说得出来，还要指得出来：腾讯 WeVisOne-VL 把「看见」落到每一根头发丝
腾讯开源视觉语言模型 WeVisOne-VL（2B/4B）：不接 SAM，用约 960 万参数的轻量解码器直接出检测框、分割 mask 和 alpha 抠图。
这几天 Hugging Face 的每日论文榜上，据 bitwidth 的每日汇总，10 月 24 日排第一的是腾讯微信团队的 WeVisOne-VL。我对榜单一向没有什么感情，榜单这种东西今天上明天下，比天气预报变得还快。但这一篇我多看了几眼，因为它想解决的问题很老派，老派到几乎不像是这个时代的问题：机器能不能不光说出它看见了什么，还能准确地指出来，指到哪个点、哪个框、哪一圈边缘，甚至哪一根头发丝。
人类小孩学说话，先学的是指。大人问「狗狗在哪里」，孩子伸出一根胖手指往窗外一戳，这件事就算完成了。会说「那是一只狗」反倒是后来的事。可是这几年的通用视觉语言模型走的是另一条路，它们先学会了说，而且说得头头是道，一张照片丢进去，能讲出一大段像模像样的描述，但你要它把那只狗框出来，它就开始支支吾吾，框得松松垮垮，或者干脆框到了旁边的沙发上。说得出来和指得出来，中间隔着的不是一层窗户纸，而是一整面墙。
WeVisOne-VL 的办法说起来不复杂。据腾讯在模型卡和项目页上的介绍，它基于 Qwen3-VL，把坐标也当成词表里的词，从 <0> 一直到 <1000>，一共 1001 个坐标 token。一个框用 4 个 token 表示，一个点用 2 个。这样一来，「指」这个动作就和「说」这个动作统一成了一件事，模型说话的时候顺手把位置也说了出来，不需要另外再学一门手艺。如果你问的东西图里根本没有，它就直接回答 None，不硬编一个框出来交差。
只会说坐标还不够，框只是一个粗糙的方盒子，真正麻烦的是边缘。官方的做法是在每个预测框后面跟一个特殊的实例 token，ID 是 152678，这个 token 一出现，就唤醒挂在后面的像素解码器。解码器文件叫 mask_decoder.pt，4B 版模型卡给出的参数量是 9,609,764，官方简写成 9.6M，也就是常说的约 960 万；2B 版用的那个稍小一点，模型卡写的是 9,511,460。它从视觉编码器里取四层 pre-merge 的 ViT 特征，用 6 层可变形 cross-attention 做查询，查询的依据是实例 token 的隐状态加上傅里叶编码的框先验，最后由一个密集头按 S/4 → S/2 → S/1 的顺序一级一级放大，出来一张全分辨率的 alpha 图。官方特别说明，这里不用 SAM，也不另外接一套分割骨干。
我尤其喜欢那个 None。这年头的模型最让人头疼的毛病，不是不会，而是不会还要装会，你问它图里的猫在哪，图里明明没有猫，它也要给你框出一团毛茸茸的阴影来，态度诚恳，言之凿凿。肯老老实实说一句「没有」，在我看来比多领先几个基准更难得。人也是一样，知道自己不知道，是手艺人入门的第一课，很多人学了一辈子也没毕业。
我这样的门外汉读到这里，感觉有点像看老木匠干活。先拿墨斗弹一条线，那是框；再顺着线用凿子一点点抠，那是像素解码器。线弹得准，凿子才知道往哪里走。框和边缘分成两步，但用的是同一双眼睛，不是请了两个师傅各干各的。于是在同一个模型里，点、框、mask、alpha 抠图都能出，检测、计数、OCR、分割也都放在了一个屋檐下。
当然，手艺不是凭空长出来的。据官方披露，训练用了约 1 亿张图，SFT 分三段：任务对齐 90.2M 样本，高分辨率与密集任务 40.5M，像素级 41.8M。之后再用 GRPO 做混合任务的强化学习，样本 178K。数据怎么来的也写得清楚，用知识图谱驱动采集，多个专家模型一起提框，VLM 负责校验，SAM2 负责把 mask 扩出来，再由专门的标注器出 alpha，模型犯的错回流到下一轮。官方自称在 30 多个基准上领先，按他们的写法是 30+，这些都是腾讯自己报的数，我没有看到第三方复测，读者也不必急着把它当成定论。
这里有一件小事值得多说一句。推理的时候不用 SAM，造数据的时候却用了 SAM2，这两句话放在一起并不矛盾，一个说的是模型本身怎么跑，一个说的是练习册是怎么编出来的。但我猜一定会有人把它们读串了，所以先摆在这里。
用起来倒是简单。官方给的示例就两行，from wevisone_vl import WeVisOneVL，然后 model.predict(image, task="matting", query="person")，告诉它任务是抠图，对象是人，它就去抠。官方没有给显存数字。我看了一下 Hugging Face 上的仓库文件，2B 版加起来约 4.9 GB，4B 版约 19.4 GB，这只是下载大小，不等于跑起来要的显存。两个版本都在 10 月 22 日上了 Hub，腾讯自己写的代码用 Apache-2.0 许可，第三方组件保留各自的许可证。
2B 和 4B 这样的个头，放在今天越堆越大的模型群里，算是小个子。小个子有小个子的好处，不需要供着一整排机柜，研究者自己手边的显卡就有机会跑起来。手艺不一定非要靠大块头，老师傅的凿子往往也不大，只是磨得快。
说到这里，我得把它不会的事情也讲清楚，这比讲它会什么更要紧。官方写明，它没有思维链，只能单轮、单图，像素解码器不接视频。细边缘的效果会受分辨率、遮挡和透明物体影响，头发丝能不能抠干净，要看照片本身给不给面子。更重要的一条是官方的使用声明：仅限研究用途，不用于识别个人，也不用于高影响的自主决策。
这条声明我觉得应该被认真读一读，而不是当成免责条款一眼扫过。一个模型能把照片里的人从背景里干干净净地剥出来，能在一群人里数出有几个人，能把每个人都框得严丝合缝，这种能力本身是中性的，可用的人不中性。假设有人拿它去对着街拍照片挨个圈人，模型不会拒绝，它只会忠实地给出坐标。所以「不用于识别个人」这几个字，约束不了机器，只能约束拿着机器的人。
那么，一个研究者拿到它，第一件事应该做什么？我的建议很朴素：先读模型卡，再跑示例，然后专门挑那些它会出丑的照片去试，逆光的、隔着玻璃的、头发被风吹乱的、主体被挡了一半的。官方已经告诉你它在哪里会失手，你自己再亲眼看一遍，心里才有数。别人说好用，和你自己用着好用，从来都是两回事。
我一向觉得，看见是一件很私人的事情。同样一张照片，有人看到的是人，有人看到的是光，有人只看到那只趴在角落里打盹的狗。机器的看见没有这些分别，它只看到它被要求看到的东西，而且越来越准。准本身是好事，准到每一根头发丝也是好事，前提是指挥它的那根手指，知道什么该指，什么不该指。
所以对于 WeVisOne-VL，我的态度和对待一把好凿子差不多。东西是好东西，开源出来让大家拿去研究，也是好事。但凿子在谁手里，往哪里凿，从来都不是凿子自己能决定的。机器学会了指，人更要学会不乱指，句号。
来源：官方项目页；4B 模型卡；2B 模型卡；Bitwidth。解码器参数 9,609,764 为 4B 版模型卡数字，2B 版为 9,511,460；4.9 GB / 19.4 GB 是 Hugging Face 仓库文件总大小，不是显存需求；约 1 亿张训练图、30+ 基准领先等均为腾讯自报；腾讯代码为 Apache-2.0，第三方组件保留各自许可；“推理不用 SAM、造数据用 SAM2”为作者对两条官方说法的解读。