什么是 WeVisOne-VL？

WeVisOne-VL 是腾讯发布的模型，它把 Qwen3-VL 专门针对感知任务做了微调。

目标检测、分割、计数、OCR，一个模型就能全部搞定。

类似的模型有 Florence-2，但基础模型已经进步了一大截，应对复杂提示词的能力也理所当然地提高了。

下载模型

📂ComfyUI/
└── 📂models/
    └── 📂text_encoders/
        ├── wevisone_vl_2b_int8_convrot.safetensors
        └── wevisone_vl_4b_int8_convrot.safetensors

WeVisOne-VL Detect

切换 task 来选择要做的任务。

segmentation

用文字描述对象，就会输出遮罩和 BBOX。

wevisone_vl_segmentation.json
  • 打开 individual_masks 后，如果有多个对象，每个对象会分别输出为单独的遮罩。

detection / referring

基本上就是去掉了遮罩输出的 segmentation。

严格来说，detection 和 referring 在内部使用的是不同的提示词，但就我试下来，结果几乎一样。何况 segmentation 本身也会输出 BBOX，所以我觉得用到它们的场合不多。

point

不输出 BBOX，而是用坐标给出对象的位置。

count_box / count_point

统计对象的数量。

wevisone_vl_count_box.json

数量是以 Total number: 6. 这样的句子输出的，用起来有点不方便。

这个工作流用 Extract Text 的正则表达式只取出数字，再用 Convert Number 转成 INT。

ocr

提取图像中的文字。

wevisone_vl_ocr.json

每个单词的坐标和内容会作为 text 输出。

可惜的是，它似乎不太擅长日语。

ocr_grounding

与 ocr 相反：写下要找的文字，它会用 BBOX 输出这段文字在图像中的位置。

wevisone_vl_ocr_grounding.json

visual_prompt

在同一张图像中寻找与框选对象相同的东西。

它并不是使用参考图像那样的功能，所以可能不太好找到用武之地。

wevisone_vl_visual_prompt.json

freeform

上面的任务都针对各自的用途整理好了输入和输出，而在这个模式下，query 里写的内容会原样作为提示词传给模型。

wevisone_vl_freeform.json

写上 Describe this image. 之类的内容，也可以当作普通的 VLM 来描述图像。不过它是为感知任务打造的模型，如果是这种用法，还是普通的 Qwen3-VL 更合适。

Samples