Tencent WeVisOne-VL localise et détoure les objets à partir d’une consigne
L’essentiel de l’annonce
L’équipe WeChat Vision de Tencent présente un modèle qui relie une consigne aux objets et à leurs pixels. Il rassemble localisation, comptage, lecture de texte et détourage.
- Date de publication de la source
- Catégorie
- Modèles et assistants
- Périmètre et accès
- Préprint déposé le 22, diffusé le 23 octobre 2026.
- Sujet du contenu
- Relier des mots aux pixels
- Entreprises / organismes
- Tencent
- Technologies
- Modèle multimodal, Extraction d’informations
Une représentation commune de l’objet
WeVisOne-VL adapte Qwen3-VL en versions de 2 et 4 milliards de paramètres. Il produit des coordonnées structurées pour les objets demandés. Pour les masques et le détourage, il transmet aussi leur représentation à un petit décodeur de pixels. Un masque indique les pixels de l’objet. Le détourage peut en plus conserver une transparence progressive, utile pour les cheveux ou les contours fins. Ces sorties partagent la même interface en langage naturel. Les auteurs publient un rapport, du code d’inférence et un parcours d’évaluation. Sur Dense200, leur version 4B obtient un F1 moyen de 71,3 contre 58,7 pour la meilleure référence du tableau. Ce résultat dépend du protocole, avec décodage glouton et au plus 1 960 tokens visuels.
Texte seulement
Lire les paragraphes
Le modèle utilise les informations écrites que vous lui donnez.
Texte + image
Lire aussi le visuel
Un modèle multimodal peut examiner une image, selon ses capacités.
Par exemple, un graphique peut contenir des chiffres qui ne figurent pas dans les paragraphes du document.
Choisissez une étape pour lire son explication.
Désigner la cible
La consigne précise l’objet recherché.
Produire les coordonnées
Le modèle relie la consigne à l’objet.
Prédire les pixels
Le décodeur produit un masque ou une transparence.
Illustration simplifiée. Les dessins ne montrent pas de résultats mesurés.
Points techniques et opérationnels
- Le modèle produit des coordonnées et des masques.
- Les résultats dépendent des tests et des consignes.
Plusieurs tâches dans une interface
Exemples possibles. L’annonce ne démontre pas de gains pour ces usages.
Exemple pédagogique
Exemple fictif
Une créatrice demande de détourer la personne à gauche d’une photo.
Deux questions pour évaluer l’intérêt
- Relire les masques et contours obtenus.
- Vérifier les licences et conditions des composants.
Qui peut l’utiliser, avec quelles limites ?
Rapport de recherche et code publics
Les mesures viennent des auteurs, sans réplication indépendante ici. Le modèle ne traite qu’un tour et peut perdre des capacités générales du modèle de base. Les demandes ambiguës restent difficiles. Le dépôt annonce les poids, mais leur hébergement n’a pas été contrôlé. La date du 23 est celle de la diffusion scientifique, pas une première mise en ligne du code établie.
Conditions d’accès : Code Tencent sous Apache 2.0, composants tiers sous leurs licences. Poids annoncés, hébergement non vérifié ici.
Une recherche à confronter au réel
Interprétation éditoriale à partir de l’annonce.
Les consignes ambiguës et les cas réels restent à évaluer.
Les mots utiles pour comprendre
Sources et vérifications
Source vérifiée le . Synthèse originale. Les résultats annoncés restent attribués à leur source. Les dessins expliquent le principe ; les exemples présentent un usage possible.
Rapport, annexes et README relus. Aucun modèle exécuté ni poids téléchargé.
Publié sur ce site le . Mis à jour le . Rédaction : Boris Shutov, avec l’aide de ChatGPT. Notre méthode éditoriale.