← العودة إلى المدونة
Aiحوالي 1 دقيقة قراءة

WeVisOne-VL: نموذج 4B يرفض ما لا وجود له بنسبة 96.4%

نُشر في 10 نوفمبر 2026
WeVisOne-VL: نموذج 4B يرفض ما لا وجود له بنسبة 96.4%

ثمة رقم في README مشروع WeVisOne-VL سيتجاوزه معظم الناس، وهو الوحيد الذي أضعه على شريحة: 96.4%.

هذا هو معدل رفض النموذج على WeRef-Bench، وهو معيار يشير فيه الاستعلام أحياناً إلى جسم غير موجود في الصورة. والأساس الذي يُقارن به يرفض بنسبة 73.0%. أي أن الأساس — نموذج رؤية ولغة مفتوح وقوي — يرسم مربعاً واثقاً حول شيء غير موجود نحو مرة من كل أربع.

في عرض توضيحي هذا فضول. وفي خط إنتاج هو فئة فشل تجعل كل شيء غير صالح للاستخدام. فإذا كان منتجك يقص شخصاً من صورة ويسلّمه لمطبعة، فاحتمال 27% لقص الشيء الخطأ، أو لقص لا شيء، ليس مسألة جودة. إنه مسألة استرداد مال.

WeVisOne-VL نموذج إدراك بحجم 4B من فريق WeChat Vision في تينسنت، صدر في 22 أكتوبر مع تقرير فني، وأوزان بحجم 2B و4B، وحزمة استنتاج، ودفاتر وصفات، وخط تقييم. ورخصة Apache-2.0 للكود الذي كتبته تينسنت. يفعل سبعة أشياء: الكشف، والتوطين بالإشارة، والعد، والتأشير، والتعرّف الضوئي على الحروف، والتجزئة بالإشارة، وتفريغ ألفا بالتوجيه.

الجزء المثير ليس القائمة، بل المعمارية التي تجعل القائمة نموذجاً واحداً لا سبعة.

الإحداثيات كرموز

WeVisOne-VL مبني على Qwen3-VL — وتؤكد ذلك الإعدادات: 36 طبقة نصية، وحجم مخفي 2560، وViT بـ 24 طبقة وحجم رقعة 16، ومفردات من 152,680 رمزاً. وهذا الرقم الأخير هو الدليل. فمفردات Qwen3-VL القياسية أصغر. والألف رمز الزائدة تقريباً إحداثيات: <0> حتى <1000>، تمثل مربعات ونقاطاً مطبّعة.

فالتوطين ليس رأساً منفصلاً مثبتاً على نموذج كشف، بل تنبؤ بالرمز التالي. يقول النموذج «الشخص عند <312><184><498><702>» كما يقول «الشخص على اليسار». والمهام الكثيفة تصدر أيضاً رمز نسخة — <OBJ>، معرّفه 152678 — بعد كل مربع متنبأ به، ويستخدمه المفكك لربط جسم محدد بقناع محدد.

ثم ثمة مفكك بكسل بـ 9.6 مليون معامل، يُشحن باسم mask_decoder.pt. يقرأ المواضع الصادرة مع خصائص ViT متعددة المستويات، وينتج أقنعة وتفريغات ألفا بخطوة 1. لا SAM في الحلقة.

هذا قرار التصميم الذي يستحق التأمل. فجواب حقبة 2025 على «أحتاج قناعاً» كان ربط كاشف بـ SAM ثم بنموذج تفريغ — ثلاثة نماذج، وثلاثة أنماط فشل، وثلاث مجموعات أوزان، ومشكلة تسليم إحداثيات في الوسط حيث تُقرَّب المربعات وتختل الأقنعة. وWeVisOne يستبدل السلسلة بمفكك واحد يستقبل المربع كجزء من استعلامه.

9.6 مليون معامل صغيرة بما يكفي لتكون غير لافتة، وهذا هو المقصود. فالجزء الغالي في التجزئة لم يكن المفكك قط، بل التأصيل.

A photo of a cluttered desk with thin precise bounding boxes drawn over the objects

المعايير، مع التحفظ الملازم

كلها أرقام تينسنت نفسها من الـ README، مقابل أقوى الأسس المفتوحة لكل معيار:

كشف LVIS، مقياس F1: 55.3 مقابل 50.7 لـ LocateAnything-3B. وكشف Dense200: 71.3 مقابل 58.7. وتوطين الإشارة في RefCOCOg: 81.8 مقابل 77.6. ودقة العد في PixMo-Count: 89.6 مقابل 82.8. والتعرّف الضوئي في TotalText: 52.0 مقابل 43.3. وفي SROIE: 68.1 مقابل 40.3.

وفي التفريغ، مقيساً بـ MAD ×10³ حيث الأقل أفضل: 9.8 على WeRefMat، مقابل 22.4 لخط Qwen3.5-9B مع SAM2-Matting. وعلى ReasonSeg، 71.2 gIoU مقابل 65.0 لـ LISA-13B بعد الضبط الدقيق.

نموذج 4B يتغلب على سلسلة 9B مع SAM في التفريغ هو العنوان، وهو معقول للسبب البنيوي أعلاه: السلسلة تفقد معلومات عند التسليم، والنموذج الموحد لا يفقدها.

والتحفظ هو المعتاد. فمعايير المورّد تقيس مهام اختارها المورّد. ورقم الرفض هو ما أثق به فعلاً كعامل تمييز، لأن الرفض يصعب التلاعب به — لا تصل إلى 96.4% بالتساهل في المربعات.

تشغيله

مساران، وهما ليسا متكافئين.

حزمة الاستنتاج. ثبّتها من مستودع GitHub، ثم:

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))

هذا هو المسار الكامل: أقنعة، وتفريغات، ومفكك البكسل.

المسار المُكمَّم. ثمة Q4_K_M GGUF يعمل على بطاقة بـ 8GB عبر llama.cpp، وسحب Ollama بسطر واحد. يتولى مهام مستوى الجسم — المربعات والنقاط والأعداد والتعرّف الضوئي — بجزء من الذاكرة.

وما لا يستطيعه هو إنتاج الأقنعة. فبناء GGUF يُسقط مفكك البكسل، فتذهب التجزئة والتفريغ. وهذا معلن صراحة في كتابات المجتمع لا مدفوناً، وهو من الأمور التي تكلف أحدهم عطلة نهاية أسبوع إن لم يقرأ أولاً. فإذا احتجت تفريغات فأنت تحتاج مسار الاستنتاج الكامل وذاكرة الرسوميات التي تأتي معه.

ما لن يفعله

صورة واحدة، وجولة واحدة. مفكك البكسل يرفض شبكات الفيديو، فلا تتبع زمني ولا دفعة إطارات تعامل كتسلسل. والنموذج يجيب أيضاً دون سلسلة تفكير — عن قصد، لأجل زمن الاستجابة — أي أنك لا تستطيع أن تطلب منه أن يستنتج طريقاً إلى جواب لم ينتجه مباشرة.

ولجودة التفريغ حساسيات معلنة: دقة الصورة، والاحتجاب الشديد، والشفافية المعقدة، وصياغة النص التوجيهي. وهذه الأخيرة هي الصادقة. «شخص» و«الشخص ذو السترة الحمراء» ينتجان حدود ألفا مختلفة، وليس أي منهما خطأ.

لماذا يهم هذا أبعد من التفريغ

فئة النماذج التي ينتمي إليها هذا النموذج كانت أقل بناءً مما يجب. فالجميع شحن نماذج محادثة عن صورة، لأن هذا ما كافأته المعايير وهذا ما كانت تبدو عليه العروض. والإدراك — العد والتأشير والتوطين والتقنيع — أقل متعة في العرض وأنفع بكثير في الإنتاج، لأنه الطبقة بين نية نموذج اللغة وتعديل بكسل فعلي.

إن كنت تبني منتجاً لتحرير الصور، فهذا هو المكوّن الناقص. يقرر نموذج اللغة إزالة المصباح من الصورة. وعلى شيء أن يجد المصباح، وينتج تفريغاً ناعماً له بما فيه الظل الذي يلقيه، ويعيده. وحتى وقت قريب كان ذلك «الشيء» سلسلة من ثلاثة نماذج باحتمال 27% لاختراع مصباح غير موجود.

ستة وتسعون بالمئة ليس كمالاً. إنه أول رقم في هذا المجال عالٍ بما يكفي للبناء عليه دون إنسان في الحلقة عند كل استدعاء، وهذا نوع مختلف من الإنجاز عن الفوز بمعيار.

التكامل الذي لا يكتب عنه أحد

ثمة أثر من الدرجة الثانية يهم إن كنت تشحن أداة تحرير. فحين يسكن التأصيل والتفريغ في النموذج نفسه، تقصر الحلقة بطريقة يصعب تقديرها حتى تبني النسخة الطويلة.

الحلقة القديمة: يطلب المستخدم إزالة مصباح. يحوّل نموذج اللغة الطلب إلى استعلام. يعيد الكاشف مربعات. تختار واحدة. تقص، وتشغّل SAM، وتشغّل نموذج تفريغ، وتركّب. أربعة استدعاءات شبكة، وأربع ميزانيات زمن استجابة، وفضاء إحداثيات يجب التوفيق فيه عند كل قفزة. وحين تكون النتيجة خطأ لا تعرف أي قفزة انكسرت.

الحلقة الجديدة: استدعاء واحد، والمهمة تفريغ، والاستعلام مصباح، فيعود تفريغ ألفا. وإن كان خطأ فهو خطأ لسبب واحد. والأنظمة القابلة للتنقيح أنظمة يستمر الناس في استخدامها، وهذا عادةً محدد أكبر للتبني من ربح نقطتين في F1.

والشقيق 2B يهم هنا أيضاً. فإذا كان 4B هو ما تتحقق به، فـ 2B هو ما قد تنشره فعلاً عند طرف خط إنتاج تعالج فيه دفعة صور منتجات بين عشية وضحاها. شحنت تينسنت الاثنين في اليوم الأول، وهذا سلوك فريق يتوقع من الناس وضع هذا في الإنتاج لا في عرض.

مقالات ذات صلة

جدول نقرات يديره المجتمع يطفئ الإعلانات داخل بناءات أندرويد الصينية

لا يمس النظام، ولا يفتح القفل، ولا يكتب أي شيء على الجهاز. يقلب فقط المفاتيح التي عرضتها الشركات أصلاً. الثمن قائمة يجب أن يظل أحدهم يكتبها.

GPT Image 2.6 أبقى على سعر الرموز ورفع الفاتورة

أبقى GPT Image 2.6 على كل أسعار الرموز كما كانت في 2.5، ومع ذلك صارت الصورة الواحدة أكثر كلفة، لأن جزءاً أكبر من العمل يجري الآن في رموز الإخراج. بعد أحد عشر يوماً من الإطلاق، تقول بنية التسعير أكثر مما تقوله لوحة الصدارة.

أحدهم أعاد بناء IDM من الخارج وكتب ما لم يمسّه

إعادة تنفيذ بلغة Rust لبرنامج Internet Download Manager تزعم سرعة أكبر بخمسة أضعاف ودعماً لـ 86 لغة. والوثيقة الأكثر إثارة للاهتمام هي الفقرة التي تشرح كيف بُني المشروع دون نسخ أي شيء.

Rune إطار عمل UI بلغة Rust صُمم كي يستطيع الوكيل التحقق من عمله

يرسم Rune بلا واجهة، ويفرّغ شجرة عناصره، ويقبل إدخالًا مكتوبًا، ما يمنح وكيل البرمجة إشارة قابلة للمقارنة لا تقدمها لقطة الشاشة أبدًا. الإطار في مرحلة ما قبل الإصدار ولا يستقبل pull requests.