كاشف للأشياء، ومحرّك لقراءة النصوص في الصور، وأداة لتقطيع الأجسام.. ثلاث أدوات يركّبها المطوّر عادة في خطّ واحد. نموذج WeVisOne-VL من فريق WeChat Vision في Tencent يحاول أن يكون الثلاثة معًا، وقد نشره الفريق مفتوحًا في أكتوبر مع تقريره التقني.
ماذا يفعل؟
بحسب بطاقة النموذج، يوحّد WeVisOne-VL مهام الإدراك على مستوى الأشياء، أي كشفها والإشارة إليها وعدّها وتحديد موضع النصوص، مع مهام على مستوى البكسل: تقطيع الجسم المشار إليه، وفصل الخلفية بدقّة تشمل الشعر والحواف الشفافة. ويُبنى على Qwen3-VL، ويأتي بحجمين: 2B و4B.
وفكرته أنه يحوّل كل مهمة إلى توقّع للرمز التالي. يستخدم رموزًا خاصة للإحداثيات، ويُرجع «None» إذا لم يجد الشيء المطلوب في الصورة بدل أن يخمّن مربّعًا. وللمهام البكسلية يضيف وحدة فكّ صغيرة بنحو 9.6 مليون معامل، فلا حاجة إلى نموذج تقطيع منفصل.
متى تستخدمه؟
- حين تريد استبدال خطّ من عدّة نماذج (كاشف + قارئ نصوص + مقطّع) بنموذج واحد.
- لعدّ الأشياء في صورة، أو الإشارة إلى عنصر بوصف لغوي مثل «الكوب الأحمر على اليسار».
- لفصل جسم عن خلفيته، بقناع ثنائي أو بطبقة شفافية متدرّجة بحسب الحاجة.
ويعمل على بطاقة رسوميات واحدة عبر Transformers أو vLLM بدقّة BF16، بحسب MarkTechPost، التي تذكر أيضًا نسخة GGUF من المجتمع شغّلت مهام الأشياء على بطاقة RTX 2060 بذاكرة 6 غيغابايت. ولم تُعلن متطلّبات الذاكرة الرسمية.
الحدود
- كل أرقام الأداء من تقارير Tencent نفسها.
- تقول MarkTechPost إن معدّل رفض الأهداف غير الموجودة في اختبار PR-Bench بلغ 52.6% فقط، أي أن كثيرًا من الأسئلة عن أشياء غائبة ما زالت تُجاب بمربّع.
- تقرّ البطاقة بأن حواف فصل الخلفية تتأثّر بدقّة الصورة والتداخل والشفافية وصياغة الطلب، وبأن النموذج يعمل على صورة واحدة في كل طلب، ولا يدعم الفيديو في وحدة البكسل.
- الإصدار مخصّص للبحث، و«ليس مقصودًا لاتّخاذ قرارات مستقلّة عالية الأثر أو للتعرّف على الأفراد»، بحسب البطاقة.
لمن يناسب؟
لمطوّري تطبيقات الرؤية الذين يتعبون من ربط عدّة نماذج ببعضها، وللباحثين في الإسناد البصري والتقطيع. الترخيص Apache 2.0 للكود الذي كتبته Tencent، مع بقاء تراخيص المكوّنات الخارجية كما هي. نموذج واحد لا يغني دائمًا عن ثلاثة متخصّصين، لكنه يستحقّ التجربة قبل أن تبني خطًّا من ثلاثة.
المصادر: MarkTechPost، Hugging Face (Tencent) — 2026-11-03
