要在一張圖中找出物件、讀取文字，再按需要輸出座標、遮罩或透明度邊緣，WeVisOne-VL 把物件層級與像素層級工作整合為視覺語言模型（Vision-Language Model，VLM），適合標註及影像檢查流程。

模型建基於 Qwen3-VL，以 structured next-token prediction 生成定位結果：座標 token 表示點與框， token 則觸發像素解碼器。解碼器只有 9.6M 參數，重用 Vision Transformer（ViT）特徵，不需 Segment Anything Model（SAM）或外置分割骨幹，可輸出二值遮罩與連續 alpha matte。

任務涵蓋物件偵測、指稱定位、計數、指點、光學字元辨識（Optical Character Recognition，OCR）、指稱分割及 promptable alpha matting；找不到指定目標時會回傳 None，減少虛構定位。需要在同一流程處理定位、分割與前景摳圖的團隊，可評估它是否適合自身資料和任務。

• 提供 2B、4B 模型權重、推理套件、Cookbooks、Gradio 示範及評測流程。
• 微調程式碼尚未提供；資料亦未列出硬件需求或逐步安裝方式。
• 項目在 30 多項基準測試領先。

項目主頁 · GitHub