腾讯在 HuggingFace 发布用于 image-text-to-text 任务的模型 WeVisOne-VL-2B

2026 年 10 月 22 日，HuggingFace 上出现了模型 tencent/WeVisOne-VL-2B，任务类型为 image-text-to-text。这是 WeChat Vision 推出的统一视觉-语言模型，基于 Qwen（通义千问）3-VL 构建：它通过结构化 next-token prediction 和轻量级 pixel decoder，将 object-level 感知——open-vocabulary object detection、referring localization、object counting、object pointing 和 OCR——与 referring segmentation、promptable alpha matting 等 pixel-level 任务结合在一起。

这意味着什么

模型包含 24 亿参数，最大的权重文件是 9.1 GB 的 model.safetensors，仓库总计 9.1 GB。权重以 pt 和 safetensors 格式发布，通过 transformers 运行。许可证为 apache-2.0。平台上目前还没有量化版本，因此本地运行需要能容纳完整权重的显存。此外还有一个必需组件 mask_decoder.pt，包含 9 511 460 个参数——没有它，pixel-level 任务无法运行。 关于这类模型量化版本的出现以及其他本地运行相关新闻，可以在 CPU3D 动态中关注。