WeVisOne-VL: Unified Visual Perception from Objects to Pixels

Модель vision-language, объединяющая восприятие на уровне объектов и на уровне пикселей через структурированное предсказание следующего токена: она выдаёт точки, боксы, маски или alpha mattes с заданной пользователем гранулярностью через лёгкий пиксельный декодер. Трёхступенчатый учебный план из supervised fine-tuning и последующего смешанного reinforcement learning даёт ведущие результаты более чем на 30 бенчмарках с надёжным отказом при отсутствии объектов; Tencent опубликовала веса 2B и 4B под Apache 2.0.