RefCOCOg-Rej 里每条描述在图中都找不到对应物体，正确做法是一个框都不出。LocateAnything-3B 的拒答率 0.6%，Rex-Omni-3B 0.5%，WeVisOne-VL-4B 是 67.4%。

这组数比它三十多个 benchmark 上的涨点更值得看。用户问图里没有的东西，模型照样画个框，下游就跟着错。分割上也一样，Ref-ZOM 里 UniPixel-7B 拒答 0.3%，它是 86.0%。

模型是腾讯微信视觉团队在 Qwen3-VL 上做的，2B 和 4B 两档，坐标用 <0> 到 <1000> 的专用 token 直接生成。要 mask 或 alpha matte（抠图用的透明度图）时，就在框后面多出一个 token，把它的 hidden state 交给轻量 pixel decoder，不用外挂 SAM。拒答我猜主要靠 RL：GRPO 阶段负样本只有一个都不预测才得 1 分，框的 reward 用 IoU 的三次方，漏检多检都扣。

自建的 WeRef-Bench 上它 F1 78.7、拒答 96.4，召回没被压下去，不过这是他们自己的 in-house 集。

论文：https://arxiv.org/pdf/2610.31329
代码：https://github.com/Tencent/WeVisOne-VL

#人工智能 #计算机视觉 #大模型 #论文 #深度学习