
WeMM-Video-35B-A3B: الأوزان متاحة، والدرجات خاصة بـ Tencent نفسها
- OrcaجديدOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 لكل مليون رمز · 182 tok/s
- tencentجديدTencent: Hy4 Flash2026-11-16$0.02 / $0.07 لكل مليون رمز · 356 tok/s
- GoogleجديدGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 لكل مليون رمز · 87 tok/s
- AnthropicجديدAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 لكل مليون رمز · 147 tok/s
- orcaجديدOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 لكل مليون رمز · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 لكل مليون رمز · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447الذكاء
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 لكل مليون رمز · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
لمدة ثلاثة أيام، احتوى مستودع Hugging Face tencent/WeMM-Video-35BA3B على ملف واحد: 1.5 كيلوبايت .gitattributes. صدر التقرير التقني الذي يصف WeMM-Video-35B-A3B على arXiv في 19 نوفمبر، واصفًا نقطة التحقق بأنها أحدث ما وصلت إليه المصادر المفتوحة في الفهم السمعي البصري المشترك، متقدمًا على Qwen3.5-Omni-Flash وSeed2.0-Mini-0428 ومقتربًا من Gemini-3.0-Flash. القارئ الذي صدّق التقرير ونقر للوصول إلى الأوزان لم يجد شيئًا لتنزيله. ولم تصل موترات BF16 البالغة 67.39 GiB إلا عند الساعة 03:57 UTC من 20 نوفمبر — هذا الصباح. أُعلن النموذج الرائد قبل يوم من وجوده، وكل رقم مرتبط به حتى الآن يأتي من الفريق الذي درّبه.
ذلك التوقيت ليس فضيحة، بل إصدار بحثي عادي بخطوات خارج ترتيبها. لكنه يعني أن السؤال المفيد بشأن WeMM-Video-35B-A3B ليس «هل هو جيد؟» — فالتقرير يجيب عن ذلك لصالح الفريق نفسه، عبر سبعة جداول — بل «ما الذي يمكنك التحقق منه بنفسك اليوم، وما الذي تأخذه على الثقة؟» يجيب المستودع عن الشطر الأول على نحو أفضل مما تفعله معظم الإصدارات.
وصلت الأوزان صباح اليوم، وليس في السابع عشر.
تجعل الطوابع الزمنية لـ Hugging Face التسلسل واضحًا على نحو غير معتاد. أُنشئت مستودعات WeMM-Video التسعة عشر في مجموعة Tencent خلال نافذة مدتها ست دقائق يوم 17 نوفمبر، بين 08:53:50 و08:59:06 UTC — وهي بصمة سكربت رفع لا شخص يضغط على نشر. أما مستودع 35B-A3B، فإن الإيداع المعنون الإيداع الأولي عند 08:53:50 يحتوي على ملف واحد بالضبط، وهو ليس وزنًا. والإيداع المعنون رفع إصدار WeMM-Video-35BA3B BF16، الذي يحمل سبعة عشر شظية من safetensors، مؤرخ بـ 2026-11-20T03:57:36Z.
تم استكمال الأحجام الأصغر في الصباح نفسه: 2B عند 01:41، و4B عند 04:08، و9B عند 05:08. مستودع GitHub Tencent/WeMM-Video أُنشئ في 17 نوفمبر عند 02:29 UTC، وكان README الخاص به لا يزال قيد المراجعة عند 05:09 في 20 نوفمبر. قُدِّم تقرير arXiv رقم 2611.26409 في 19 نوفمبر عند 16:58 UTC.
لا شيء من ذلك غير معتاد بالنسبة لمختبر يُطلق عائلة من النماذج. ما يغيّره هو موقف أي شخص يقرأ عن النموذج هذا الأسبوع: يصف التقرير نقطة تحقق كانت، لنحو ستة وثلاثين ساعة، وعدًا. إذا قرأت التغطية في 19 نوفمبر وحاولت تشغيله، فإن الفشل لم يكن بسبب سلسلة أدواتك.

ما الذي يوجد داخل نقطة تحقق بسعة 36.18B؟
تضع بيانات Hugging Face الوصفية الخاصة به نقطة التحقق عند 36,177,564,536 معاملًا — أي 36.18B مقابل تسمية «35B-A3B». التسمية ليست خاطئة، لكنها ببساطة تعُدّ شيئًا مختلفًا عن حجم الملف، والفجوة بين الاثنين هي أكثر ما يهم عمليًا في هذا النموذج.
• برج اللغة — 40 طبقة بعرض مخفي 2,048، و16 رأس استعلام مقابل رأسَي مفتاح-قيمة، وبُعد رأس 256، ومفردات 248,320. الانتباه هجين: كل طبقة رابعة انتباه كامل والثلاث الأخرى انتباه خطي، ولهذا يحمل كل أمر خدمة في المستودع علم ذاكرة SSM المؤقتة float32.
• الخبراء — 256 خبيرًا موجّهًا لكل طبقة بعرض وسيط يبلغ 512، وتوجيه أفضل 8، بالإضافة إلى خبير مشترك بعرض 512. عبر 40 طبقة، يبلغ ذلك 10,240 خبيرًا موجّهًا.
• برج الرؤية — 27 كتلة بعرض مخفي 1,152، وحجم رقعة 16، ودمج مكاني 2، ورقعة زمنية 2، مع الإسقاط إلى 2,048.
• الصوت — على غرار Whisper، 32 طبقة مُشفِّر و32 طبقة مُفكِّك بعرض 1,280، تغذّي Q-Former على مستوى النافذة يضغط كل نافذة مدتها 0.1 ثانية إلى رمز واحد. أي ما يعادل 10 رموز صوتية في الثانية، من إدخال بتردد 16 كيلوهرتز مقسّم إلى مقاطع مدتها 30 ثانية.
• المصدر — يقول التقرير إن MoE مبني على Qwen3.6-35B-A3B وإن مُرمِّزات الصوت تُهيَّأ من Qwen2.5-Omni. وتحمل إطارات الفيديو طوابع زمنية نصية، وتُشابك الرموز البصرية والصوتية بترتيب زمني بدلاً من تجميعها في تدفقات منفصلة.
• التدريب — ما يقارب 1.2 تريليون رمز متعدد الوسائط عبر التدريب المسبق التدريجي، ثم التقطير على السياسة متعدد المعلمين، ومرحلة تفضيل لمكافحة التكرار يسميها المؤلفون MrDPO، وتعلّم التعزيز المتخصص.
• الترخيص — رخصة أباتشي 2.0 في جميع أنحاء المجموعة، مع استثناء للمكوّنات التابعة لأطراف ثالثة "تظل خاضعة لشروطها الأصلية الخاصة بها". الاستثناء مذكور، لكنه غير مفرد بالتفصيل.
تُنشَر أربع نسخ مُكمَّمة إلى جانب نقطة حفظ BF16، وتستحق ملفات بيانها أن تُقرأ لما تتسم به تسمياتها من صراحة. يبلغ إجمالي AWQ W4A16 22.69 GiB ويقول بيانه quantized_unvalidated. إن NVFP4 W4A16 ملف safetensors واحد بحجم 24.11 GiB لا يصرّح بيانه إلا بـ cpu_NVFP4_weight_artifact_independently_reread — فقد أُعيدت قراءة الأوزان على CPU، وهذا مجموع تحقّق، وليس تقييمًا. تتكوّن حزمة GGUF Q4_K_M من ثلاثة ملفات (22.61 GiB للغة، و0.84 GiB لمُسقِّط الرؤية، و1.99 GiB للصوت) ويقول بيانها exported_unvalidated، مع قول ملف النطاق الخاص بكل موتر quantized_candidate_not_validated.
النسخة الخامسة مفقودة. تشير بطاقة النموذج وجدول model-zoo على GitHub كلاهما إلى مستودع FP8 Block128؛ ويعيد Hub الاستجابة 401 له، وهي الاستجابة نفسها التي يعطيها لاسم مستودع لم يوجد قط، في حين تعيد كل نظيراته الحية الاستجابة 200. تحتوي مجموعة Hugging Face على فراغ في الموضع 1، تمامًا حيث كان من المفترض أن يقع ذلك المستودع. هذا إصدار لا يزال قيد التجميع أثناء قراءتك له.
رقم واحد مقيس، وهو صوتي
تُبلغ بطاقة النموذج عن تقييم واحد فقط أجراه المورّد بنفسه: MMAR1000 بنسبة 72.7%، أي 727 من 1,000. الشروط مذكورة بالكامل، وهو الجانب الجيد — صوت فقط، الصوت الكامل مفكوك الترميز عند 16 kHz، وضع Instruct، فك ترميز جشع، بحد أقصى 256 رمزًا ناتجًا، vLLM 0.18 المُرَقّع على وحدتي H20 GPU مع التوازي الموتر.
كل ما تبقّى على تلك البطاقة هو بيان بأن شيئًا ما قد تم تحميله. حمّلت نسخة vLLM المُرَقّعة نقطة التحقق على H20 وأكملت فحوصات التوليد للنص والصورة والصوت والفيديو المصحوب بموسيقى تصويرية؛ واجتازت نقطة التحقق المحلية تحميلًا مباشرًا عبر Transformers وفحص توليد نص على وحدة المعالجة المركزية. هذا هو الحد الأدنى لما يحتاجه قرار النشر، ولا تتظاهر Tencent بخلاف ذلك.
ثمة تفصيل غير محسوم يستحق التحقق. يتضمن دليل التشغيل في مستودع GitHub نفسه جدول تحقق يقول صفه الأخير: «توليد GPU بعد تنزيل نقطة تحقق من Hub معلّق». وتقول بطاقة النموذج إن تشغيل H20، الذي يُحمّل من Hub، أكمل التوليد لجميع الأنماط الأربعة. وثيقتان كتبهما الفريق نفسه تختلفان حول مقدار ما تم إثباته. ادعاء البطاقة أكثر تحديدًا وربما أكثر حداثة؛ والاختلاف سبب وجيه لتخصيص يوم من اختباراتك الدخانية الخاصة بدلًا من أسبوع من التكامل.
يسرد جدول الصوت في التقرير أيضًا 73.6 على MMAR لنقطة الحفظ هذه، وهي أداة اختبار مختلفة عن تشغيل MMAR1000 الخاص بالبطاقة، ولا ينبغي طرحها من 72.7 للحصول على رقم "حقيقي". القراءة الصادقة الوحيدة هي أن رقم الصوت الخاص بـ Tencent نفسه يقع في أوائل السبعينيات، ولم يقِسه أي طرف ثانٍ.
28 من 30 مقابل Qwen's omni flash
الجدول 1 في التقرير هو حالة الطراز الرائد، وهو جدول كبير. عبر 30 معيارًا أحادي القيمة في ذلك الجدول — مهام صوتية-بصرية مشتركة، وهلوسة صوتية-بصرية، وفهم الموسيقى، والتفاعل، وإنتاج التعليقات — يتقدم WeMM-Video-35B-A3B في وضع Thinking على Qwen3.5-Omni-Flash في 28 ويتأخر في 2. ومقابل Seed2.0-Mini-0428 يتقدم في 26 ويتأخر في 4. ومقابل Gemini-3.0-Flash يتقدم في 9 ويتأخر في 21.
الانتصارات الأكثر أهمية ليست تلك المرتّبة والمرتبة:
• Video-MME مع الصوت — 86.4 لـ WeMM-Video-35B-A3B، و79.3 لـ Qwen3.5-Omni-Flash، و83.6 لـ Seed2.0-Mini-0428، و88.6 لـ Gemini-3.0-Flash.
• Video-MME v2 مع الصوت — 54.9 مقابل 36.6 و51.7، مع Gemini-3.0-Flash عند 63.2. تقدّم بثماني عشرة نقطة على أقرب منافس مفتوح المصدر في الشريحة الأصعب من الاختبار نفسه.
• AV-SpeakerBench — 72.6 مقابل 65.2 و68.5، ولا يزال خلف Gemini عند 75.9. إن التمييز بين من تحدث، عبر الفيديو، هو المهمة التي تفصل بين الدمج السمعي البصري الحقيقي ونموذج رؤية أُرفق بنص مكتوب.
• SciVideoBench وEvaOmni — 69.4 مقابل 51.3، و57.8 مقابل 30.4. كلاهما كثيف الاعتماد على الاستدلال؛ وكلاهما من المجالات التي ينهار فيها عادةً النموذج الشامل الأضعف.
الخسائر محددة بالقدر نفسه وتستحق التسمية، لأن جدولًا لا يُظهر سوى المكاسب هو الشيء الذي وُجدت هذه المدونة لتجنبه:
• JointAVBench — 65.9، متأخرًا عن Qwen3.5-Omni-Flash عند 69.0 وGemini-3.0-Flash عند 68.4، ومتقدمًا فقط على Seed2.0-Mini-0428 عند 64.7.
• MUSIC-AVQA — 79.5 مقابل 82.1 لدى Qwen، وإن كانت متقدمة على 76.2 لدى Gemini. الموسيقى هي المجال الذي لا تزال فيه بنية الصوت لدى Qwen متفوقة.
• مقابل Seed2.0-Mini-0428 — OmniCompass-AV 46.3 مقابل 47.9، وOmniVChat 48.9 مقابل 49.8، وO-IN-Bench 49.0 مقابل 49.4، ومجموعة اختبار video-SALMONN 2 عند 28.3 مقابل 32.7. ثلاثة من هذه الأربعة ضمن نقطة واحدة.
• مقابل Gemini-3.0-Flash — تكون الفجوة أوسع ما تكون في الفيديو الطويل والموجّه نحو المستقبل: MMOU 74.5 مقابل 84.7، وFutureOmni 56.2 مقابل 65.3، وOmniVideoBench 55.3 مقابل 63.3، وLVOmniBench 52.6 مقابل 59.8. إن عبارة "تضيّق الفجوة" وصف منصف؛ أما "تغلقها" فلن تكون كذلك.
كل رقم أعلاه هو رقم Tencent. يقول التقرير ذلك بنفسه — «بالنسبة للنماذج الحالية، نعرض النتائج الرسمية حيث تتوفر، وتقييماتنا الخاصة فيما عدا ذلك» — وينتقل بين وضعي Instruct وThinking بحسب الجدول، وهو ما يذكره أيضًا. لم يُعِد أي طرف ثالث إنتاج أيٍّ منه، ولا تُدرج Artificial Analysis ولا LMArena أي نموذج WeMM.

لم تُؤثّر إضافة الأذنين إلا بالكاد على درجات الرؤية.
الادعاء في هذا الإصدار الذي يستحق اهتمامًا أكبر من مقياس العنوان الرئيسي هو ادعاء أهدأ: أن إضافة مكدّس صوتي إلى نموذج لغوي بصري لم يُكلّفه الكثير من القدرات البصرية. عادةً ما يُكلّف التدريب متعدد الوسائط بالكامل شيئًا ما — إذ يوزّع النموذج سعته على الوسائط ويتنازل عن بعض الأرضية في الفيديو الصامت.
يختبر التقرير ذلك مباشرةً بوضع WeMM-Video-35B-A3B في مواجهة نموذجه الأساسي Qwen3.6-35B-A3B على 31 معيارًا للفيديو الصامت. النموذج الرائد متقدّم في 20 ومتأخر في 11، ومعظم تلك الـ11 يقع ضمن نقطة واحدة.
• حيث حقق تحسنًا — TimeLens-Charades 54.8 مقابل 47.4، F-16-NBA 89.9 مقابل 82.8، CrossVid 50.2 مقابل 45.2، OVO-Bench 63.9 مقابل 61.0، TemporalBench 45.9 مقابل 43.3.
• أين خسر — EgoSchema 74.2 مقابل 77.2، Video-MME 80.4 مقابل 82.5، MVBench 73.1 مقابل 74.6، MLVU 85.3 مقابل 86.2. أما البقية فهي أجزاء من نقطة.
اقرأ النمط لا العدد: المكاسب تتجمّع في التأصيل الزمني والربط بالفيديو الطويل، والخسائر في فيديو المنظور الشخصي. وهذه مقايضة معقولة لنموذج مضبوط على فيديو بصوت. وبالمقارنة مع Qwen3.5-Omni-Flash على جدول الفيديو الصامت نفسه، فهو متقدّم في 30 من 31، ولا يخسر إلا في VideoVista، بنتيجة 83.5 مقابل 84.1.
يُظهر جدولا الصور والنص الشكل نفسه. مقابل Qwen3.5-Omni-Flash، تذهب 26 من أصل 28 من معايير الصور إلى WeMM، باستثناء RefCOCO (89.5 مقابل 92.6) وTallyQA (80.7 مقابل 81.2). مقابل نموذجه الأساسي، يكون جدول الصور شبه تعادل — 13 متقدمًا و14 متأخرًا — وجدول النص هو حيث تظهر التكلفة: MMLU-Pro 84.7 مقابل 85.2، وGPQA 83.8 مقابل 86.0، وIMOAnswerBench 74.8 مقابل 78.9، وSuperGPQA 63.4 مقابل 64.7. التخلي عن بضع نقاط من الاستدلال الصعب مقابل زوج أذنين عاملتين مقايضة طبيعية ويمكن الدفاع عنها، لكنها مقايضة، وأي شخص يوجّه نصًا بمستوى الدراسات العليا عبر نقطة التحقق هذه يجب أن يعرف أنها موجودة.
36 مليار من الذاكرة، و3 مليارات من العمليات الحسابية
هذه هي الحسابات التي تحدد ما إذا كان هذا النموذج قابلاً للنشر بالنسبة لك، وهي تنبع من الإعدادات لا من النص الإنشائي. من أصل 36.18B معامل، يقع نحو 32.2B في الخبراء الموجّهين: 40 طبقة × 256 خبيرًا × ثلاث إسقاطات بعرض 2,048 × 512. يلامس توجيه Top-8 واحدًا من كل اثنين وثلاثين من ذلك لكل رمز، أي نحو 1.0B معامل، وتتوافق عبارة "3B active" في التسمية بمجرد احتساب الانتباه والخبير المشترك وجدول التضمين.
إذن فاتورة الحوسبة صغيرة، أما فاتورة الذاكرة فليست كذلك:
• BF16 — 67.39 GiB موزعة على سبعة عشر شظية. استخدم التحقق الذي أجرته Tencent نفسها التوازي الموترّي عبر اثنين من H20. لا يوجد رقم منشور للتوازي الموترّي لإعدادات أكبر؛ لا يقول دليل الخدمة سوى: «خطّط للذاكرة الخاصة بكامل أوزان الخبراء واضبط --tensor-parallel-size حسب الحاجة.»
• NVFP4 W4A16 — 24.11 GiB، وهو ما يتّسع داخل بطاقة واحدة بسعة 48 GB مع مساحة متبقية للتخزين المؤقت. تتطلب هذه الوصفة بيئة vLLM 0.31.0 مُرقَّعة منفصلة مع الدقة المختلطة ModelOpt وMarlin، وتعمل باستخدام --max-num-seqs 1.
• AWQ W4A16 — 22.69 GiB على vLLM 0.18.0 المُرقّع باستخدام تهيئة compressed-tensors الخاصة بنقطة التحقق نفسها.
• GGUF Q4_K_M— حزمة من ثلاثة ملفات بحجم 24.6 GiB، لكنها مخصصة لبيئة التشغيل الأصلية الخاصة بـ Tencent، لا لـ llama.cpp أو Ollama. ويُعلن بيانها أنها مُصدَّرة وغير مُتحقَّق منها.
لا شيء هنا يعمل على محرك غير مُرقّع. يُشحن المستودع دليل رقعة: تراكبات مصدرية مع قوائم SHA-256 لأربعة إصدارات من المنبع بالضبط — vLLM 0.18.0 و0.31.0، وSGLang 0.5.16 و0.5.19 — كل منها مثبّتة على تركيبة محددة من PyTorch وTransformers وCUDA 12.9، مع اشتراط Python 3.12 وFFmpeg، واحتياج TorchCodec إلى CUDA 12 NPP في مسار الربط، وقياm SGLang بتجميع نوى CUDA عند أول استخدام. ولا يُظهر البحث في متتبع مشكلات vLLM أي طلب من المنبع لهذه البنية. هذه مهمة استضافة ذاتية يُطبَّق فيها تراكب على محرك استدلال يملكه شخص آخر.

يحدد تفصيلان في الإعدادات ما يمكنك فعليًا تمريره إليه. يعلن إعداد النص 262,144 موضعًا، لكن أمر vLLM الخاص ببطاقة الطراز نفسها يمرّر --max-model-len 8192، كما تحدّ كل وصفة SGLang السياق عند 8,192 أيضًا — فالرقم الطويل هامش احتياطي وليس إعدادًا مدعومًا. وينطبق الأمر نفسه على أخذ عينات الإطارات: يضبط المعالج افتراضيًا على إطارين في الثانية وبحد أقصى 128 إطارًا، بينما تتجاوز الوصفة المنشورة ذلك إلى 16 إطارًا وميزانية 262,144 بكسل. عند 10 رموز صوتية في الثانية، فإن سياقًا من 8,192 رمزًا يزيد قليلًا على ثلاث عشرة دقيقة من الصوت ولا شيء غير ذلك.
لا يقدّم OrcaRouter نموذج WeMM-Video-35B-A3B، ولا يُدرج الكتالوج أي نقطة تحقق خاصة بـ WeMM على الإطلاق، لذا لا يوجد سعر استضافة يمكن ذكره. ما نقدّمه فعلاً هو النموذج الذي بُني عليه هذا النموذج: Qwen3.6-35B-A3B متاح على المنصة بسعر $0.25 لكل مليون رمز إدخال و$1.48 لكل مليون رمز إخراج ضمن سياق من 262,144 رمزًا، مع إدخال نصي وصوري وفيديو. إذا كان النصف الذي تحتاجه من هذه المهمة هو «مشاهدة المقطع والاستدلال بشأنه» بدلاً من «مشاهدة المقطع وتفريغ ما في الغرفة نصيًا»، فهذا بديل مستضاف متاح بعد ظهر اليوم بدلاً من تنزيل بحجم 67 GiB وتصحيح على مستوى الشيفرة المصدرية. يُمرَّر سعر قائمة المزوّد دون أي هامش ربح (0%)، وكل نموذج يعمل خلف مفتاح واحد متوافق مع OpenAI مع تجاوز تلقائي للفشل، لذا فإن تجربة رأي ثانٍ لا تكلّف سوى تغيير في الإعدادات بدلًا من عقد ثانٍ.
ما لم يتحقق منه أحد خارج WeChat
أربعة أشياء يحصل عليها المشتري عادةً من عملية إطلاق ولا يمكنه الحصول عليها هنا.
• تقييم مستقل.لا شيء. خط أنابيب التقييم وإعادة الإنتاج عام، وهو أفضل بديل تالٍ وليس الشيء نفسه.
• شروط التقييم.لا يذكر التقرير أعداد الإطارات وميزانيات البكسل وأطوال السياق المستخدمة في تشغيلات الاختبار المعياري، كما أن الوصفة المرفقة تعتمد عينة من 16 إطارًا حيث تكون القيمة الافتراضية للمعالج 128. إن عينة من 16 إطارًا لمقطع طويل تُعد مدخلًا مختلفًا عن عينة من 128 إطارًا للمقطع نفسه.
• ادعاء النشر. يذكر التقرير أن عائلة النماذج "منشورة عبر خدمات فيديو أساسية متعددة داخل WeChat"، ويسمّي التجارة عبر البث المباشر، وتحليل الدراما القصيرة، والفيديو التفاعلي. وهذا ادعاء جاد إن صح — فحركة مرور الإنتاج هي التقييم الوحيد الذي لا يمكن لأحد أن يجادل فيه — وهو غير قابل للتحقق بالكامل من الخارج. لا تُنشر أي أرقام عن زمن الاستجابة أو الإنتاجية أو التزامن أو الذاكرة في أي مكان من بيان الإصدار.
• العناصر الكمية.ثلاث من النسخ المنشورة الأربع تصف نفسها، في بياناتها التعريفية الخاصة، بأنها غير مُتحقَّق منها. تُقدَّم AWQ وGGUF وNVFP4، لكنها غير مضمونة.
لا شيء من ذلك يُعدّ سببًا لرفض الإصدار. بل هو سبب لقراءته على ما هو عليه بوضوح: إصدار بحثي موثّق جيدًا، أوزانه الرائدة عمرها ساعات فقط، وورقته البحثية وصلت أولًا، ومستودعه FP8 لم يُنشأ بعد، وتقدّمه في المعايير القياسية على أفضل منافس مفتوح من فئة omni كبير بما يكفي ليستحق إعادة إنتاجه بدلًا من التشكيك فيه.
ما سيحسم الأمر هو القائمة نفسها المعتادة. دمج vLLM في المنبع upstream سينهي الترقيع. إعادة إنتاج مستقلة أولى على Video-MME v2 مع الصوت ستؤكد أو تدحض الفجوة البالغة ثمانية عشر نقطة. سعر خدمة مستضافة، أو مستودع FP8 المفقود، سيخبرك ما إذا كانت Tencent تنوي أن يُستخدم هذا أم أن يُستشهد به فقط. وإلى أن يتحقق أحد تلك الأمور، فالخلاصة الصادقة هي أن WeMM-Video-35B-A3B هو أكثر checkpoint مفتوح شامل للوسائط إثارة للاهتمام هذا الشهر، وأن درجات الرؤية لديه تبدو صامدة عند إضافة السمع، وأن كل أرقامه تأتي حاليًا من الأشخاص الذين دربوه.
مقارنات في هذه المقالة1
مستخرج من هذه المقالة · المعايير: Artificial Analysis · يُحدَّث يوميًا
