WeVisOne-VL-4B

WeVisOne-VL-4B

用腾讯的一个 4B 视觉语言模型在图片中查找、计数、指向、识字和分割物体，并生成 alpha 抠图。适合做视觉定位和图像抠图的研究人员。

由 tencent 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：WeVisOne-VL 是腾讯微信视觉团队推出的视觉语言模型，基于 Qwen3-VL 构建。它能处理物体级任务，比如开放词汇检测、指代定位、计数、指点和文字识别。它也能处理像素级任务，也就是指代分割和可提示的 alpha 抠图，用的是一个 9.6M 参数的小型像素解码器。

适合谁：适合做视觉定位、分割和抠图研究，并想用一个模型完成多种感知任务的研究人员和开发者。

行业 | 谁在用 | 怎么用 | 例子
研究 | 视觉研究人员 | 研究统一的物体和像素感知 | 在一个模型里对比检测和抠图
软件 | 图像工具的开发者 | 给应用加上物体查找或抠图 | 用抠图把照片里的人物抠出来
内容 | 图像编辑者 | 按名称把主体单独提取出来 | 请它找出图片里的人

需要视频、多轮对话或推理链的人可以跳过它，因为模型卡把它限定在单轮图像感知。

用在哪里：

• Python，使用模型卡指向的 GitHub 上的推理包
• 能运行 4B 模型的机器，模型卡的脚本会自动设置设备和数据类型
• Windows、macOS 或 Linux，你可以用 Python 下载文件

用途 | 谁用 | 得到什么
物体查找 | 研究人员 | 你指定目标的框或点，目标不存在时返回 None
指代分割 | 开发者 | 你描述的物体的掩码
 alpha 抠图 | 图像编辑者 | 主体的全分辨率 alpha 抠图

如何设置：

你需要先准备：

• Python 和 huggingface_hub 包
• 模型卡里 GitHub 项目提供的 WeVisOne-VL 推理包
• Pillow，脚本用它来打开图片

1. 安装模型卡指向的 GitHub 上的推理包。
2. 把模型文件下载到你的电脑，BF16 格式约占 9.7 GB。
3. 用你自己的图片运行快速上手脚本。

pip install -U huggingface_hub
hf download tencent/WeVisOne-VL-4B

如何使用：加载模型，打开一张图片，再用任务和查询词调用 predict。模型卡的脚本请求抠出图中的人物，温度设为 0.0。它会打印响应文字和掩码的数量。

from PIL import Image
from wevisone_vl import WeVisOneVL

model = WeVisOneVL("tencent/WeVisOne-VL-4B", device="auto", dtype="bfloat16")
image = Image.open("example.jpg").convert("RGB")
result = model.predict(image, task="matting", query="person", temperature=0.0)
print(result.response, len(result.masks))

工具 | 作用
WeVisOneVL | 按你选的设备和数据类型加载模型
model.predict | 用文字查询对图片运行抠图等任务
result.response | 保存模型返回的文字
result.masks | 保存掩码，脚本会数一数有几个

示例：你打开一张照片，请它抠出其中的人物。脚本会打印模型的响应以及返回了多少个掩码。模型卡说，分辨率低、遮挡严重或透明度复杂时，精细的 alpha 边缘可能会受影响。

新手与专家：这个模型会看一张图，找出你点名的东西，还能把它们精确到像素地勾出来。第一步可以先在一张主体清楚的照片上运行快速上手脚本。

模型把框和点写成归一化坐标网格上的坐标 token，目标不存在时返回 None。每预测一个框之后，它会为密集任务输出一个实例 token。必需的 mask_decoder.pt 文件有 9,609,764 个参数，它包含一个特征适配器、一个由框引导的查询解码器，以及一个让抠图更精细的密集预测头。

你给出图片和查询词
模型把框或点预测成 token
像素解码器生成掩码或抠图
你读取响应和掩码

注意事项：

• 大小：Hugging Face 记录为 4.8B 个参数，BF16 格式约 9.7 GB，4-bit 约 2.4 GB（估算）
• 局限：它给出结构化输出，不做显式推理，像素解码器会拒绝视频网格
• 版本：Hugging Face 列出了其他人做的 4 个量化版本和 1 个微调版本
• License: apache-2.0，第三方组件保留各自的许可
• Cost to run: 没有提到，不需要 API 密钥或账号
• Data it reaches: 它会从 Hugging Face 下载模型文件，并读取你传入的图片
• Not for: 自主的高影响决策或识别个人，模型卡说它不是为此设计的

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：4.8B
• Weights: about 9.7 GB in BF16; about 2.4 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：18,908
• 点赞：122
• 许可证：apache-2.0
• Quantized versions: 4
• Fine-tunes: 1
• 标签：transformers, safetensors, qwen3_vl, image-text-to-text, vision-language, object-detection, referring-expression-comprehension, object-counting, point-grounding, referring-expression-segmentation, image-matting, conversational

链接

• 模型：https://huggingface.co/tencent/WeVisOne-VL-4B
• 文件：https://huggingface.co/tencent/WeVisOne-VL-4B/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download tencent/WeVisOne-VL-4B

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。