WeVisOne-VL, 4B 모델이 없는 물체를 96.4% 확률로 거부한다

WeVisOne-VL README에 대부분이 그냥 지나칠 숫자가 하나 있고, 제가 슬라이드에 올릴 유일한 숫자이기도 합니다. 96.4%입니다.
WeRef-Bench에서의 거부율입니다. 이 벤치마크는 질의가 때때로 이미지에 없는 물체를 가리킵니다. 비교 대상 베이스라인은 73.0%를 거부합니다. 즉 강한 오픈 비전-언어 모델인 그 베이스라인이, 존재하지 않는 무언가에 자신 있게 박스를 그리는 일이 네 번 중 한 번은 일어납니다.
데모라면 흥미로운 사실입니다. 파이프라인이라면 전체를 못 쓰게 만드는 실패 범주입니다. 제품이 사진에서 사람을 오려 인쇄 업체에 넘긴다고 할 때, 27% 확률로 엉뚱한 것을 오리거나 아무것도 못 오리는 건 품질 문제가 아닙니다. 환불 문제입니다.
WeVisOne-VL은 텐센트 WeChat Vision 팀의 4B 지각 모델입니다. 10월 22일 기술 보고서와 함께 공개됐고, 2B와 4B 가중치, 추론 패키지, 쿡북, 평가 파이프라인이 함께 나왔습니다. 텐센트가 작성한 코드는 Apache-2.0입니다. 하는 일은 일곱 가지입니다. 검출, 지시 기반 위치 찾기, 계수, 포인팅, OCR, 지시 기반 분할, 프롬프트 기반 알파 매팅.
흥미로운 건 목록이 아닙니다. 그 목록을 일곱 모델이 아니라 하나로 만드는 구조입니다.
좌표를 토큰으로
WeVisOne-VL은 Qwen3-VL 위에 올라가 있습니다. 설정이 확인해 줍니다. 텍스트 레이어 36개, 히든 크기 2560, 패치 크기 16의 24층 ViT, 152,680 토큰 어휘. 마지막 숫자가 단서입니다. 표준 Qwen3-VL 어휘는 더 작습니다. 여분의 1,000여 토큰이 좌표입니다. 정규화된 박스와 점을 나타내는 <0>부터 <1000>까지.
그래서 위치 찾기는 검출 모델에 덧붙인 별도 헤드가 아닙니다. 다음 토큰 예측입니다. 모델은 “사람은 왼쪽에 있다”고 말하듯 “사람은 <312><184><498><702>에 있다”고 말합니다. 밀집 작업은 예측한 박스마다 인스턴스 토큰 <OBJ>(ID 152678)도 내보내고, 디코더가 이를 써서 특정 객체를 특정 마스크에 묶습니다.
그다음 9.6M 파라미터 픽셀 디코더가 있고, mask_decoder.pt로 배포됩니다. 내보내진 위치와 다층 ViT 특징을 읽어 마스크와 스트라이드 1 알파 매트를 만듭니다. SAM은 루프에 없습니다.
이 설계 결정은 곱씹어 볼 만합니다. “마스크가 필요하다”에 대한 2025년식 답은 검출기를 SAM에, 다시 매팅 모델에 연결하는 것이었습니다. 모델 셋, 실패 모드 셋, 가중치 세 벌, 그리고 중간에서 박스가 반올림되고 마스크가 어긋나는 좌표 인계 문제까지. WeVisOne은 그 사슬을, 박스를 질의의 일부로 받는 디코더 하나로 바꿉니다.
9.6M 파라미터는 별것 아니라고 넘길 만큼 작고, 그게 요점입니다. 분할에서 비싼 부분은 디코더가 아니었습니다. 그라운딩이었습니다.

벤치마크, 단서를 붙여서
전부 README에 있는 텐센트 자체 수치이고, 벤치마크별로 가장 강한 오픈 베이스라인과 비교한 것입니다.
LVIS 검출 F1은 55.3 대 LocateAnything-3B의 50.7. Dense200 검출 F1은 71.3 대 58.7. RefCOCOg 지시 기반 위치 찾기는 81.8 대 77.6. PixMo-Count 계수 정확도는 89.6 대 82.8. TotalText OCR은 52.0 대 43.3. SROIE OCR은 68.1 대 40.3.
매팅은 낮을수록 좋은 MAD ×10³ 기준으로, WeRefMat에서 9.8이고 Qwen3.5-9B에 SAM2-Matting을 붙인 파이프라인은 22.4입니다. ReasonSeg에서는 71.2 gIoU로, 파인튜닝한 LISA-13B의 65.0을 앞섭니다.
4B 모델이 매팅에서 9B 더하기 SAM 사슬을 이긴다는 게 헤드라인이고, 위에서 말한 구조적 이유로 그럴 만합니다. 사슬은 인계 지점에서 정보를 잃고, 통합 모델은 잃지 않습니다.
단서는 늘 그렇듯 여기에 있습니다. 벤더 벤치마크는 벤더가 고른 과제를 재는 것입니다. 제가 실제 차별점으로 신뢰하는 숫자는 거부율입니다. 거부는 조작하기 어렵습니다. 박스를 후하게 그려서 96.4%에 도달할 수는 없으니까요.
실행하기
경로가 둘인데, 등가가 아닙니다.
추론 패키지. GitHub 저장소에서 설치한 다음 이렇게 씁니다.
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))
마스크와 매트, 픽셀 디코더까지 전부 포함한 경로입니다.
양자화 경로. llama.cpp로 8GB GPU에서 도는 Q4_K_M GGUF가 있고, Ollama 풀 한 줄도 있습니다. 객체 수준 작업, 즉 박스와 점, 계수, OCR을 훨씬 적은 메모리로 처리합니다.
못 하는 것은 마스크 생성입니다. GGUF 빌드는 픽셀 디코더를 빼서 매팅과 분할이 사라집니다. 커뮤니티 글에 묻혀 있지 않고 공개적으로 적혀 있지만, 먼저 읽지 않으면 주말 하나를 날리는 종류의 일입니다. 매트가 필요하면 전체 추론 경로와 그에 따르는 VRAM이 필요합니다.
하지 않는 일
단일 이미지, 단일 턴입니다. 픽셀 디코더가 영상 그리드를 거부하므로 시간적 추적도, 프레임 묶음을 시퀀스로 처리하는 것도 없습니다. 모델은 사고 과정 없이 답합니다. 지연 시간을 위해 의도된 선택이고, 그래서 직접 산출하지 않은 답으로 추론해 가도록 요구할 수는 없습니다.
매팅 품질에는 명시된 민감도가 있습니다. 이미지 해상도, 심한 가림, 복잡한 투명도, 프롬프트 표현입니다. 마지막이 솔직한 대목입니다. “사람”과 “빨간 재킷을 입은 사람”은 서로 다른 알파 경계를 만들고, 둘 다 틀린 게 아닙니다.
매팅 너머로 중요한 이유
이 모델이 속한 범주는 덜 만들어졌습니다. 모두가 이미지에 대해 대화하는 모델을 출시했습니다. 벤치마크가 보상한 것이고 데모가 그렇게 생겼으니까요. 지각, 즉 계수와 포인팅, 위치 찾기, 마스킹은 데모로 보여주기엔 덜 재미있고 프로덕션에서는 훨씬 유용합니다. 언어 모델의 의도와 실제 픽셀 편집 사이의 층이니까요.
이미지 편집 제품을 만든다면 이게 빠진 부품입니다. 언어 모델이 사진에서 램프를 지우기로 결정합니다. 그러면 무언가가 램프를 찾고, 램프가 드리우는 그림자까지 포함한 부드러운 매트를 만들고, 돌려줘야 합니다. 얼마 전까지 그 “무언가”는 27% 확률로 없는 램프를 만들어내는 세 모델 사슬이었습니다.
96%는 완벽하지 않습니다. 이 영역에서 매 호출마다 사람을 루프에 두지 않고도 위에 뭔가를 지을 수 있을 만큼 높은 첫 숫자이고, 그건 벤치마크 승리와는 다른 종류의 이정표입니다.
아무도 쓰지 않는 통합 이야기
편집 도구를 출시한다면 중요한 2차 효과가 있습니다. 그라운딩과 매팅이 같은 모델에 살게 되면 루프가 짧아지는데, 긴 버전을 만들어 본 뒤에야 그게 얼마나 큰지 체감됩니다.
예전 루프는 이랬습니다. 사용자가 램프를 지워 달라고 합니다. 언어 모델이 그걸 질의로 바꿉니다. 검출기가 박스를 돌려줍니다. 하나를 고릅니다. 크롭하고, SAM을 돌리고, 매팅 모델을 돌리고, 합성합니다. 네트워크 호출 네 번, 지연 예산 네 개, 그리고 홉마다 조정해야 하는 좌표 공간. 결과가 틀렸을 때 어느 홉이 깨졌는지 알 수 없습니다.
새 루프는 이렇습니다. 호출 한 번, task는 matting, query는 lamp, 돌아오는 건 알파 매트. 틀렸다면 이유가 하나입니다. 디버깅 가능한 시스템은 사람들이 계속 쓰는 시스템이고, 그게 보통 F1 2포인트 상승보다 채택을 크게 좌우합니다.
2B 형제도 여기서 중요합니다. 4B가 검증용이라면, 2B는 제품 사진 묶음을 밤새 배치 처리하는 파이프라인 끝단에 실제로 배포할 모델입니다. 텐센트가 첫날 둘 다 내놓은 건, 사람들이 이걸 데모가 아니라 프로덕션에 넣을 것이라고 기대하는 팀의 행동입니다.
관련 글
중국산 안드로이드 시스템 UI의 광고를 끄는, 커뮤니티가 관리하는 탭 표
시스템을 건드리지 않고, 잠금 해제도, 플래싱도 하지 않는다. 제조사가 이미 열어 둔 스위치를 하나씩 뒤집을 뿐이다. 대가는 이 목록을 계속 써 줄 사람이 필요하다는 것이다.
GPT Image 2.6, 토큰 단가는 그대로 두고 청구서를 올렸다
GPT Image 2.6은 2.5의 토큰 단가를 하나도 바꾸지 않았는데 이미지 한 장 값은 올랐다. 작업의 상당 부분이 이제 출력 토큰에서 일어나기 때문이다. 출시 11일째, 가격 구조가 순위표보다 많은 것을 말한다.
IDM을 바깥에서 다시 만든 사람이 손대지 않은 부분을 적어 두었다
Mister Download Manager는 Internet Download Manager의 흐름을 Rust로 다시 구현해 5배 속도와 86개 언어를 내건다. 더 흥미로운 문서는 아무것도 복사하지 않고 어떻게 만들었는지 설명하는 문단이다.
Rune은 에이전트가 자기 작업을 검증할 수 있도록 만든 Rust UI 프레임워크
Rune은 헤드리스로 렌더링하고 요소 트리를 덤프하며 스크립트 입력을 받는다. 스크린샷으로는 얻을 수 없는, diff 가능한 신호를 코딩 에이전트에게 준다. 프레임워크는 프리릴리스이며 풀 리퀘스트를 받지 않는다.