微信开源 WeVisOne-VL：一个模型包办框选、分割与抠图，还会说没有

微信视觉团队开源 WeVisOne-VL，用一个统一输出格式完成定位、计数、读字、分割与抠图。有意思的是它替代外接 SAM 的方式：用一个约 960 万参数的小模块做掩码输出。

统一输出格式的价值

过去这条链路上每个任务一个模型：检测用一套、分割用一套、抠图再一套。工程上要串联多个服务，坐标体系、置信度阈值、后处理逻辑全都不一致，出错很难定位。

统一格式之后，一句指令就能拿到结构化结果，下游只写一套解析代码。

「会说没有」这个细节特别值得说

目标不在图中时直接返回 None。4B 版本在 Ref-ZOM 上回答「没有」的比例达到 86.0%，而同类开源模型只有 0.3% 和 1.3%。

这个对比很刺眼。绝大多数视觉模型被训练成「必须给出一个框」，于是硬生生圈一个最像的区域。在质检、安防这类场景里，误报比漏报更浪费人力。

数据规模

累计自动标注超过 1 亿张图、约 36 亿个目标框。这是它能做统一格式的底气，标注体系不自洽的团队做不出这种模型。

开源条件

2B 与 4B 权重加 Mask2Alpha 标注工具，Apache 2.0 许可，仅支持图片输入，不支持视频。

落地场景

工业质检里最典型的用法是「找缺陷，找不到就说没有」。这条能力如果真达到 86% 的准确拒识率，配合人工复核，能省下大量无效告警。建议先在你自己的缺陷样本上测拒识率，别只看论文里的数字。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

拒识率 86% 对 0.3%，这个对比比分割精度有说服力得多。质检场景里误报最耗人力，模型敢说没有才是可用的前提。想拿我们自己的缺陷样本验一遍。

统一输出格式这点最实在。以前检测、分割、抠图三套服务串起来，坐标归一化和置信度阈值全在各处打补丁，出问题很难定位。九百多万参数的小模块替掉 SAM 也合理，少一个重依赖就少一类线上事故。

拒识率 86% 对 0.3% 比分段精度有说服力。质检场景里误报最耗人力，模型敢说没有才敢上线。不过这个数字是在 Ref-ZOM 上测的，换到自己产线的缺陷样本大概率会掉，得小批量验一遍再谈替换。