微信 WeVisOne-VL 论文:统一物体与像素级视觉感知并开源

微信团队在 Hugging Face 发布论文,提出 WeVisOne-VL 模型,试图用同一个视觉语言大模型同时完成目标检测、计数、OCR、分割和抠图等任务,并宣布开源。它值得关注,是因为多粒度感知一直是视觉语言模型的短板。

微信团队在 Hugging Face 发布论文,提出 WeVisOne-VL 模型,试图用同一个视觉语言大模型同时完成目标检测、计数、OCR、分割和抠图等任务,并宣布开源。它值得关注,是因为多粒度感知一直是视觉语言模型的短板。

据 alphaXiv 论文页面,IQuest-Q1 以 320B 总参数、15B 激活的开源稀疏 MoE 形态发布,主攻命令行智能体(CLI Agent),在 Terminal-Bench 2.1 上报告 83.2 分。它值得关注的地方不在分数领先,而在于把“智能体在真实终端环境里执行任务”作为训练主线。

alphaXiv 上的一篇论文提出把人形机器人运动数据中的“身体与地形接触点”当作学习先验,让注意力机制预测未来落脚与支撑位置,再由全身控制器实现动作;在 Unitree G1 上展示了单一通用策略完成爬梯、攀台、匍匐、越矮墙、踩石等任务,但均为论文演示,并非已上线产品。

Hugging Face Papers 收录的一篇新论文提出 GAFU 后训练框架,把统一多模态模型的生成侧视觉表示压缩成 G token,交给理解通路调用,在多项细粒度视觉任务上超过同等数据训练的 SFT 基线。

Hugging Face Papers 收录的论文 Cola2 提出一种分层语言生成框架,把连续语义压缩和离散文本生成放在一起训练;目前公开的是论文摘要,不是已上线产品。

Hugging Face Papers 于 2026 年 10 月 20 日收录论文 RLSplat,提出一种资源随高斯预算线性下降的前馈 3D Gaussian Splatting 框架,把“少要高斯就少算”从口号变成推理链路设计。

arXiv 新论文提出 PLE 基准,用 85 个长周期、多格式的物理工程任务检验 AI Agent 能否交付可被执业工程师签署的真实设计成果。目前公开信息显示,最强配置平均分仅 50.6%,与自主完成工程交付仍有明显差距。

arXiv 2026年10月23日发布的一篇新论文提出 BELT,把“预测答案对错”和“决定何时停止”拆开处理,使同一个推理大模型能在不同算力预算下复用同一套早停表示,减少无谓的 token 生成。

arXiv 新发布一篇综述论文,讨论 6G 通信系统中智能体 AI 与多模态智能的安全隐私问题,指出风险会沿多模态数据管线、记忆、工具和智能体协作循环传播,并梳理了威胁模型与缓解思路。

一篇新论文提出 TTR-Compressor,把序列压缩重新表述为“在推理时求解回归问题”,在稀疏注意力和多模态视觉 token 合并两个场景中,都报告了优于池化、MLP 投影等常规压缩方式的初步结果。