Tencent выложила на HuggingFace модель WeVisOne-VL-2B для задач image-text-to-text

На HuggingFace 22 октября 2026 года появилась модель tencent/WeVisOne-VL-2B с задачей image-text-to-text. Это unified vision-language модель от WeChat Vision, построенная на базе Qwen3-VL: она объединяет object-level восприятие — open-vocabulary object detection, referring localization, object counting, object pointing и OCR — с pixel-level задачами вроде referring segmentation и promptable alpha matting через structured next-token prediction и лёгкий pixel decoder.

Что это значит

Модель содержит 2,4 млрд параметров, самый большой файл весов — model.safetensors на 9,1 ГБ, всего в репозитории 9,1 ГБ. Веса выложены в форматах pt и safetensors, запуск — через transformers. Лицензия — apache-2.0. Квантованных сборок на площадке пока нет, поэтому для локального запуска потребуется видеопамять под полные веса. Отдельно идёт обязательный компонент mask_decoder.pt с 9 511 460 параметрами — без него pixel-level задачи не работают. Следить за появлением квантованных сборок и других новостей по локальному запуску таких моделей можно в ленте CPU3D.