4B 打赢 9B？腾讯 WeVisOne-VL 视觉 模型 到底什么水平

腾讯开源了 WeVisOne-VL，一个从目标到像素的统一视觉感知模型。 它一个模型干了七件事：目标检测、指代定位、计数、指点、OCR、指代分割、可提示抠图。 三个我觉得值得说的点： ① 9.6M 的像素解码器 做掩码和透明通道只用一个 9.6M 的小解码器，不用外挂 SAM。抠图 MAD 从 15.4 降到 7.3。 ② 敢说"没有" 目标不存在时返回 None，不产生幻觉。拒识率 96.4%，最强开源基线 73%。 ③ 4B 打赢 9B 以内 密集检测 71.3（基线 58.7）、指代分割 71.2（