微信视觉团队提出 WeVisOne-VL，试图把对象级和像素级感知统一在同一个视觉语言模型中。10 月 22 日提交的技术报告说明，系统采用结构化的下一个 token 预测，覆盖物体检测、指代表达定位、计数、OCR、分割和抠图等任务，输出粒度可以随用户请求变化。
架构上的核心是特殊对象 token 与轻量像素解码器的连接。语言模型先组织对象级信息，像素解码器进一步产生实例级输出，让点、边界框、分割掩码与透明度图不必由互不相干的产品分别处理。训练包含三阶段课程式监督微调，随后通过混合任务强化学习协调不同感知目标。
作者报告在三十多项基准上比较了对象级与像素级能力，并强调当用户询问的物体并不存在时，模型需要正确拒绝，而不是强行框出一个对象。研究团队将项目向开源社区发布，目标是把视觉语言模型从宽泛图像理解推进到更可靠的细粒度感知。