**WeVisOne-VL：从物体到像素的统一视觉感知模型**

_WeVisOne-VL: Unified Visual Perception from Objects to Pixels_

> 针对现有视觉语言模型（VLM）在细粒度视觉感知上的不足，WeVisOne-VL 提出了一种通过结构化下一词预测来统一物体级与像素级感知的强大模型。该模型支持检测、定位、计数、OCR、分割及抠图等多种任务，能够根据用户需求生成从点到掩膜的任意粒度定位结果。其架构通过特殊<OBJ\>令牌集成轻量级像素解码器，并采用三阶段课程 SFT 与混合任务 RL 进行训练。在超过 30 个基准测试中，WeVisOne-VL 在物体级和像素级任务上均表现领先，同时具备对无物体查询的鲁棒拒绝能力，旨在推动 VLM 向真正可靠的实时感知系统发展。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-23 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.31329)