• 投稿

腾讯微信视觉团队新作!单接口统一对象级+像素级全场景视觉感知,1亿级训练数据性能碾压SOTA【多模态大模型】【计算机视觉】

329
0
2026-10-29 08:34:44
1
2
6
2
本期解读论文:WeVisOne-VL: Unified Visual Perception from Objects to Pixels 作者:Tianming Liang*, Junyi Pan*, Yuxi Li*, Canmiao Fu, Zhipeng Huang, Chong Sun†, Chen Li‡, Jing Lyu(腾讯微信视觉团队) 论文链接:https://arxiv.org/abs/2610.31329 代码库:暂未开源,官方已宣布将向开源社区开放2B/4B两个参数规模的模型权重 核心亮点: 1. **全任务统一视觉感知范式**:首次通过单一自然语言接口打通从对象级检测、定位到像素级分割、抠图的全链路视觉任务,彻底打破传统感知模型任务割裂的部署痛点,无需依赖多个独立大模型即可完成所有稠密视觉输出。 2. **亿级规模自研数据引擎WDE**:构建包含超1亿张图像、36亿个标注框的高质量训练数据集,通过共享知识图谱组织语义概念,多专家模型交叉校验+人工抽检+迭代难例挖掘,从根源上解决大模型幻觉、漏检小目标、误判不存在目标的行业通病。 3. **轻量高效的创新模型架构**:基于Qwen3-VL backbone改造,用<0>到<1000>的专属token编码归一化坐标,仅新增极轻量像素解码器,通过
熊粉+ai学习者,近期主打做ai论文解读播客视频,有感兴趣的论文欢迎评论区留言!
客服
顶部
赛事库 课堂 2021拜年纪