Vote na Free Arena

Vídeo··4 min de leitura·Dados atualizados automaticamente

WeVisOne-VL-2B: novidades, hardware necessário, como rodar grátis

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…

O que o vídeo diz

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.

O que você precisa para rodá-lo em casa? Com 4 bits, ele ocupa cerca de 4 gigabytes de memória. A menor máquina doméstica que o comporta por inteiro é RTX 4060. Em RTX 3060 12 GB com 32 gigabytes de RAM, ele escreve cerca de 105 tokens por segundo. Em RTX 4090 com 64 gigabytes de RAM, ele escreve cerca de 247 tokens por segundo.

Ainda não há API grátis para ele. Os pesos são abertos: você pode baixá‑los do Hugging Face sob a licença Apache 2.0. A Arena ainda não o classificou: adicionaremos a pontuação assim que os votos chegarem.

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

Os dados

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

Hardware

Memória com 4 bits e contexto de 8K, segundo o nosso simulador. Para conferir a sua própria configuração, use o simulador Rode em casa.

Como Associada da Amazon, o FreeLLMArena ganha com compras qualificadas; os links não alteram os números.

Todos os números deste post vêm dos dados do FreeLLMArena de 23 out. 2026: votos da Arena, tamanhos do Hugging Face e o nosso simulador de velocidade. Baixe o vídeo e as legendas.

Ranking dos grátis

Todos os modelos de IA grátis, classificados

Tamanhos, memória, velocidade na sua GPU e onde usar cada modelo de graça. Atualizado toda noite.

Abrir o ranking →

Compartilhe esta página:XLinkedInRedditWhatsApp

Pressione / ou Ctrl+K para pesquisar de qualquer página.