腾讯微信视觉开源 WeMM-Video:中英双语全模态视频理解模型家族

2026.11.21 · 收录日 2026.11.21 · 模型 · 新模型 · 开源项目

腾讯微信视觉开源全模态视频理解模型家族,含 2B 到 35B-A3B 四档

腾讯微信视觉开源 WeMM-Video 全模态基础模型家族,支持文本、图像、音频、视频输入并生成文本回复,视频可同时利用画面与原声。家族包含 2B、4B、9B 稠密模型和 35B-A3B 混合专家模型,训练使用约 1.2 万亿多模态 token。WeMM-Video-35B-A3B 在开源全模态视频理解上取得新 SOTA,超过 Qwen3.5-Omni-Flash 和 Seed2.0-Mini-0428,并缩小与 Gemini-3.0-Flash 的差距。

  • 支持文本、图像、音频、视频输入并生成文本,视频可结合原声与帧画面
  • 提供 Instruct 快速直答与 Thinking 多步显式推理两种推理模式
  • 模型规模覆盖 2B、4B、9B 稠密模型及 35B-A3B 混合专家模型
  • 训练约 1.2 万亿多模态 token,采用渐进式预训练与多阶段后训练
  • 35B-A3B 与 9B 在通用音频理解上达到领先水平

为什么值得看

开源全模态视频理解新 SOTA,含多档量化版本

适合谁关注

多模态研究者、视频理解与音频应用开发者

原始来源

查看收录日 2026.11.21 全部卡片 · 全部卡片归档