Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun, Chen Li, Jing Lyu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31329 · open-access PDF
في هذه التقرير، نحن نقدم WeVisOne-VL (WeChat Vision All-in-One)، VLM القوي الذي يوحد التفكير على مستوى الوجه ومستوى النتائج من خلال التوقعات التالية المكونة من النتائج. وهو يدعم العديد من المهام البصرية بما في ذلك اكتشاف الوجه، وتقييم الوجه، وقياس، OCR، وتقسيم، وتقسيم، مما يتيح تقييم الوجه على أي نوع من النتائج المحددة للمستخدم، من الأقراص إلى الأقراص واللقطات واللقطات الألفية.
Machine translation (Meta M2M100); the English original follows.
Existing vision-language models (VLMs) remain unreliable for fine-grained visual perception. In this report, we present WeVisOne-VL (WeChat Vision All-in-One), a powerful VLM that unifies object-level and pixel-level perception through structured next-token prediction. It supports multiple visual tasks including object detection, referring localization, counting, OCR, segmentation, and matting, enabling localization at any user-specific granularity, from points and boxes to masks and alpha mattes. Architecturally, we integrate a lightweight pixel decoder into the VLM via a special <OBJ>
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31329, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange