HF Daily Papers·· 2 天前精选AI 评分60
WeVisOne-VL：从对象到像素的统一视觉感知
WeVisOne-VL: Unified Visual Perception from Objects to Pixels
AI 导读
论文提出 WeVisOne-VL，通过结构化 token 预测统一对象级与像素级视觉感知。该 VLM 借助轻量 pixel decoder 和特殊 <OBJ> token 生成实例级像素输出，并采用三阶段课程训练，先进行 SFT，再进行混合任务 RL。
推荐理由
将检测、定位、OCR、分割与抠图纳入同一 VLM，并给出 30 多个基准结果，为比较细粒度视觉感知方案提供集中参考。
来源：HF Daily Papers · huggingface.co