WeVisOne-VL：从物体到像素的统一视觉感知
报告介绍了 WeVisOne-VL，这是一种整合物体级与像素级感知的视觉语言模型，支持物体检测、指代定位、计数、OCR、分割和抠图等任务。模型通过特殊标记接入轻量级像素解码器，以生成实例级像素输出。训练过程包括三阶段监督微调，随后进行混合任务强化学习。据报告，该模型在 30 多项基准测试中表现良好，并能可靠拒绝针对不存在物体的查询。该模型将向开源社区发布。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。