知识卡片：微信开源视觉模型 WeVisOne-VL，统一输出完成定位、分割与抠图

一句话结论

微信视觉团队开源 WeVisOne-VL，用统一输出格式在一个模型内完成框选定位、计数、读字、分割与抠图，并以约 960 万参数的小模块替代外接 SAM；目标不在图中时可直接返回 None。

事件概述或研究问题

据腾讯研究院 AI 速递（20261105）报道，微信视觉团队开源视觉模型 WeVisOne-VL，核心问题是把传统上依赖多个模型或外接分割模块（如 SAM）的视觉任务，收敛到单一模型的统一输出格式中完成，覆盖定位、计数、读字、分割与抠图等能力。

方法/产品要点

• 统一输出格式：一个模型包办框选、定位、计数、读字、分割与抠图。
• 用约 960 万参数的小模块替代外接 SAM。
• 拒答机制：目标不在图中时直接返回 None。
• 开源内容：2B、4B 权重，以及标注工具 Mask2Alpha。
• 许可：Apache 2.0。
• 输入限制：仅支持图片输入（不支持视频等，待核实是否有后续计划）。

主要结果或产业意义

• 4B 版在 Ref-ZOM 上答“没有”的比例达 86.0%，而材料称同类开源模型仅 0.3%、1.3%，显示其在“目标不存在”场景下的拒答能力明显更强。
• 材料称累计自动标注超 1 亿张图、约 36 亿个目标框，说明该能力已在微信内部大规模标注流程中落地验证。
• 开源权重与标注工具，配合 Apache 2.0 许可，便于产业界直接复用与二次开发。

为什么重要

• 把“框选—分割—抠图”等分散能力统一到一个模型，并用小模块替代外接 SAM，有望降低视觉标注与处理链路的部署复杂度。
• 目标不存在时返回 None 的拒答能力，对自动标注、数据清洗等场景的质量控制有实际价值；材料给出的 86.0% 与同类模型 0.3%、1.3% 的对比，是这一能力的量化体现。
• 与已有卡片中的微信 WeMM-Embedding（多模态嵌入）同属微信视觉团队开源序列，本条补充的是“统一视觉任务输出 + 大规模自动标注落地”的方向，而非嵌入检索方向。

局限与不确定性

• 仅支持图片输入，视频等模态能力待核实。
• 材料未给出分割/抠图精度的具体评测数值，相关指标待核实。
• 拒答比例 86.0% 的对比口径（同类开源模型具体指哪些、评测设置）待核实。
• “累计自动标注超 1 亿张图、约 36 亿个目标框”为材料表述，统计口径与时间范围待核实。

可用于图书/PPT/简报的角度

• 作为“统一视觉模型替代多模型拼接”的产业案例，对比外接 SAM 的方案复杂度。
• 作为“模型拒答/目标不存在检测”在自动标注质量控制中的落地例证。
• 作为微信视觉团队开源序列（WeMM-Embedding、WeVisOne-VL）的脉络梳理素材。
• 作为 Apache 2.0 许可下视觉标注工具链（含 Mask2Alpha）可复用性的讨论切入点。

原始材料

• 来源：腾讯研究院 AI 速递 20261105（搜狐转载）
• URL: https://m.sohu.com/a/1097287287_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=4
• 英文标题/关键词：WeVisOne-VL；WeChat visual team；unified output；grounding；segmentation；matting；Mask2Alpha；Apache 2.0