腾讯开源 WeVisOne-VL、2B 小模型看懂一张图、检测计数抠图一次搞定、Apache-2.0 免费商用

微信团队把眼睛捐给了全世界

10 月 22 日早上 8 点 58 分，GitHub 上多了一个新仓库。没有预热，没有发布会，没有通稿，连官微都没发。

但三天后，这个仓库成了开源圈子里被讨论最多的项目之一：腾讯微信视觉团队的 WeVisOne-VL，一个把「看图」这件事做到极致的模型。

它有多大？2B 版本约 24.4 亿参数，4B 版本约 48.3 亿参数。用人话说，这两个数字，比很多大厂的「轻量模型」还要小一半。

它能干什么？一个模型，一次看懂一张图，同时完成目标检测、数东西、认字、切图、抠背景五件事。

用人话说：微信团队把微信里那套「看懂图片」的能力，拆出来免费送了。而且不是送你一个只能看的模型，是送你一个「看图 + 数数 + 认字 + 抠图」一条龙的小模型，Apache-2.0 协议，商用也不要钱。

一句话总结

WeVisOne-VL 用不到 50 亿参数，一个模型同时干完检测、计数、OCR、分割、抠图五件苦活，多项指标反超最强开源基线，Apache-2.0 免费商用。它证明了在很多真实场景里，「小而专」比「大而全」更值钱。

一、一个模型，五种活

这是这次发布最反直觉的地方。

过去的做法是：检测要一个模型，OCR 要一个模型，分割要一个模型，抠图要一个模型。它们各自训练、各自维护，组合起来又慢又难对齐。

WeVisOne-VL 的做法是把这些活变成同一个任务的自然输出——它预测的不再是「一句描述」，而是结构化的下一个 token。你问「图里有几个苹果」，它直接在答案里给出数字；你问「把猫抠出来」，它输出的就是一张带透明通道的图。

能力 · 4B 版本得分 · 最强开源基线 · 差多少

LVIS 目标检测 F1 · 55.3 · 50.7 · +4.6

Dense200 密集检测 · 71.3 · 58.7 · +12.6

RefCOCOg 指着说就切 · 81.8 · 77.6 · +4.2

PixMo-Count 数东西 · 89.6 · 82.8 · +6.8

TotalText 文字识别 F1 · 52.0 · 43.3 · +8.7

ReasonSeg 分割 gIoU · 71.2 · 65.0 · +6.2

抠图误差 MAD · 7.3 · 15.4 · 边缘精度差一倍

拒答率 · 96.4% · 73.0% · 高 23.4 个点

有两个数字特别值得普通人留意。

第一是拒答率 96.4%。 用人话说：你拿一张图问它「这里面的猫是什么品种」，图里压根没有猫，它有 96.4% 的概率老实回答「图里没有猫」，而不是编一个布偶出来。基线只有 73%。这是从「能看图」到「看得靠谱」的分水岭。

第二是抠图误差 MAD 7.3，基线是 15.4。 这意味着它抠出来的边缘，精细度接近基线的两倍。对做电商、做 PPT、做设计的人来说，这是能不能上手的分界线。

二、它是怎么练出来的

论文披露的训练规模有点吓人：超过 1 亿张图像，大约 36 亿个边界框标注。

翻译成人话：这是让模型看了 1 亿张图片，并且在每张图上明确框出了几千个物体位置。36 亿个框，相当于把 1 亿张图反复画框，画了 36 亿次。

而且它是基于 Qwen3-VL 做的。这一点挺关键——腾讯没有从零训一个地基，而是拿开源底座加了 960 多万参数的像素解码器专门负责「输出像素」这件事。

这也解决了过去抠图必须外挂 SAM 这类分割模型的尴尬：现在像素解码器长在模型内部，不依赖任何外部组件，一个人下载就能用。

训练方法是「三阶段课程 + GRPO」。课程式训练的意思是：先学简单的（认字、认框），再学难的（数数、推理式分割），最后用强化学习打磨。这个顺序很关键，因为数东西和认字是两种完全不同的能力，一起从零学容易互相拖累。

据论文，训练中还刻意做了约束：拒视频和网格输入。原因很实在——视频和拼图会引入时间维和空间维的干扰，反而让单图任务的精度下降。

三、为什么「小」才是重点

回到那份参数表。24 亿和 48 亿，放到今天的大模型竞赛里几乎不够看。但对普通人来说，这两个数字才是真正重要的：

第一，跑得起。 48 亿参数，一张消费级显卡就能推理，笔记本上甚至能跑量化版。这意味着「给每张照片自动打标签」「自动抠图」这类过去必须走云 API 的活，现在可以完全本地做。

第二，不花钱。 Apache-2.0 是最宽松的开源协议之一：商用免费，改代码免费，不用公开你的二次修改，不用给作者分钱。过去腾讯的看图能力是微信的内部能力，谁都用不了；现在它是一个你下载就能用的公共工具。

第三，数据不出门。 照片、商品图、合同扫描件、病历——这些东西一旦上传到别人的服务器上，很多行业是过不了合规的。本地跑就没有这个问题。

第四，没有官方通稿。 10 月 22 日早上 8 点 58 分创建仓库，没有发布会，没有新闻稿。这种「直接把东西丢出来」的发布方式，在这两年的开源生态里越来越常见：先把产品做出来，让社区自己判断它值不值得用。

对普通人意味着什么

如果你做电商、摄影、设计：今天就可以去试。 抠图误差是这次最实用的指标，4B 版本在主流开源模型里已经是最好的那一档，Apache-2.0 又不收费。一个小模型 + 一块普通显卡，就能替代大部分「一键抠图」的付费工具。

如果你做研发：注意它的基座是 Qwen3-VL。 意味着你可以先微调 Qwen3-VL，再迁到 WeVisOne-VL 这套统一输出格式上，不用从零学一套新的提示词写法。这对已经在用 Qwen 生态的团队，迁移成本几乎为零。

如果你只是刷手机：最直接的感受是，微信和国内主流 App 里「长按图片搜索」「自动识别文字」这类功能，接下来半年会明显变准、变快。 因为服务端换成了更省、更准的小模型，响应速度会上去，云端成本会下去，而成本降下去通常会转化成免费。

要警惕的一点：它的短板也很清楚。 论文和评测都集中在检测、计数、OCR、分割这些「客观题」上，复杂的开放式图像理解（比如「这张图讲了个什么故事」「这张海报的设计意图是什么」）不是它的强项。别拿它当通用多模态大模型用，把它当一把趁手的工具刀。

写在最后

1 这是一次典型的「中国团队往开源池子里倒东西」

过去两年，开源社区的贡献格局基本是欧美主导、亚洲跟随。这次微信视觉团队把一个跑分全面超过开源基线、协议最宽松、还能本地部署的模型扔出来，而且不收费不设限——这是中国大厂第一次明显地在基础工具层而不是应用层参与开源竞争。

2 「看图」这件事，正在从大模型的能力变成小模型的标准配置

大模型的看图能力，是靠几百亿几千亿的参数堆出来的通用能力。而 WeVisOne-VL 证明了：在具体任务上，专门练出来的 48 亿参数，打得过 1000 亿参数的通用模型。这条路一旦被验证，接下来会有一大批「小而专」的模型涌出来。

3 真正的看点是它会不会被抄进手机

一个能在本地跑的、会抠图认字的 48 亿参数模型，天然适合塞进手机、汽车、摄像头。腾讯自己有微信这个超级入口，也有手机厂商的合作关系。如果明年有手机发布会把这个模型作为卖点，那今天这篇就不只是技术新闻。

未来 1 年看三件事：① 出现基于 WeVisOne-VL 的中文开源衍生版本，把 OCR 和文档解析做到能直接替代商业 API；② 至少两家头部手机厂商或相机厂商把它预装进端侧；③ 「统一多任务小模型」这条路线被更多团队跟进，出现更多「检测计数分割一体」的开源模型。

如果觉得这篇拆解对你有帮助，不妨点个关注和在看。

你的 AI 陪跑伙伴 【数字新奇点】 会继续关注那些「不起眼但真有用」的开源工具。

咱们下期见！

参考资料

WeVisOne-VL：A Unified Vision-Language Model for Perception（arXiv 论文 2610.31329）

Hugging Face Papers: WeVisOne-VL（Hugging Face）

GitHub：Tencent/WeVisOne-VL 官方仓库（GitHub）

腾讯微信视觉团队开源 WeVisOne-VL：2B 与 4B 双版本（MindPattern）

Tencent Releases WeVisOne-VL 4B Vision-Language Model on Hugging Face（DigestAI）

腾讯 WeVisOne-VL 4B：统一感知能力的多项指标超越开源基线（TPS Report）