بطاقة عنوان رئيسية تحمل النص 'WeMM-Video-2B'، وعنوانًا فرعيًا 'صدرت دون إعلان'، مع أربع شارات تحمل النصوص: '2B كثيف، 3.28B إجمالي'، 'فيديو + صوت + صورة + نص كمدخلات'، 'Apache 2.0، أربع تكميمات'، 'صفر تنزيلات على Hub'.
Engineering & Research

WeMM-Video-2B: نموذج شامل متعدد الوسائط بحجم 2B لم يعلن عنه أحد

الكاتب

Gideon Frost

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

لا يوجد منشور إطلاق. لا توجد بطاقة نموذج على صفحة منتج، ولا قائمة انتظار، ولا جدول تسعير، ولا تغريدة عن نتائج قياس الأداء من مسؤول تنفيذي في T​encent. ما يوجد هو مستودع Hugging Face أُنشئ عند 08:58 UTC في 17 نوفمبر 2026، ومستودع GitHub وقعت أول عملية إيداع فيه قبل ذلك بست ساعات ونصف، وكلاهما يصفWeMM-Video-2B بوصفه نقطة التفتيش الكثيفة بحجم 2B ضمن عائلة من نماذج الفيديو الصينية–الإنجليزية متعددة الوسائط كليًا من WeChat Vision في T​encent. بعد ستة أيام، لدى المستودع إعجابان، وصفر تنزيلات، وأربعة نماذج شقيقة مكمّمة أُنشئت خلال إحدى عشرة دقيقة من الأوزان الأساسية. لذا فإن أول جملة صادقة في أي نص عن هذا النموذج هي جملة عن تغليفه: إنه عام، وقابل للتنزيل، ولم يقل أحد شيئًا عنه.

تستحق تلك الفجوة أن تؤخذ على محمل الجد بدلًا من اعتبارها يوم أخبار هادئًا. فعائلة نماذج تطرح أوزانًا وورقة بحثية وأربعة صيغ تكميم ووصفات مُرقّعة لـ vLLM وSGLang، وبيئة تشغيل أصلية بلغة C++، وملف Docker compose، في الأسبوع نفسه، ليست مجرد طرح بحثي نسي أحدهم الإعلان عنه — بل إصدار أُعدّ ثم صدر من دون الطبقة التسويقية. ويفصل ما يلي بين ما تثبته المواد المنشورة وما لا يستطيع تأكيده إلا Tencent، وهو غير مهتم عمدًا بالحكم على ما إذا كان النموذج جيدًا.

ما الذي يحتويه المستودع فعليًا

نقطة التحقق الأساسية هي tencent/WeMM-Video-2B، بترخيص Apache 2.0، وحجم 6.12 GiB من safetensors بصيغة BF16 موزعة على شاردتين. يذكر ملف الفهرس 3,283,624,264 معاملًا إجمالًا، وهو ما يكشف أمرًا لا يوضحه الاسم: "2B" تشير إلى نموذج اللغة، لا إلى النظام. العمود الفقري النصي هو مفكك ترميز من عائلة Qwen3.5 — 24 طبقة، وحجم خفي 2048، و8 رؤوس انتباه مقابل رأسَي KV، ومفردات من 248,320 رمزًا وتضمين موضعي أقصى من 262,144 رمزًا — بتخطيط انتباه هجين يضع طبقة انتباه كامل واحدة بعد كل ثلاث طبقات انتباه خطي. وأمامه محوّل رؤية من 24 طبقة بحجم خفي 1024، ومكدس صوتي مبني من مشفّر Whisper من 32 طبقة يغذي Q-Former من طبقتين بحجم خفي 4104. أما المعاملات المتبقية فتقيم في هذين المشفّرين.

Generated scoreboard titled 'WeMM-Video-2B — the scoreboard' with six rows: parameters 3.28B total with a 2B language model, modalities in text, image, audio and video plus soundtrack, output text only, video sampling 2 fps from 4 to 16 frames, an 8,192-token context, and no hosted endpoint as the price. A footer reads 'Vendor-reported; no independent evaluations published.'

تُجيب هذه البنية عن السؤال الذي يطرحه الاسم. هذا ليس مولِّد فيديو. فهو يستقبل الفيديو — إطاراتٍ، بالإضافة اختياريًا إلى المسار الصوتي الأصلي — ويُخرج نصًا. وتؤكد ذلك معرّفات الرموز في ملف الإعداد نفسه: رمز فيديو، ورمز صوت، ورمز صورة، ونموذج لغوي يُولِّد. إذا وصلتَ وأنت تأمل في مشاركة أخرى في سباق النص إلى الفيديو، فسيُخيبك المستودع من أول قراءة لوسم خط المعالجة، وهو image-text-to-text.

• الأحجام في العائلة — 2B و4B و9B الكثيفة، و35B-A3B بمزيج من الخبراء، جميعها نُشرت معًا في 17 نوفمبر.

• تكميمات للنموذج 2B — FP8 Block128، وAWQ W4A16، وGGUF Q4_K_M، وNVFP4 W4A16، كل منها في مستودع خاص به، وكل منها أُنشئ خلال إحدى عشرة دقيقة من الأوزان الأساسية.

• مسارات الخدمة — Transformers 5.2.0، وvLLM 0.18.0 أو 0.31.0 المُرقّع، وSGLang 0.5.16 أو 0.5.19 المُرقّع، وبيئة تشغيل أصلية لبناء GGUF تعمل على CPU أو CUDA.

• حدود الإدخال في الوصفات المُسلَّمة — حتى أربع صور، ومقطعي فيديو، وعنصري صوت لكل طلب، بطول سياق يبلغ 8,192 رمزًا.

• الترخيص — Apache 2.0 على الأوزان، مع ملف إشعارات طرف ثالث منفصل يغطي مكونات LAVIS وvLLM وSGLang.

تفصيل الخدمة المُرقّعة هو ما يميّز هذا عن إطلاق نموذج مفتوح الأوزان معتاد. لم تُطلق T​encent مستودعًا من نوع «يعمل نظريًا»؛ بل أطلقت رقعات تراكب لإصدارات محددة من vLLM وSGLang، وملفات اعتماديات مقفلة، وصور Docker موسومة بـCUDA 12.9، وملاحظة تحقق تقول إن نقطة التحقق حُمّلت وأكملت التوليد على عتاد L20 وH20 عبر النص والصورة والصوت والفيديو المصحوب بمسار صوتي. وما إذا كانت تلك الرقعات ستصمد خارج عنقود T​encent الخاص هو بالضبط نوع السؤال الذي يجيب عنه أسبوعٌ من تشغيل غرباء لها، وهذا الأسبوع لم يأتِ بعد.

Screenshot of the Hugging Face model card for tencent/WeMM-Video-2B, showing the image-text-to-text pipeline tag, Transformers and Safetensors, the qwen3_5 architecture with custom code, an Apache-2.0 licence, a model size of 3B parameters, a downloads figure with no deployments, and a Quantizations section listing the four sibling repositories.

ما تدّعيه الورقة، ومن تحقّق منه

التقرير التقني هو arXiv 2611.26409، مؤرخ في 19 نوفمبر 2026 — بعد يومين من ظهور الأوزان — وهو ورقة عن عائلة نماذج، وليست ورقة عن نموذج بحجم 2B. اثنا عشر مؤلفًا، أولهم في القائمة Changli Tang، وآخرهم في القائمة Jing Lyu، وجميعهم تحت لواء WeChat Vision.

يتعلق الادعاء الرئيسي بنموذج 35B-A3B، وليس بنموذج 2B: بأنه يرسي مستوى جديدًا من أحدث ما توصلت إليه النماذج مفتوحة المصدر في تقييم الفيديو متعدد الوسائط، ويتفوق بفارق كبير على Qwen3.5-Omni-Flash وSeed2.0-Mini-0428، ويقلّص الفجوة مع Gemini-3.0-Flash. وهناك ادعاء ثانٍ يخص النموذج المذكور في عنوان هذه المقالة: بأن WeMM-Video-9B يتجاوز النموذج الأكبر مفتوح المصدر Qwen3-Omni-30B-A3B-Instruct. ويظهر نموذج 2B في وصف العائلة وفي مستودع النماذج، لكن حجة الورقة يحملها أكبر أشقائه.

كل واحد من تلك الأرقام مُبلَّغ عنه من المورّد. لا يوجد مدخل في Artificial Analysis، ولا نتيجة في LMArena، ولا إعادة إنتاج مستقلة، و—حتى كتابة هذه السطور—لا يوجد أي تقييم من طرف ثالث من أي نوع لأي عضو من العائلة. تذكر الورقة أن النماذج قُيّمت عبر أكثر من 120 معيارًا؛ لكنها لا تذكر من أجراها، والجواب هو Tencent. ليس هذا اتهامًا، بل هو الوضع الطبيعي لإصدار عمره ستة أيام. لكنه يعني أن الوصف الصحيح لموقع 35B-A3B هو «تقرير Tencent بأنه يتصدر»، وليس «أنه يتصدر».

وثمة تحفّظ إضافي ذو طبيعة بنيوية لا تحريرية. فمجموعة معايير قياس مؤلفة من 120 مهمة، اختارها وحدّد أوزانها المختبر الذي درّب النموذج، هي قياس لمدى الملاءمة — إذ تخبرك أن النموذج جيد في الأشياء التي ارتأى مؤلفوها قياسها. لكنها لا تخبرك أنه جيد في الأشياء التي تحتاجها. والفجوة بين هذين القولين هي حيث تقع معظم أخطاء اختيار النماذج، ولا يسدّها أي قدر من قراءة الجداول.

الأوضاع الأربعة، ولماذا يُعدّ مسار الصوت مهمًا

تُظهر واجهة برمجة تطبيقات الاستدلال خمسة أشكال للطلبات، والشكل المثير للاهتمام هو الأخير. النص والصورة عاديان. الصوت وحده عادي. إطارات الفيديو وحدها هي الحالة القياسية للفيديو متعدد الوسائط. الفيديو مع مساره الصوتي الأصلي هو الذي يغيّر ما يمكن أن يُطلب من النموذج فعله، وهو نوع محتوى منفصل في واجهة برمجة تطبيقات التقديم بدلاً من سلوك ضمني.

عمليًا، هذا يعني أنه يمكنك تسليم النموذج مقطعًا ما وأن تطلب منه وصف ما يظهر على الشاشة وتلخيص ما يُقال، في نداء واحد، والحصول على إجابة تعكس كليهما. وأمثلة بطاقة النموذج نفسها تفعل ذلك بالضبط — إذ تنسخ الكلام الإنجليزي من تسجيل لأبولو 11، ثم تصف ملف MP4 نفسه مع مساره الصوتي وبدونه. أما ما إذا كان الاستدلال المشترك أفضل من تشغيل نموذج فيديو ونموذج كلام جنبًا إلى جنب ثم حياكة المخرجات، فذلك سؤال تجريبي، وهو أكثر شيء مفيد يمكن لمقيّم مستقل أن يختبره.

القرار التصميمي الآخر الجدير بالذكر هو قالب الدردشة ثنائي الوضع. تمرير enable_thinking=False يمنح استجابة مباشرة؛ enable_thinking=True يمنح مسار تفكير قبل الإجابة. هذا مقياس كمون مقابل جودة يُشحن كعلامة قالب بدلاً من نقطتي تفتيش، وهو خيار معقول لنموذج بحجم 2B — فأنت لا تدفع مقابل مجموعة ثانية من الأوزان للحصول على السلوك الثاني.

تشغيله، والحالة الصادقة للإتاحة

مسار البدء السريع هو بيئة Python 3.12، ووحدة GPU من NVIDIA، وبرنامج تشغيل متوافق مع CUDA 12.9 وFFmpeg. ثبّت Torch 2.10.0 وTorchVision 0.25.0 وTorchCodec 0.10.0 من فهرس CUDA 12.9، ثم Transformers 5.2.0 وAccelerate وPillow وLibrosa وSoundFile وSciPy وRequests. يُحمَّل النموذج عبر AutoModelForImageTextToText باستخدام trust_remote_code=True — البنية مخصصة، لذا فإن هذه العلامة أساسية وليست زخرفية، وتوجّهك بطاقة النموذج على نحو صحيح إلى قراءة الشيفرة المخصصة قبل تمكينها.

إذا كنت تريد خادمًا بدلًا من سكربت، فإن وصفة vLLM تثبّت بناءً مُرقَّعًا من 0.18.0 وتمرّر --no-enable-prefix-caching إلى جانب --mamba-ssm-cache-dtype float32، وهو مزيج يدلّك على أن طبقات الانتباه الخطي الهجينة لا تملك بعد ذاكرة تخزين مؤقت بادئة فعّالة. هذا قيد حقيقي على معدل الإنتاجية لأحمال عمل الدردشة، وهو من التفاصيل التي لا تظهر إلا عندما يحاول شخص ما تشغيل هذا الشيء فعليًا.

ما يغيب عن كل مستند هو السعر. لا توجد نقطة نهاية مستضافة لدى Tencent لـ WeMM-Video-2B، ولا سعر لكل رمز، ولا نشر مُدار. أنت تُنزّل الأوزان وتملك وحدة معالجة الرسومات. وعلى جانب OrcaRouter، فإن العبارة الصادقة هي ذاتها: نحن لا نقدّم WeMM-Video-2B. ما نوفّره فعلاً من Tencent هو خط Hunyuan النصي — tencent/hy4، tencent/hy4-flash وإصدارات المعاينة — على نقطة نهاية واحدة متوافقة مع OpenAI بسعر قائمة المزوّد مع هامش ربح 0%، وهو مفيد إذا كان خط أنابيبك يحتاج إلى نموذج نصي من المختبر نفسه وغير مفيد إذا كان يحتاج إلى هذا النموذج. منتجان مختلفان، واسم بائع واحد، والخلط بينهما سيكون الخطأ السهل الذي يُرتكب على عجل.

Screenshot of the OrcaRouter catalogue page for tencent/hy4, showing pricing of $0.56 per million input tokens and $2.24 per million output tokens, a quality score of 90, a speed score of 67, a 1M-token context window, a 64k maximum output, zero-data-retention support and a release date of 4 November 2026.

من الفضول إلى التوصية

ثلاثة أشياء، مرتبة حسب مقدار تأثيرها.

الأول هو تقييم مستقل على معيار لم تختره Tencent. أي تشغيل أعمى في ساحة اختبار — فهم الفيديو، أو الأسئلة والأجوبة السمعية-البصرية، أو أي شيء أقرب — سيوضح لك فورًا ما إذا كانت المكانة التي تدّعيها العائلة تصمد أمام مجموعة مطالبات محايدة. وإلى أن يوجد ذلك، فإن "أحدث ما وصلت إليه المصادر المفتوحة" الذي يقدّمه 35B-A3B ليس سوى ادّعاء عن جدول في ملف PDF.

الثاني هو تقرير تشغيل من خارج Tencent. التصحيحات محددة، والعتاد محدد، وملاحظة التحقق تغطي طرازي GPU. ليس معروفًا ما إذا كان هذا يعمل بسلاسة على عقدة H100، أو عقدة A100، أو 4090 مستأجرة، والإجابة ستحدد ما إذا كان 2B مشروع نهاية أسبوع أم أثرًا بحثيًا.

الثالث هو إعلان من مورّد — أي إعلان من مورّد. منشور مدونة، أو بطاقة نموذج على صفحة منتج لـ Tencent، أو مستوى تسعير. في الوقت الحالي، لا يكون الإصدار مقروءًا إلا للأشخاص الذين يقرؤون الطوابع الزمنية للمستودعات، والنافذة البالغة سبعة أيام التي يظل فيها ذلك صحيحًا آخذة في الإغلاق. إذا لم تنشر Tencent شيئًا، فالتفسير الأرجح هو أن هذه الأوزان موجودة لدعم الورقة البحثية و35B، وأن 2B مجرد نقطة تفتيش تسهيلية وليست منتجًا.

وهذا هو الخلاصة الصادقة للأمر. إن WeMM-Video-2B نموذج حقيقي قابل للتنزيل، بترخيص Apache-2.0، وشامل الوسائط، لم يعلن عنه أحد، ولم ينزّله أحد، ولم يختبره أحد بشكل مستقل. إذا كان عملك يتضمن الفهم الصوتي البصري المشترك، ولديك وحدة GPU احتياطية وفترة بعد ظهر متاحة، فإن كلفة اكتشاف ما يفعله هي التنزيل. وإذا كان عملك يتضمن إطلاق شيء الشهر المقبل، فإن كلفة الاكتشاف أعلى من ذلك، والتصرف المسؤول هو انتظار أرقام شخص آخر.

مقارنات في هذه المقالة1

مستخرج من هذه المقالة