一个 2B 小模型同时找东西、数数、认字和抠人像：WeVisOne-VL 上手路线

先看它和普通看图模型的区别。它是视觉语言模型（能同时看图和读文字的模型），既能回答“框在哪”，也能输出像素级的结果：二值遮罩（这块是不是目标）和 alpha 蒙版（边缘半透明的抠图）。官方说抠图靠的是一个只有 960 万参数的小解码器，不需要另外挂 SAM 这类分割模型。

01能干的八件事，对应八个 task 名

调用时用 task 参数选任务：detection（按类别框物体）、referring（按一句描述找物体，找不到返回 None）、point（给物体打点）、count_box 和 count_point（数数）、ocr 和 ocr_grounding（识别文字和位置）、segmentation（分割）、matting（抠图）。“找不到就说 None”是官方特别强调的一点，目的是不在图里没有目标时硬编一个框。

02装起来：Python 3.10，一条 conda 环境

git clone https://github.com/Tencent/WeVisOne-VL.git && cd WeVisOne-VL
conda create -n wevisone-vl python=3.10 -y && conda activate wevisone-vl
pip install -r requirements.txt && pip install -v -e .

官方没有写显存要求，只说 device 可选 auto、cuda:0、npu:0 或 cpu。我会先用 2B 版本，因为它参数少、对显卡更宽松；README 里 4B 的各项成绩更高，同样条件下值得换。模型权重在 Hugging Face 的 tencent/WeVisOne-VL-2B 和 4B。没有显卡的话，可以先用官方放在 Hugging Face Spaces 上的 2B、4B 在线演示。

03两段官方示例：框家具，再抠人像

from PIL import Image
from wevisone_vl import WeVisOneVL
from wevisone_vl.visualization import save_result

model = WeVisOneVL("tencent/WeVisOne-VL-4B", backend="transformers")  # 也可以 backend="vllm"

# 目标检测：列出想找的类别
image = Image.open("demo/examples/images/livingroom.jpg").convert("RGB")
result = model.predict(image, task="detection", query=["sofa", "pillow", "coffee table", "lamp"])
save_result("outputs/detection", image, result)

# 抠图：query 写想抠的对象
image = Image.open("demo/examples/images/seabreeze.jpg").convert("RGB")
result = model.predict(image, task="matting", query="person")
save_result("outputs/matting", image, result)

这是 README 里的原始写法。换成自己的图，只改图片路径和 query；换 2B 就把模型名改成 tencent/WeVisOne-VL-2B。README 还附了三本 Jupyter 笔记（目标级流程、OCR、分割与抠图），在仓库的 tutorials 目录里，想看每个任务的完整参数先读它们。

04官方给的成绩，和该保留的怀疑

按 README 的对比表，4B 版本在 PixMo-Count 计数上准确率 89.6%（对比的最强开源基线 82.8%），在 WeRef-Bench 上对“目标不存在”的拒识率 96.4%（基线 73.0%），在 P3M-500-NP 抠图误差上 7.3（基线 15.4，越低越好）。这些都是团队在自己选定的基准上的结果，其中 WeRef-Bench 和 WeRefMat 还是团队自建的评测集，换成你自己的图效果可能有差距。

另外两点：许可证方面，腾讯自己写的代码是 Apache 2.0，第三方组件保留各自许可证，商用前要逐个看；仓库的 TODO 里“微调代码”一项还没勾上，目前不能指望官方脚本帮你微调。仓库还有一条 mask2alpha 分支，开源了他们制作数据用的“遮罩转抠图”标注工具。