WeVisOne-VL：物体からピクセルまで統一する視覚認識モデル

WeVisOne-VLは、構造化されたnext-token予測により物体レベルとピクセルレベルの視覚認識を統合したVLM（Vision-Language Model）である。検出、参照による位置特定、カウント、OCR、セグメンテーション、マッティングに対応し、点やボックスからマスク、アルファマットまでの粒度で位置特定を行える。