WeVisOne-VL : modèle unifié pour la perception visuelle fine
En bref
- WeVisOne-VL unifie détection d'objets et perception pixel par pixel via une prédiction structurée de tokens.
- Le modèle gère 6 tâches visuelles dont segmentation, OCR et matting avec une seule architecture.
- Il surpasse les VLMs existants sur plus de 30 benchmarks tout en rejetant les requêtes sans objet.
Des chercheurs présentent WeVisOne-VL, un modèle de vision-langage unifié capable de gérer des tâches de perception visuelle allant du niveau objet au niveau pixel. Selon l'annonce, il combine détection d'objets, localisation référentielle, comptage, OCR, segmentation et matting via une prédiction structurée de tokens. Le modèle est entraîné en trois étapes avec un renforcement par apprentissage par renforcement sur des tâches mixtes et affiche des performances supérieures sur plus de 30 benchmarks.
Ce résumé vous donne l'essentiel. L'article complet, ses chiffres et ses citations sont chez Hugging Face Daily Papers.
Lire l'article originalRésumé généré par IA à partir de la source, relu par règles. Comment nous rédigeons · Signaler une erreur