Mask-SAM

腾讯发布 WeVisOne-VL，将视觉任务统一到单一 token 流

腾讯 AI 实验室发布了 WeVisOne-VL，这是一种新颖的视觉语言模型，能够从单一输入流中同时预测边界框、掩码和文本。这种统一的方法在 RTX 4090 GPU 上进行了演示，这三个任务的总推理时间不到 120 毫秒，显著优于传统的多模型管道。通过将所有视觉输出视为自回归序列中的 token，WeVisOne-VL 简化了训练和推理，降低了自动化物流等应用的延迟、内存使用和工程复杂性。