标签
WeVisOne-VL (WeChat Vision All-in-One) 是一个统一对象级与像素级视觉感知的视觉语言模型，通过结构化 token 预测与轻量像素解码器支持检测、定位、计数、OCR、分割和抠像等任务，在30多个基准上取得领先性能，并已开源 2B/4B 模型。