
WeMM-Video-4B: نموذج تينسنت الهادئ السمعي البصري بحجم 5.6B
- OrcaجديدOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 لكل مليون رمز · 185 tok/s
- tencentجديدTencent: Hy4 Flash2026-11-16$0.02 / $0.07 لكل مليون رمز · 826 tok/s
- AlibabaجديدQwen: Qwen4 Max2026-11-16$1.50 / $4.50 لكل مليون رمز · 407 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 · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 لكل مليون رمز · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 لكل مليون رمز · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 41 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 · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 111 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
الملف المُوسَم WeMM-Video-4B يزن 10.45 GiB، وبمعدل بايتين لكل معامل BF16، فإن ذلك يعني 5.61 مليار معامل — لا أربعة. وتقول بيانات safetensors الوصفية الخاصة بـ Tencent نفسها الشيء ذاته: 5,611,746,312 معاملًا. إن "4B" في الاسم يشير إلى العمود الفقري اللغوي، وليس إلى نقطة التحقق. هذا الزلل الحسابي الصغير هو المدخل الصحيح إلى عائلة WeMM-Video، لأن كل ما يثير الاهتمام تقريبًا في هذا الإصدار هو فجوة بين التسمية والشيء نفسه: عائلة بأربعة أحجام نُشرت دون منشور إطلاق، ومجموعة اختبارات أداء تتفوق على Qwen3-Omni-30B-A3B-Instruct وMiniCPM-o-4.5-9B في الفيديو بينما تخسر أمام Qwen3.5-Omni-Flash في الصوت، وتضمين موضعي بطول 256K تخفّضه كل تهيئة تُطرح طوعًا إلى 8,192 رمزًا. الأوزان حقيقية، والورقة البحثية متاحة للعامة، ولم يقم أحد بتنزيل أي منها بعد.
ما يلي يفصل بين ثلاثة أمور تخلط بينها بطاقات هذه العائلة على Hugging Face: ما يمكن قياسه في المستودع، وما لا تورده سوى تقارير التقييم الخاصة بشركة Tencent، وما لم يؤكده أي طرف خارج WeChat Vision.
يحتوي الملف المسمى 4B على 5.61 مليار معامل
تسجّل Hugging Face إجمالي عدد المعلمات لكل مستودع، وبالنسبة إلى نقاط التفتيش الأساسية الأربع الخاصة بـ WeMM-Video، فإنها تتجاوز بانتظام الحجم المذكور في الاسم بنحو 1.2 إلى 1.6 مليار.
• WeMM-Video-2B — 3.28B إجمالًا مقابل تصنيف "2B".
• WeMM-Video-4B — إجمالي 5.61B مقابل تسمية «4B».
• WeMM-Video-9B — إجمالي 10.49 مليار مقابل تصنيف "9B".
• WeMM-Video-35BA3B — 36.18B إجمالًا مقابل تصنيف "35B-A3B"، حيث يكون ثلاثة مليارات منها فقط نشطًا لكل رمز.
إن قراءة فهرس safetensors الخاص بالطراز 4B تجعل الفائض مرئيًا. من بين 1,268 موترًا فيه، يحمل النموذج اللغوي 4.21B معامل، ويحمل مكدس الصوت 1.07B، ويحمل برج الرؤية 0.33B. ونحو تسعة عشر بالمئة من نقطة التحقق هي آذان. وتؤكد الورقة البحثية أن اصطلاح التسمية متعمد: فالنماذج الكثيفة الثلاثة مبنية على Qwen3.5-2B وQwen3.5-4B وQwen3.5-9B، ونموذج مزيج الخبراء مبني على Qwen3.6-35B-A3B.
هذا مهم لأي شخص يحدد حجم نشر ما. نموذج «4B» يحتاج إلى مساحة لـ5.61B معلمة — 10.45 GiB بصيغة BF16 قبل أي ذاكرة KV cache أو تنشيط — يقع في خادم مختلف عمّا يوحي به الرقم الموجود على البطاقة.
ثمانية عشر مستودعًا، وتسع عشرة دقيقة، دون إعلان
لم تظهر المجموعة على نحو متدرج. تشير الطوابع الزمنية لإنشاء Hugging Face إلى أن المستودعات الثمانية عشر كلها — أربعة أحجام × خمسة مستويات دقة — تقع ضمن نافذة من 08:53:50 إلى 08:59:06 UTC بتاريخ 17 نوفمبر 2026، بفاصل يقارب أربع عشرة ثانية، وهو ما يميّز سكربت رفع لا شخصًا ينقر على النشر. ومستودع GitHub Tencent/WeMM-Video أُنشئ عند 02:29:33 UTC في اليوم نفسه، مع وصول أول التزام جوهري له في 19 نوفمبر واستمرار تعديلات README حتى 20 نوفمبر.

نُشرت الورقة في 19 نوفمبر: arXiv 2611.26409، «WeMM-Video: Pushing the Frontiers of Open-Source Omni-Modal Video Understanding»، اثنا عشر مؤلفًا، قُدّمت عند الساعة 16:58 UTC. وهي تقرير تقني كامل يضم سبعة جداول نتائج ورابطًا إلى خط أنابيب للتقييم وإعادة الإنتاج. لذا فليس هذا طرحًا غير موثّق — بل طرحًا موثّقًا لم يُعلن عنه أحد. لم نتمكن من العثور على تدوينة من Tencent، أو صفحة إطلاق لـ WeChat Vision، أو بيان صحفي، أو باقة مدفوعة تشير إلى هذه العائلة؛ فبطاقات النماذج وملف README على GitHub وورقة arXiv هي السجل العام بأكمله، وقد كُتبت ليتكامل بعضها مع بعض.
تحكي أرقام الاستقبال القصة نفسها. عند كتابة هذه السطور، أظهرت كل واحدة من نقاط التحقق الأساسية الأربع صفر عمليات تنزيل، وكانت المستودعات الثمانية عشر فيما بينها قد جمعت ثلاثة إعجابات. لا تُدرج Artificial Analysis ولا LMArena أي نموذج WeMM. لا شيء من ذلك دليل على الجودة — بل هو دليل على التوزيع، وهو السبب في أن نقطة تحقق بحجم 4B تتفوق على نقطة بحجم 30B في عدة معايير فيديو لا يرتبط بها أي رقم مستقل.
ما الموجود داخل نقطة التفتيش؟
بعد استبعاد الإطار العائلي، فإن 4B هو مكدس omni قياسي ثلاثي الأبراج مع خيار عمود فقري واحد غير معتاد.
• برج اللغة — 32 طبقة، حجم مخفي 2,560، 16 رأس انتباه مقابل 4 رؤوس مفتاح-قيمة، بُعد الرأس 256، مفردات 248,320. العمود الفقري هجين: طبقة انتباه كامل واحدة كل أربع كتل، بينما تستخدم الثلاث الأخرى انتباهًا خطيًا، ولهذا تحمل كل وصفة تقديم في المستودع علامة ذاكرة مؤقتة SSM من نوع float32.
• برج الرؤية — 24 كتلة بحجم خفي 1,024، وحجم رقعة 16، ودمج مكاني 2، ورقعة زمنية 2، مع الإسقاط إلى 2,560. وهو المُشفّر الأصلي للعمود الفقري، أُبقي عليه بدلًا من استبداله، وتُجمّده الورقة البحثية بدءًا من المرحلة الثانية من التدريب المسبق فصاعدًا لأنه "يوفر بالفعل تمثيلات بصرية قوية بما فيه الكفاية".
• برج الصوت — بأسلوب Whisper، 32 طبقة مُشفّر و32 طبقة مُفكّك بعرض 1,280، مع Q-Former على مستوى النافذة يضغط نوافذ مدتها 0.1 ثانية إلى 10 رموز صوتية في الثانية. يصل الصوت بتردد 16 kHz في مقاطع مدتها 30 ثانية. هذا هو الجزء المُهيأ من Qwen2.5-Omni، وبوجود 1.07B من المعلمات فإنه أكبر فجوة منفردة بين الاسم والملف.
• Fusion — تتداخل الرموز البصرية والصوتية بترتيب زمني مع طوابع زمنية نصية صريحة، بدلاً من تجميعها في مسارات منفصلة.
• الأوضاع — وضع Instruct للإجابات المباشرة، ووضع Thinking يُصدر مسار استدلال قبل الرد، ويتم التبديل بينهما على مستوى قالب المحادثة باستخدام enable_thinking.
• الترخيص — Apache 2.0 عبر المجموعة، مع استثناء ملف الترخيص الخاص بـ Tencent لمكوّنات طرف ثالث «تظل خاضعة لشروطها الأصلية الخاصة بها». لم يُفصَّل هذا الاستثناء في بطاقة النموذج.
256K في الإعدادات، و8K في أمر الخدمة
يُعلن إعداد النص عن max_position_embeddings بقيمة 262,144. وكل أمر خدمة تنشره Tencent — سواء ملفّا تعريف vLLM أو ملفّا تعريف SGLang — يمرّر max-model-len 8192 أو context-length 8192. قيمة 256K هي هامش معماري، وليست إعدادًا مدعومًا، ولا يوجد في المستودع ما يشرح كيفية الوصول إليها.
ميزانية الإطارات لها الشكل نفسه. الإعدادات الافتراضية للمعالج نفسه سخية: إطاران في الثانية، وحتى 128 إطارًا، و25,165,824 بكسلًا إجمالًا. وتتجاوز وصفة vLLM الثلاثة جميعًا نحو الأسفل — fps 2، max_frames 16، total_pixels 262144. الحصول على ستة عشر إطارًا هو ما ينتج عن نسخ الأمر. والمقطع الذي يُعاين عند 16 إطارًا يُعد مدخلًا مختلفًا عن المقطع الذي يُعاين عند 128، ولا تذكر الورقة أيّ معاينة استخدمتها تقييماتها للفيديو.
• حدود الوسائط لكل طلب، كما هي عند الإصدار — أربع صور، ومقطعا فيديو، وعنصران صوتيان.
• السياق، كما تم شحنه — 8,192 رمزًا، مع استهلاك الصوت 10 رموز في الثانية قبل احتساب أي إطارات فيديو.
بالنسبة لطراز 4B، هذان الرقمان هما القيد الحاسم في العمل الفعلي. ثمانية آلاف توكن تعادل نحو ثلاث عشرة دقيقة من الصوت ولا شيء غير ذلك؛ أما الفيديو المصحوب بموسيقى تصويرية فيستهلك الميزانية على المسارين معًا في آن واحد. أُجريت اختبارات الأداء المعيارية للفيديو الطويل أدناه في ظروف لا يصفها المستودع.
معايير القياس هذه هي معايير المؤلفين أنفسهم.
كل رقم في هذا المقال يأتي من التقرير الفني WeMM-Video. وتقول الورقة ذلك صراحةً — «بالنسبة للنماذج الموجودة، نُبلغ عن النتائج الرسمية حيث تتوفر، وعن تقييماتنا الخاصة فيما عدا ذلك» — ولم يُعِد أي طرف ثالث إنتاج أيٍّ منه. كما يتنقل الوضع بين الجداول، وهو أمر أهم مما يكون عليه عادةً لأن وضع Thinking ليس مجانيًا: فجداول الفيديو تُبلِغ عن Thinking للنماذج 2B و4B و9B، وجدول الصوت يُبلِغ عن Instruct لأن المؤلفين رأوا أن معايير الصوت القياسية مهام «إدراكية مباشرة»، وتعود جداول الصورة والنص إلى Thinking. ومقارنة صف 4B في جدول الصوت بصف منافس في جدول الفيديو ليست مقارنة.

مع أخذ هذا التحفظ في الاعتبار، فإن جدول الفيديو متعدد الوسائط الشاملة هو حيث يبرّر 4B حجم ملفه.
حيث يتفوق 4B على 30B
يضع الجدول 2 من الورقة نموذج WeMM-Video-4B في مواجهة Qwen3-Omni-30B-A3B-Instruct وMiniCPM-o-4.5-9B على معايير تقييم سمعية-بصرية مشتركة، وجميعها في وضع التفكير. ويتفوق النموذج 4B في معظمها، في مواجهة نموذج يبلغ سبعة أضعاف حجمه.
• Video-MME مع الصوت — WeMM-Video-4B 83.9، Qwen3-Omni-30B-A3B-Instruct 77.3، MiniCPM-o-4.5-9B 69.2.
• Video-MME v2 with audio — 48.1 مقابل 36.3 و28.1، وهو أوسع فارق في الجدول.
• Daily-Omni — 82.5 مقابل 70.7 و80.2.
• WorldSense — 60.3 مقابل 54.0 و55.7.
• OmniVideoBench — 49.7 مقابل 45.4 و37.2.
جدول الفيديو الصامت أقوى بعد، وهو الجدول الذي ينبغي أن يحسم قرار الشراء. فعند تجريد المحتوى من المسار الصوتي واختبار الرؤية وحدها: Video-MME يسجل 75.7 مقابل 70.5 و70.4، وLVBench يسجل 65.3 مقابل 50.2 و50.9، وLongVideoBench يسجل 74.8 مقابل 63.5 و66.0، وEgoSchema يسجل 74.2 مقابل 66.4 و60.4. إن فارق 15 نقطة في LVBench عند 4B ليس ناتجًا عن تقريب؛ ففهم الفيديو الطويل هو بالتحديد المجال الذي انهارت فيه النماذج الشاملة الصغيرة تاريخيًا.
صفوف الصور والنصوص تنافسية وليست مهيمنة. MMMU 78.4 مقابل 76.9 لـ Qwen3.5-Omni-Flash، وMathVista 85.2 مقابل 82.9، وDocVQA 96.5 مقابل 95.3، وIFEval 91.3 مقابل 85.2. هذه هي الصفوف التي يُرجَّح أن يحتاجها القارئ فعليًا، وهي تصمد.
أين يخسر، وفي مقابل ماذا
الخسائر محددة ويستحق الأمر تسميتها، لأن الجدول الذي لا يُظهر سوى المكاسب هو الشيء الذي وُجدت هذه المدونة لتجنّبه.
• الصوت، مقابل نموذج فلاش احتكاري — يسجّل Qwen3.5-Omni-Flash 80.4 في MMAU و74.0 في MMAR مقابل 75.2 و67.3 لـ WeMM-Video-4B. الفوز الصوتي الوحيد الذي حققه 4B هو MMAU-Pro عند 68.1 مقابل 64.8.
• الفيديو، في الزوايا — Video-Holmes 58.8 مقابل 64.3 لـ MiniCPM-o-4.5-9B، وFutureOmni 50.9 مقابل 55.1 لـ Qwen3-Omni-30B-A3B-Instruct و56.1 لـ MiniCPM. معياران يتفوق فيهما منافس أصغر أو أقدم تفوقًا صريحًا.
• الصورة والنص — سجّل MMMU-Pro نتيجة 64.7 مقابل 68.2، وOCRBench 85.7 مقابل 89.1، وGPQA 73.2 مقابل 76.4، وMMLU-Pro 78.3 مقابل 79.9. ويتأخر بذلك بما يتراوح بين نقطة وست نقاط عن نموذج مملوك موجه للخدمة، وهو موقع محترم للتأخر فيه بالنسبة إلى نقطة تحقق بحجم 5.61B.
التفسير هو أن WeMM-Video-4B قد ضُبط للفيديو الصوتي-البصري المشترك وحافظ على مستواه في كل المجالات الأخرى. إذا كانت مهمتك وصف ما يحدث في مقطع ما وتلخيص ما يُقال عليه، فالأرقام جيدة. أما إذا كانت مهمتك تنفيذ OCR كثيف أو استدلال نصي بمستوى الدراسات العليا، فإن نقطة التحقق نفسها تُعد تنازلاً.
تشغيله يعني ترقيع بيئة التشغيل الخاصة بك.

لا يدعم أيٌّ من vLLM أو SGLang هذه البنية في مشروع upstream. ولا يُسفر البحث في متتبِّع مشكلات vLLM عن أي طلب خاص بـ WeMM-Video، ويأتي المستودع بدلاً من ذلك متضمِّنًا دليل patch يحتوي على طبقات تجاوز للمصدر مع قوائم SHA-256 لأربعة إصدارات upstream محدَّدة بدقة — vLLM 0.18.0 و0.31.0، وSGLang 0.5.16 و0.5.19 — كلٌّ منها مثبَّت على توليفة محدَّدة من PyTorch وTransformers وCUDA 12.9، مع اشتراط Python 3.12 وFFmpeg، واحتياج TorchCodec إلى CUDA 12 NPP في مسار الرابط. كما يبني SGLang نوى CUDA عند أول استخدام، لذا فإن سلسلة أدوات C++ وNinja جزءٌ من عملية التثبيت.
مسار GGUF ليس اختصارًا هو الآخر. إنه حزمة من ثلاثة ملفات — ملف لغة بحجم 4.90 GiB، ومُسقِّط رؤية بحجم 0.63 GiB، وملف صوت بحجم 2.00 GiB — مبنية من أجل "WeMM native runtime" التي تُجمّعها من المستودع، وليس من أجل llama.cpp أو Ollama. يوسم بيان Tencent الخاص بها التصدير exported_unvalidated، ويقول ملف النطاق المرفق quantized_candidate_not_validated. هذا وسم صريح على نحو غير معتاد وينبغي قراءته حرفيًا: حزمة Q4_K_M معروضة، وليست مضمونة.
ما تدّعي Tencent أنه مُتحقَّق منه ضيّق النطاق: فقد حمّل vLLM المُرقَّع نقطة التحقق على H20 وأكمل فحوصات التوليد للنص والصورة والصوت والفيديو المصحوب بموسيقى تصويرية، واجتازت نقطة التحقق المحلية تحميلًا مباشرًا عبر Transformers إضافة إلى فحص توليد نصي على CPU. لا أرقام للإنتاجية ولا لزمن الاستجابة ولا لبصمة الذاكرة ولا للتزامن. وبالنسبة لنموذج يكون الفيديو نقطة بيعه، فإن «أنه ولّد» هو الحد الأدنى لما يحتاجه قرار النشر.
لا يوفّر OrcaRouter نموذج WeMM-Video-4B. ولا تُدرج قائمته أي تشيكبوينت من WeMM على الإطلاق، لذا لا يوجد سعر استضافة يمكن اقتباسه ولا نقطة نهاية يمكن الإشارة إليها؛ اليوم هذه مهمة استضافة ذاتية مع تطبيق باتش على محرك استدلال يخص طرفًا آخر. أما النصف الخاص بالرؤية فقط من العمل، فهناك بدائل مفتوحة على المنصة — Qwen3-VL-235B-A22B-Thinking وQwen3-VL-8B-Thinking وكلاهما يقبل الصور وإطارات الفيديو — ويمكن الوصول إليهما عبر مفتاح واحد متوافق مع OpenAI، مع عدم وجود نظير من WeMM للنصف الصوتي. إذا بدأ مضيف متوافق فعليًا في تقديم هذه الأوزان، فسيُمرَّر سعر القائمة لدى المزوّد دون أي هامش ربح بنسبة 0%، لكن هذا شرط وليس واقعًا حاليًا.
ما الذي لا يزال غير مؤكد؟
أربعة أشياء يحصل عليها المشتري عادةً من عملية إطلاق ولا يمكنه الحصول عليها هنا.
• السعر. لا يوجد أي منها. لا نقطة نهاية مستضافة، ولا سعر لكل رمز، ولا قائمة شركاء. التكلفة الوحيدة هي أي GPU تمتلكه بالفعل.
• تقييم مستقل. لا إدخال في Artificial Analysis، ولا تقديم إلى الساحة، ولا إعادة إنتاج من طرف ثالث. مسار التقييم متاح للعموم، وهو البديل الأفضل التالي وليس الشيء نفسه.
• ظروف التقييم. أعداد الإطارات وميزانيات البكسل وأطوال السياق المستخدمة في عمليات تشغيل الاختبار المرجعي غير مذكورة في الورقة، والوصفة المرفقة تستخدم 16 إطارًا حيث يضبط المعالج افتراضيًا على 128.
• استثناء ترخيص الطرف الثالث. تذكر Tencent أن المكوّنات داخل المجموعة تظلّ خاضعة لشروطها الأصلية، لكنها لا تُعدّدها. وتنحدر حزمة الصوت من Qwen2.5-Omni، والعمود الفقري من Qwen3.5، وكلاهما بترخيص Apache 2.0، وهو أمرٌ مطمئن أكثر منه حاسمًا.
لا يشكّل أي من ذلك سببًا لصرف النظر عن الإصدار. بل هو سبب للتعامل مع العائلة كما هي ظاهرة للعيان: ثمانية عشر مستودعًا وتقرير تقني وُضعت على الإنترنت خلال نافذة زمنية مدتها تسع عشرة دقيقة، مع تخطي خطوة الإعلان. الوثائق أفضل من معظم عمليات الإطلاق المعلن عنها. أما التوزيع فهو صفر.
بالنسبة لفريق يحتاج إلى فهم سمعي-بصري مشترك على عتاد يتحكم فيه، يُعد WeMM-Video-4B أكثر نقطة تحقق صغيرة إثارةً للاهتمام نُشرت هذا الشهر، وأرقام الفيديو تبرّر جهد الترقيع. أما任何人 يحتاج إلى نقطة نهاية بحلول الجمعة، فالإجابة الصادقة هي أن هذا ليس كذلك بعد — فالأوزان موجودة، وزمن التشغيل عبارة عن طبقة مصدرية تكميلية، والمعايير الوحيدة هي معايير المؤلفين. ترقّب أول إعادة إنتاج مستقلة، أو دمج vLLM في المنبع، أو سعر مستضاف. وأيّها يحدث أولاً سيخبرك أكثر من صف آخر في الجدول 2.
مقارنات في هذه المقالة1
مستخرج من هذه المقالة
