
先了解這件事
2026年10月22日，HuggingFace Daily Papers（社區熱門論文）介紹 WeVisOne-VL，稱模型以結構化 token 預測統一物件層級與像素層級的視覺感知，支援物件偵測、定位、計數、OCR、分割及摳圖。模型採用輕量級像素解碼器和多階段訓練，在逾 30 項基準測試中，兩類任務均表現領先，也能穩健拒絕物件不存在的查詢；團隊將模型開源。10月24日，DEV Community 補充，模型可在同一 token 序列輸出邊界框、遮罩和文字，毋須為不同感知任務使用獨立模型。在 RTX 4090 上，單次推理延遲為 48 ms、記憶體用量為 6 GB，較三模型流程減少 58% FLOPs。報道稱模型於10月22日同步在 arXiv 和 Hugging Face Hub 發佈；高解像度下遮罩細節退化及商用授權限制仍是採用考量。
AI 根據報道生成 · 2 小時前更新
報道時間線
沿着報道，瞭解事件的不同側面。
- DEV CommunityWeVisOne‑VL 如何以單一 token 序列統一視覺感知
WeVisOne‑VL 以單一模型在同一 token 序列中輸出邊界框、遮罩和文字，無需為不同感知任務使用獨立模型。在 RTX 4090 上，單次推理延遲為 48 ms、記憶體用量為 6 GB，較三模型流程減少 58% FLOPs。模型已於 22 Oct 2026 同步在 arXiv 和 Hugging Face Hub 發佈，但高解像度遮罩細節退化及商用授權限制仍是採用考量。
- HuggingFace Daily Papers（社區熱門論文）WeVisOne-VL：由物件到像素的統一視覺感知
WeVisOne-VL 透過結構化 token 預測統一物件層級與像素層級的視覺感知，支援物件偵測、定位、計數、OCR、分割及摳圖。模型採用輕量級像素解碼器及多階段訓練，在逾 30 項基準測試中，物件層級與像素層級任務均表現領先，並能穩健拒絕物件不存在的查詢。團隊將 WeVisOne-VL 開源。
本事件熱度走勢
當前熱度 10·可比範圍峯值 10（10月24日 13:00）·近 24 小時可比範圍變化 –
趨勢僅比較持續完整觀測到的相同主體，範圍可能小於當前熱度統計。移動指針或點擊圖表查看每小時熱度；鍵盤可用左右方向鍵切換。