WeVisOne-VL-2B

WeVisOne-VL-2B

读取图片和文字提问，返回物体框、点、数量、文字位置和像素级蒙版，包括 alpha 抠图。适合在自己电脑上运行 2.4B 模型的研究者。

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-2B 是 Tencent 的 WeChat Vision 团队做的视觉语言模型。你给它一张图片和一句文字提问，它会返回物体框、点、数量、文字位置、分割蒙版或 alpha 抠图。它基于 Qwen3-VL，另外加了一个 9.6M 参数的小型像素解码器来处理蒙版。

适合谁：它适合做视觉定位、计数、文字定位、分割或图像抠图的研究者和工程师，想用一个模型完成这些事。

行业 | 谁在用 | 怎么用 | 例子
计算机视觉研究 | 研究者 | 在自己的图片集上测试定位、指点和计数 | 检查模型为一句描述画出哪个框
照片和设计工具 | 开发者 | 用 alpha 抠图把指定主体从图片中抠出来 | 把人物从背景中分离
文档处理 | 工程师 | 找出文字在图片中的位置 | 标出一行印刷文字所在的区域
数据标注 | 标注团队 | 先生成框和蒙版草稿，再由人来复核 | 人工检查前先预标物体

如果你需要聊天式回答、视频分析或识别人物，可以跳过它，因为它只处理单张图片，也不是为此设计的。

用在哪里：

• 通过推理包加载模型的 Python 脚本
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件
• 任何能对图片运行快速上手脚本的 Python 环境

用例 | 谁用 | 得到什么
指代分割 | 研究者 | 一张对应描述所指物体的蒙版
Alpha 抠图 | 开发者 | 全分辨率的连续 alpha 抠图
计数和指点 | 分析师 | 你指定物体的数量和位置点
文字定位 | 工程师 | 标出文字在图片中位置的框

如何设置：你需要 Python，还要留出大约 4.9 GB 的 BF16 权重空间。

• Windows、macOS 或 Linux 上的 Python
• huggingface_hub 包
• 项目 GitHub 页面上的 wevisone_vl 推理包

1. 安装 huggingface_hub。
2. 把模型文件下载到你的电脑。
3. 按项目 GitHub 仓库自己的说明安装 wevisone_vl 推理包。

pip install -U huggingface_hub
hf download tencent/WeVisOne-VL-2B

如何使用：加载模型，打开一张图片，再用任务和提问调用 predict。下面的脚本请求对一个人做抠图，并打印返回的文字和蒙版数量。

from PIL import Image
from wevisone_vl import WeVisOneVL

model = WeVisOneVL("tencent/WeVisOne-VL-2B", 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 | 按选定的设备和数据类型加载模型
predict | 针对一张图片和一句提问运行任务，返回文字和蒙版

示例：你让脚本处理一张叫 example.jpg 的照片，请求对其中的人做抠图。调用会返回模型的文字回答和一组蒙版，脚本打印出文字以及蒙版的数量。

新手与专家：如果你刚接触这类模型，可以把它看成一个能在图片里找东西并描出轮廓的助手。第一次可以用上面的脚本，换一张只有一个人的照片，看它打印出几张蒙版。

从内部看，框和点的位置用专门的坐标标记来表示，目标不存在时模型返回 None。密集任务里每个框之后它会输出一个实例标记，一个 9.6M 参数的解码器再把这个状态和框转成蒙版。代价是没有逐步推理，而且只支持单轮的图片输入。

图片和文字提问输入
Qwen3-VL 主干写出框和点
实例标记标出每个预测框
像素解码器生成蒙版和 alpha 抠图
你读取回答和蒙版

注意事项：权重在 BF16 下约 4.9 GB，4-bit 下估计约 1.2 GB。

• Limits: 精细的 alpha 边缘对图片分辨率、严重遮挡、复杂透明度和提示词写法都很敏感
• License: Tencent 编写的代码为 Apache 2.0，第三方部分保留各自的许可
• Cost to run: 未提及
• Data it reaches: 你传入的图片和下载的模型文件
• Not for: 自主的高影响决策、识别人物或视频输入

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：2.4B
• Weights: about 4.9 GB in BF16; about 1.2 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：15,085
• 点赞：85
• 许可证：apache-2.0
• Quantized versions: 6
• Fine-tunes: 2
• 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-2B
• 文件：https://huggingface.co/tencent/WeVisOne-VL-2B/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-2B

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。