Vota en Free Arena

Vídeo··4 min de lectura·Datos actualizados automáticamente

WeVisOne-VL-2B: novedades, hardware necesario, cómo usarlo gratis

WeVisOne-VL-2B is a 2.4 billion-parameter unified vision-language model from Tencent, running on a modest RTX 4060. It supports object detection, OCR…

Qué dice el vídeo

Tencent released WeVisOne-VL-2B, a 2.4 billion-parameter vision-language model that handles objects and pixels in one go. It runs on a modest RTX 4060 with just 4 GB memory.

WeVisOne-VL-2B is a vision-language model from Tencent's WeChat Vision team. According to the model card, it builds on Qwen3-VL and adds a lightweight 9.5 million-parameter pixel decoder. The model can predict bounding boxes, points, and full-resolution alpha mattes directly from images, using special coordinate and instance tokens.

The new part is a dedicated pixel decoder that combines a visual feature adapter, a box-guided query decoder, and an instance-conditioned dense prediction head. It produces dense outputs like segmentation and matting without a separate processing stage. The model also returns None when a queried target is absent, simplifying downstream handling.

According to the model card, the model excels at open-vocabulary object detection, referring localization, counting, OCR, segmentation, and promptable alpha matting. However, fine alpha boundaries can be affected by image resolution, severe occlusion, complex transparency, and how prompts are phrased. It is designed for single-turn image perception; video grids are rejected.

The release is aimed at research on visual grounding, referring localization, pointing, counting, OCR localization, segmentation, and image matting. Because it fits in the memory of an RTX 4060 at 4 GB, hobbyists with a modest GPU can also experiment. No free API is available yet, but the weights can be downloaded from Hugging Face.

¿Qué necesitas para ejecutarlo en casa? A 4 bits ocupa unos 4 gigabytes de memoria. El equipo doméstico más pequeño que lo aloja por completo es un RTX 4060. Con un RTX 3060 12 GB y 32 gigabytes de RAM escribe unos 105 tokens por segundo. Con un RTX 4090 y 64 gigabytes de RAM escribe unos 247 tokens por segundo.

Aún no hay API gratuita para ello. Los pesos son abiertos: puedes descargarlos de Hugging Face bajo la licencia Apache 2.0. Arena aún no lo ha clasificado: añadiremos la puntuación en cuanto lleguen los votos.

Compare WeVisOne VL 2B with every free model, and check what your own GPU can run, on FreeLLMArena.

Los datos

  • Tamaño: 2.4B parámetros · contexto 256K · memoria a 4 bits unos 4 GB.
  • RTX 3060 12 GB + 32 GB de RAM: unos 105 tokens/s
  • RTX 4090 + 64 GB de RAM: unos 247 tokens/s
  • RTX 5090 + 64 GB de RAM: unos 369 tokens/s
  • Mac M4 Max 128 GB: unos 110 tokens/s
  • NVIDIA DGX Spark 128 GB: unos 82 tokens/s
  • Ryzen AI Max+ 395 128 GB: unos 77 tokens/s
  • Mac Studio M3 Ultra 512 GB: unos 138 tokens/s
  • Ficha del modelo: https://huggingface.co/tencent/WeVisOne-VL-2B
  • Todos los modelos gratis, comparados: https://freellmarena.com

Hardware

Memoria a 4 bits con un contexto de 8K, de nuestro simulador. Para comprobar tu propio equipo, usa el simulador Ejecútalo en casa.

Como afiliados de Amazon, FreeLLMArena gana con las compras que cumplen los requisitos; los enlaces no cambian las cifras.

Cada cifra de esta entrada sale de los datos de FreeLLMArena del 23 oct 2026: votos de Arena, tamaños de Hugging Face y nuestro simulador de velocidad. Descarga el vídeo y sus subtítulos.

Clasificación gratuita

Todos los modelos de IA gratis, clasificados

Tamaños, memoria, velocidad en tu tarjeta gráfica y dónde usar cada modelo gratis. Se actualiza cada noche.

Abre la clasificación →

Comparte esta página:XLinkedInRedditWhatsApp

Pulsa / o Ctrl+K para buscar desde cualquier página.