
WeMM-Video-9B: لماذا لا تزال إصداراته ذات 4 بت بحجم 13 GiB؟
- 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
ينبغي أن يستقر التكميم بأربع بتات عند نحو ربع ملف الأوزان الذي أُخذ منه. WeMM-Video-9B يبلغ 19.54 GiB بصيغة BF16، ويبلغ بناء AWQ W4A16 الخاص به 12.86 GiB. هذا خفض بنسبة 34%، وليس بنسبة 75% — وبنيات FP8 وAWQ وNVFP4 وGGUF كلها لا يبعد بعضها عن بعض أكثر من 0.42 GiB، لذا فإن الاختيار بينها لا يوفّر لك ذاكرة تُذكر تقريبًا. توضح ملفات البيان الخاصة بالمصدّرين أنفسهم السبب: فخطوط معالجة 4 بتات لا تضغط سوى مصفوفات التغذية الأمامية الكثيفة — 4.83 مليار معامل من أصل 10.49 مليار — بينما يحتفظ برج الرؤية وبرج الصوت والتضمين ورأس الإخراج وأوزان الانتباه جميعًا بدقتها الأصلية، كما أن 5.7 مليار معامل بحجم بايتين لكل منها تضع حدًا أدنى لا يمكن لأي وصفة W4 النزول تحته. نشرت Tencent الأوزان ووصفات التكميم وتقريرًا تقنيًا من 12 مؤلفًا في الفترة من 17 إلى 19 نوفمبر دون منشور إطلاق، والجزء الذي لم يكتب عنه أحد بعد هو الحساب — وهو أيضًا الجزء الذي يحدد ما إذا كان هذا النموذج يتسع على وحدة GPU التي تمتلكها بالفعل. وفق جداول Tencent نفسها، يتفوق على Qwen3-Omni-30B-A3B-Instruct في 35 من أصل 37 رقمًا سمعيًا-بصريًا مشتركًا بينهما؛ أما فيما يخص ما إذا كانت بنياته بأربع بتات آمنة للنشر، فإن السجل أرق مما توحي به تسعة عشر مستودعًا.
حزمة بقيمة 10.49B تحمل ملصق 9B
أُنشئ مستودع tencent/WeMM-Video-9B عند الساعة 08:55:54 UTC يوم 17 نوفمبر 2026، بعد أربع عشرة ثانية من نظيره AWQ وإحدى عشرة دقيقة من النموذج الرائد 35B-A3B. توجد تسعة عشر مستودعًا لـ WeMM-Video تحت منظمة Tencent، جميعها أُنشئت ضمن نافذة خمس دقائق ذلك الصباح، وهو ما يميّز سكربت رفع عن شخص ينشر نموذجًا واحدًا في كل مرة. أُنشئ مشروع GitHub Tencent/WeMM-Video قبل ست ساعات، عند الساعة 02:29 UTC، ووصل أول إيداع جوهري له في 19 نوفمبر، وكانت مراجعات README لا تزال تصل في 20 نوفمبر. قُدّمت الورقة، arXiv 2611.26409، عند الساعة 16:58 UTC في 19 نوفمبر.

لم يُعلن عن أيٍّ من ذلك. لم نتمكّن من العثور على منشور مدوّنة من Tencent، أو صفحة إطلاق لـ WeChat Vision، أو بيان صحفي، أو مستوى مدفوع يشير إلى هذه المجموعة. وقت كتابة هذا النص، أظهرت المستودعات التسعة عشر جميعها صفر تنزيلات، وبينها مجتمعةً ثلاث إعجابات فقط. لا تُدرج Artificial Analysis أي نموذج WeMM. ولا تقول أي من هاتين الحقيقتين شيئًا عن الجودة — بل تقولان إن خطوة التوزيع قد تم تجاوزها.
"9B" في الاسم هو العمود الفقري اللغوي، وليس نقطة التحقق. تسجّل Hugging Face 10,488,603,384 معاملًا عبر 1,305 تنسورات، وقراءة شظايا safetensors الخمس بالاسم تضعها في أربع أكوام:
• نموذج لغوي — 7.94 مليار معامل، بما في ذلك تضمين رمزي بحجم 1.02 مليار.
• رأس الإخراج — 1.02 مليار معامل. التضمينات غير مرتبطة، لذا هذه نسخة كاملة ثانية من المفردات المكوّنة من 248,320 رمزًا عند 4,096 بُعدًا مخفيًا.
• برج الصوت — 1.08 مليار معامل. مُشفّر ومُفكّك ترميز على نمط Whisper، كل منهما 32 طبقة بعرض 1,280، يغذّيان Q-Former من طبقتين يضغط نوافذ مدتها 0.1 ثانية إلى 10 رموز صوتية في الثانية.
• برج الرؤية — 0.46 مليار معامل. 27 كتلة بحجم مخفي 1,152، وحجم رقعة 16، ودمج مكاني 2، ورقعة زمنية 2.
إذًا، نحو خُمس الملف عبارة عن آذان وعيون. توضّح الورقة البحثية المصدر صراحةً: فالنماذج الكثيفة 2B و4B و9B مبنية على Qwen3.5-2B وQwen3.5-4B وQwen3.5-9B، ونموذج مزيج الخبراء مبني على Qwen3.6-35B-A3B، ومشفّرات الصوت مهيّأة من Qwen2.5-Omni، ويُحتفظ بمشفّرات الصور الأصلية بدلًا من استبدالها، وتُجمّد بدءًا من مرحلة التدريب المسبق الثانية فصاعدًا لأنها "توفر بالفعل تمثيلات بصرية قوية بما يكفي".
العمود الفقري نفسه هجين: 32 طبقة، وحجم مخفي 4,096، و16 رأس انتباه مقابل 4 رؤوس مفتاح-قيمة عند بُعد الرأس 256، مع طبقة انتباه كامل واحدة بعد كل ثلاث طبقات انتباه خطي وذاكرة SSM مؤقتة من نوع float32 — ولهذا يحمل كل أمر خدمة في المستودع mamba-ssm-cache-dtype float32 كعلامة. حُدِّدت تضمينات الموضع عند 262,144 رمزًا؛ وأقسام RoPE المتشابكة متعددة الوسائط هي 11/11/10. الترخيص هو Apache 2.0 مع استثناء لطرف ثالث غير مُدرج بالتفصيل في بطاقة النموذج.
أربع نسخ، وأربعة أحجام شبه متطابقة
إليك سُلّم التكميم الكامل، مقيسًا من قائمة ملفات كل مستودع نفسه بدلًا من رقم مُقرَّب على بطاقة:
• BF16 base — 19.54 GiB موزَّعة على خمسة أجزاء.
• FP8 Block128 — 13.10 GiB، ملف واحد. يتطلب وحدة معالجة رسومات تدعم FP8 ونسخة vLLM 0.18.0 المُرقّعة.
• AWQ W4A16 — 12.86 GiB، INT4 بمجموعة 128 بتنسيق compressed-tensors. إصدار vLLM 0.18.0 المُرقَّع.
• NVFP4 W4A16 — 13.07 GiB، دقة مختلطة ModelOpt 0.45.0 بحجم مجموعة 16. vLLM 0.31.0 المُرقَّع مع Marlin، التكوين المرجعي SM120.
• GGUF Q4_K_M — 13.28 GiB كحزمة من ثلاثة ملفات: 10.41 GiB للغة، و2.01 GiB للصوت، و0.86 GiB لمُسقِّط الرؤية.

الفارق بين تلك الإصدارات المضغوطة الأربعة هو 0.42 GiB، وهو أصغر من الهامش الذي تتركه عادةً لتحديث برنامج التشغيل. وإذا كنت تختار بينها لتناسب بطاقةً ما، فأنت تختار المتغيّر الخطأ: اختر على أساس وحدة معالجة الرسومات (GPU) التي تملكها وبيئة التشغيل التي يمكنك ترقيعها، لأن فرق الذاكرة غير موجود هناك.
التوقّع الساذج — ربع 19.54 GiB، أي نحو 4.9 GiB — خاطئ بمعامل قدره مرتان ونصف. وحتى الهامش الإضافي مقارنةً بـ BF16 متواضع: 6.68 GiB يوفّرها AWQ، أي 34% حقيقية، لكنه لا يقترب إطلاقًا من «أصغر أربع مرات» التي يوحي بها تصنيف W4.
ما الذي يحميه المصدّرون، ولماذا
يذكر كلٌّ من بياني AWQ وGGUF بالضبط أيّ التنسورات سُمح لهما بالتعامل معها، ويوضّح الجواب سبب ثبات الحجم عند حدٍّ معيّن.
• لا تُكمَّم سوى مصفوفات التغذية الأمامية الكثيفة. يسجّل بيان AWQ 96 مصفوفة لغوية مكمَّمة — ثلاث لكل طبقة عبر 32 طبقة، كل منها 4,096 × 12,288. وهذا يمثل 4.83 مليار معامل من أصل 10.49 مليار، أو 46% من نقطة الحفظ. ويحتفظ كل شيء آخر بدقته.
• تمت استعادة مسار الانتباه إلى BF16. يحمل بيان AWQ كتلة attention_restoration تسرد 152 مصفوفة إسقاط انتباه و32 من معايير الإدخال نُسخت مرة أخرى من نقطة التحقق المصدرية مع تجزئات SHA-256 الخاصة بها. ويُبلغ ملف نطاق GGUF عن العدد نفسه — protected_attention_BF16: 152 — ويضيف أن موترات التضمين والإخراج هما العنصران المحميان الآخران الوحيدان.
• لا تدخل الواجهة الأمامية وبرجا الوسائط مطلقًا إلى المكمّم. تُدرَج 881 موترًا بوصفها موتراتٍ محميةً للواجهة الأمامية والتضمين والرأس في بيان AWQ — 333 من برج الرؤية، و545 من برج الصوت، وتضمين الرموز، ورأس الإخراج غير المربوط، والتطبيع النهائي. عند BF16، يمثل ذلك نحو 3.57 مليار معامل، أو 7.1 GB من الملف البالغ 21.0 GB، ويقع خارج خطوة الضغط بالكامل.
النتيجة هي الرقم الذي تحتاجه خطة النشر فعليًا: خصّص 13–13.5 GiB من ذاكرة VRAM للأوزان أيًا كان البناء الذي تختاره، ثم أضف فوق ذلك ذاكرة KV cache وذاكرة SSM cache بدقة float32. إن نموذج "4-bit 9B" الذي يحتاج إلى 13 GiB من الأوزان ليس مشكلة في النموذج — فالمفردات وحدها تضم 248,320 رمزًا مضمّنة مرتين، وبرج الصوت هو Whisper بمعاملات 1.08B يقع في وسطه — لكنه الفرق بين أن يتّسع على بطاقة 16 GB مع مساحة للعمل وألا يتّسع إطلاقًا.
تم التحقق من التحميل، ولم يتم التحقق من التطابق
كل بطاقة تكميم في هذه العائلة تُورِد اختبارًا دخانيًا، وكل بيان يُورِد شيئًا أكثر مباشرةً. اقرأ الاثنين جنبًا إلى جنب، لأن الفجوة بينهما هي كل المخاطرة في استخدام نسخة مضغوطة.
• FP8 Block128 — البطاقة: حمّلت نسخة vLLM المُرَقَّعة عليه على H20 وأكملت فحوصات توليد النصوص والصور والصوت والفيديو المصحوب بالصوت، وأكد تدقيق دقة وقت التشغيل مسار W8A8. البيان: الحالة quantized_and_independently_reloaded_native_inference_pending، مع native_inference_validated: false وnative_low_precision_gemm_validated: false مسجّلين كعلامتين منفصلتين.
• AWQ W4A16 — البطاقة: قامت vLLM المرقّعة بتحميله على H20، وأكملت الفحوصات الأربعة نفسها، وأكّد تدقيق الدقة أوزان التغذية الأمامية INT4 مقابل انتباه BF16. البيان: الحالة quantized_unvalidated، مع diagnostic_variant يسمّي نسخة مرجعية بانتباه BF16 إلى جانب نسخة INT4.
• NVFP4 W4A16 — البطاقة: تم تحميل vLLM 0.31.0 المُرقّع وتشغيله مع "أوزان PRO 5000 المرجعية" واجتاز خمسة اختبارات توليد، بما فيها فيديو صامت. البيان: الادعاءات الثلاثة نفسها مسجّلة كأعلام، وكل واحد منها يظهر بقيمة false — native_FP4_GEMM_validated، PRO5000_inference_validated، vllm_validated — تحت حالة cpu_NVFP4_weight_artifact_independently_reread. ما يُثبته البيان فعلاً هو فحص رقمي: 96 مصفوفة و4,831,838,208 عنصراً أُزيل تكميمها بشكل مستقل، بمتوسط RMSE نسبي قدره 0.095 مقابل حد قدره 0.35، مع التأكد من أن 1,209 موترات محمية مطابقة تماماً على مستوى البت. عدد العناصر هذا هو نفسه 4.83 مليار المذكور في بيان النطاق، وهكذا تعرف أن الحساب في هذا المقال يتوافق مع حساب المُصدِّر.
• GGUF Q4_K_M — بطاقة: قام وقت التشغيل الأصلي لوحدة المعالجة المركزية بتحميل الحزمة وأنتج مخرجات نصية وصورية وصوتية ومرئية. حالة البيان exported_unvalidated؛ حالة النطاق quantized_candidate_not_validated.
"تم تحميله وولّد" نتيجةٌ حقيقية وتستحق الاعتبار — فكثير من نقاط التحقق متعددة الوسائط المكمَّمة يفشل عند هذه الخطوة تحديدًا. لكنها ليست النتيجة التي تحسم قرار النشر، لأن أياً من هذه البطاقات لا يقدّم رقم دقة واحدًا للنسخة المضغوطة مقابل مصدرها BF16. لا يوجد فرق مقيس على MMAU، ولا على Video-MME، ولا على معدل خطأ الكلمات في التفريغ الصوتي. والادعاء الوحيد بشأن الدقة المذكور في أي مكان بنيويّ، مستمد من تدقيق AWQ: INT4 في الشبكة الأمامية، وBF16 في الانتباه. هذا يصف الملف، لكنه لا يخبرك بكم كلّف الضغط، وفي نموذج يبلغ فيه فارقه عن Qwen3-Omni-30B-A3B-Instruct على Video-MME مع الصوت 7.8 نقاط، فإن حجم هذه التكلفة ليس مسألة تقريب.
القاعدة العملية لهذه العائلة هي إعادة تشغيل معيار واحد يهمّك على البناء الدقيق نفسه الذي تنوي شحنه، مقابل قاعدة BF16، قبل أن تثق بجدول من الورقة البحثية. هذا يمثّل بضع ساعات من العمل، وهو الطريقة الوحيدة لمعرفة ما إذا كان يمكن استبدال التغذية الأمامية INT4 ضمن نتائج الفيديو، أو ما إذا كان توفير 34% يُدفَع ثمنه في الأرقام التي تبيعها البطاقة.

ثمة فخّان ميكانيكيان يقعان تحت ذلك.
الأول هو GGUF. تُقرأ "GGUF Q4_K_M" على أنها "يعمل في llama.cpp أو Ollama." لكنه لا يفعل ذلك. حزمة البناء مخصصة لوقت التشغيل الأصلي الخاص بـ Tencent، والذي تُجمّعه من المستودع؛ البداية السريعة في بطاقة النموذج هي install-cpu/bin وnative/run_hf.py مشغّل، ودليل الخدمة يوجّه GGUF إلى وقت التشغيل ذلك ولا شيء غيره. إذا كانت خط أنابيبك على شكل llama.cpp، فإن نقطة التحقق هذه ليست الاختصار الذي تبدو عليه.
الثاني هو عيب توثيقي يستحق التسمية لأنه سيُربك أي شخص يقرأ البيانات الوصفية بالترتيب. جميع بيانات FP8 الوصفية الثلاث — الخاصة بـ 2B و4B و9B — تحمل الحقل نفسه official_repo: Qwen/Qwen3.5-35B-A3B-FP8. إنها سلسلة مصدر منسوخة ولصقها في سجل الوصفة، وليست بيانًا بأن نقطة تحقق 9B هي في الخفاء مزيج خبراء 35B. لا شيء آخر في الملف يدعم هذا التفسير: فقائمة المصادر في البيان نفسه تشير إلى الشظايا الخمس الخاصة بـ tencent/WeMM-Video-9B بتجزئات مطابقة، وكتلة المعمارية تسجّل نموذجًا كثيفًا من 32 طبقة بصفر خبراء. إن 35B-A3B نموذج حقيقي منفصل؛ وهو أيضًا الحجم الوحيد في العائلة الذي لا يملك مستودع FP8 خاصًا به، إذ يمتلك base وAWQ وGGUF وNVFP4 فقط.
9B مقابل 30B، على جداول Tencent
كل رقم من أرقام المعايير الواردة أدناه هو رقم المؤلفين أنفسهم، من arXiv 2611.26409، ولم يُعِد أي طرف ثالث إنتاج أيٍّ منه. وتقول الورقة ذلك صراحةً: إذ تُقدَّم النماذج الحالية وفق «النتائج الرسمية حيث تتوفر، وتقييماتنا الخاصة فيما عدا ذلك». تعامل مع هذا القسم على أنه وصف لادعاء، لا قياس.
في الجدول السمعي البصري المشترك، وفي وضع التفكير، يتفوق 9B على Qwen3-Omni-30B-A3B-Instruct في 35 من أصل 37 شكلًا يتشاركهما العمودان، ويتعادل في واحد ويخسر واحدًا — أمام نموذج يقارب ثلاثة أضعاف حجمه:
• Video-MME مع الصوت — 85.1 مقابل 77.3. ويسجل MiniCPM-o-4.5-9B 69.2.
• Video-MME-v2 مع الصوت — 51.6 مقابل 36.3، بفارق 15.3 نقطة.
• Daily-Omni — 83.6 مقابل 70.7، رغم أن نتيجة MiniCPM-o-4.5-9B البالغة 80.2 تجعل هذه نتيجة ثلاثية الأطراف بدلاً من فوز ساحق.
• SciVideoBench وMMOU — 64.2 مقابل 49.9، و71.7 مقابل 60.5.
• EvaOmni وOmniReasoningBench — 50.7 مقابل 26.1، و43.9 مقابل 24.1.
• الخسارة الوحيدة — FutureOmni، 53.7 مقابل 55.1. وتحصل MiniCPM-o-4.5-9B على 56.1 هناك.
الفيديو الصامت هو الجدول الأكثر فائدة، لأنه يتضمن ضابطًا من العائلة نفسها: Qwen3.5-9B، العمود الفقري الذي بُنيت عليه نقطة التحقق هذه. اقرأ العمودين جنبًا إلى جنب، وسيتضح أن للتدريب اللاحق نمطًا. فهو يكسب في الإسناد الزمني والإدراك الزمني — F-16-NBA 88.7 مقابل 75.8، وTimeLens-QVHighlights 66.8 مقابل 64.3، وTimeLens-ActivityNet 55.3 مقابل 52.2، وTOMATO 48.5 مقابل 45.0 — ويخسر في تلخيص الفيديو الطويل والتعرف العام: MLVU 82.4 مقابل 84.4، وLVBench 68.2 مقابل 70.0، وVideoVista 82.2 مقابل 84.7، وVSI-Bench 54.5 مقابل 58.3، وMVBench 71.4 مقابل 74.4. إذًا، هذه ليست ترقية موحدة على العمود الفقري الذي يرثه. إنه نموذج مضبوط نحو متى وأين حدث شيء ما، بتكلفة قابلة للقياس في الدرجات الإجمالية للفيديو والاستدلال المكاني اللذين كان النموذج الأساسي يتفوق فيهما بالفعل.
الصوت هو المجال الذي يتوقف فيه 9B عن التفوق. في وضع Instruct يسجل 9B نتيجة 70.9 في MMAU-Pro مقابل 64.8 لـ Qwen3.5-Omni-Flash، و76.8 في MMSU مقابل 72.2 — لكنه يخسر في MMAU بنتيجة 77.0 مقابل 80.4، وفي MMAR بنتيجة 72.8 مقابل 74.0، ويخسر التعرف على الكلام بلا منازع: معدل خطأ الكلمات في LibriSpeech 1.5 و3.1 مقابل 1.3 و2.4، ومعدل خطأ الأحرف في WenetSpeech 5.4 و6.8 مقابل 4.4 و5.5. والنصوص والمعرفة تحكي القصة نفسها: MMLU-Pro 81.6 مقابل 82.5 لعمود Qwen3.5-9B الأساسي، وGPQA 77.8 مقابل 81.7، وHMMT 75.0 مقابل 82.9. إذا كان النص المكتوب هو المنتج، فإن أداة تعرّف مخصصة لا تزال تفوز.
ينبغي قراءة أحد المقارنات في الورقة بحذر. يعرض جدول الوسائط الشاملة نماذج WeMM في وضع Thinking، بينما يعرضها جدول الصوت في وضع Instruct، لأن المؤلفين رأوا أن معايير الصوت القياسية مهام إدراكية مباشرة. وهذا تقسيم يمكن الدفاع عنه، وهو يعني أيضًا أن صف WeMM في أحد الجدولين لا يقارَن بصف منافس في الجدول الآخر.
ثماني ثوانٍ من الفيديو، افتراضيًا
الفجوة بين ما يمكن لنقطة التحقق قبوله وما تمرره إليها الوصفات المُسلّمة كبيرة بما يكفي لتغيير النتائج، لذا يجب أن تكون جزءًا من أي خطة تقييم.
• ميزانية الإطارات — القيم الافتراضية للمعالج هي معدل 2 إطار في الثانية، وحد أدنى 4 إطارات، وحد أقصى 128 إطارًا، وإجمالي 100,663,296 بكسل. وتتجاوز وصفة vLLM القيم الأربع جميعها إلى معدل 2 إطار في الثانية و16 إطارًا و262,144 بكسل. عند معدل 2 إطار في الثانية، تمثل ستة عشر إطارًا ثماني ثوانٍ من التغطية من منتصف المقطع.
• السياق — يصرّح إعداد النص بوجود 262,144 تضمينًا موضعيًا. كل أمر خدمة تنشره Tencent يمرّر max-model-len 8192 أو context-length 8192، ولا شيء في المستودع يشرح كيفية الوصول إلى الرقم الأكبر.
• تكلفة الصوت — 10 توكنات لكل ثانية، لذا فإن ميزانية من 8,192 توكنًا تعادل نحو ثلاث عشرة دقيقة من الصوت ولا شيء غير ذلك. أما الفيديو مع مساره الصوتي فينفق تلك الميزانية على الإطارات والصوت في آن واحد.
• وسائط كل طلب — أربع صور، ومقطعا فيديو، وعنصران صوتيان، وفقًا للحدود المضمّنة.
لم ينشر أي شخص خارج WeChat Vision أي معلومات عن إعدادات أخذ العينات التي استخدمتها تشغيلات الاختبار المعياري. إذا كنت تعيد إنتاج رقم من الجدول أعلاه، فهذا هو أول مجهول يجب تحديده، والافتراضي المضمَّن البالغ 16 إطارًا هو المكان الخاطئ للبدء.
ما يمكنك فعله به فعليًا اليوم
لا يوفّر OrcaRouter نموذج WeMM-Video-9B، ولا تُدرج فهرسه أي نقطة تحقق WeMM على الإطلاق. لا يوجد سعر استضافة لذكره ولا نقطة نهاية للاستدعاء، لذا فإن هذا اليوم مهمة استضافة ذاتية: طبّق التصحيح على vLLM أو SGLang من دليل overlay في المستودع، وثبّت التركيبة الدقيقة من PyTorch وTransformers وCUDA 12.9 التي يحددها بيان التصحيح لإصدار محركك، وخصّص في ميزانيتك 13 GiB إضافة إلى ذاكرة التخزين المؤقت. يتطلب مسار GGUF بناء بيئة التشغيل الأصلية الخاصة بـ Tencent من المصدر.
بالنسبة للنصف البصري من العمل، توجد بدائل مفتوحة بالفعل على المنصة — Qwen3-VL-235B-A22B-Thinking وQwen3-VL-8B-Thinking وكلاهما يستقبل الصور وإطارات الفيديو — ويمكن الوصول إليهما عبر مفتاح واحد متوافق مع OpenAI إلى جانب أكثر من 200 نموذج آخر، عند هامش ربح 0% فوق سعر قائمة المزوّد. لا يسمع أيٌّ منهما شيئًا، ولا يوجد مكافئ لـ WeMM للنصف الصوتي. إذا أردت تجربة نموذج 9B مستضاف ذاتيًا دون وضع مسار إنتاج عليه، فإن توجيهه خلف قاعدة تجاوز الفشل هو الطريقة الرخيصة لمعرفة ما إذا كانت بيئة التشغيل المُرقَّعة تصمد عند مستوى التزامن لديك قبل أن تخصص له بطاقة.
أما نسخ البتات الأربع، فهي الشيء الصحيح الذي ينبغي الانتظار من أجله لا الشيء الصحيح الذي ينبغي تبنّيه. فبياناتها الوصفية نفسها تصف نفسها بأنها غير مُتحقَّق منها، وحساب الحجم يقول إن الضغط الذي تقدمه يمثل توفيرًا بنسبة 34% في الأوزان — يستحق الحصول عليه، لكنه لا يستحق إعادة هندسة عملية نشر من أجله. والإشارة التي ينبغي مراقبتها ليست مستودع تكميم آخر. إنها أول بيان وصفي في هذه العائلة يُسقط كلمة pending، تليه أول إعادة إنتاج مستقلة لجدول يوجد حاليًا في مكان واحد بالضبط: ملف PDF الخاص بالمؤلفين.
مقارنات في هذه المقالة1
مستخرج من هذه المقالة
