WeVisOne-VL: 객체에서 픽셀까지 통합하는 시각 인식 모델

WeVisOne-VL은 구조화된 next-token 예측을 통해 객체 수준과 픽셀 수준의 시각 인식을 통합한 VLM(Vision-Language Model)이다. 탐지, 참조 기반 위치 파악, 개수 세기, OCR, 세그멘테이션, 매팅을 지원하며, 점이나 박스에서 마스크, 알파 매트까지의 세분성으로 위치를 파악할 수 있다.