Eine Illustration von drei Strömen – ein Filmstreifen, eine Audio-Wellenform und ein Stapel grauer Datenblöcke –, die in einen schmalen gepunkteten Kanal zusammenlaufen, wobei eine blassere, gepunktet umrandete Kopie dieses Kanals darüber schwebt.
Engineering & Research

WeMM-Video-35B-A3B: Gewichte veröffentlicht, Scores stammen von Tencent selbst

Autor

Gideon Frost

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Drei Tage lang enthielt das Hugging-Face-Repository tencent/WeMM-Video-35BA3B nur eine Datei: eine 1,5 KB große .gitattributes. Der technische Bericht, der WeMM-Video-35B-A3B beschreibt, erschien am 19. November auf arXiv und bezeichnet den Checkpoint als neuen Open-Source-Stand der Technik für gemeinsames audio-visuelles Verständnis, vor Qwen3.5-Omni-Flash und Seed2.0-Mini-0428 und dicht auf Gemini-3.0-Flash aufholend. Wer dem Bericht glaubte und zu den Gewichten durchklickte, fand nichts zum Herunterladen. Die 67,39 GiB an BF16-Tensoren kamen erst am 20. November um 03:57 UTC an – heute Morgen. Das Flaggschiff wurde einen Tag vor seiner Existenz angekündigt, und alle bisher dazu genannten Zahlen stammen von dem Team, das es trainiert hat.

Dieses Timing ist kein Skandal, sondern eine normale Forschungsveröffentlichung mit vertauschter Reihenfolge der Schritte. Aber es bedeutet, dass die nützliche Frage zu WeMM-Video-35B-A3B nicht lautet „Ist es gut?“ – das beantwortet der Bericht zugunsten des Teams selbst, über sieben Tabellen hinweg –, sondern „Was kannst du heute selbst überprüfen, und was nimmst du im Vertrauen an?“ Den ersten Teil beantwortet das Repository besser als die meisten Veröffentlichungen.

Die Gewichte sind heute Morgen angekommen, nicht am 17.

Die Zeitstempel von Hugging Face machen die Abfolge ungewöhnlich gut nachvollziehbar. Die neunzehn WeMM-Video-Repositories in der Sammlung von T​encent wurden am 17. November innerhalb eines Sechs-Minuten-Fensters zwischen 08:53:50 und 08:59:06 UTC erstellt – das Kennzeichen eines Upload-Skripts statt eines Menschen, der auf „Veröffentlichen“ klickt. Im 35B-A3B-Repository enthält der Commit mit dem Titel initial commit um 08:53:50 genau eine Datei, und dabei handelt es sich nicht um ein Gewicht. Der Commit mit dem Titel Upload WeMM-Video-35BA3B BF16 release, der siebzehn Safetensors-Shards enthält, ist auf 2026-11-20T03:57:36Z datiert.

Die kleineren Größen wurden noch am selben Morgen ergänzt: 2B um 01:41, 4B um 04:08, 9B um 05:08. Das GitHub-Repository Tencent/WeMM-Video wurde am 17. November um 02:29 UTC erstellt, und seine README wurde am 20. November um 05:09 noch überarbeitet. Der arXiv-Bericht 2611.26409 wurde am 19. November um 16:58 UTC eingereicht.

Nichts davon ist ungewöhnlich für ein Labor, das eine Modellfamilie veröffentlicht. Was das ändert, ist die Position aller, die diese Woche über das Modell lesen: Der Bericht beschreibt einen Checkpoint, der für etwa sechsunddreißig Stunden ein Versprechen war. Wenn Sie am 19. November die Berichterstattung gelesen und versucht haben, ihn auszuführen, lag der Fehler nicht an Ihrer Toolchain.

A screenshot of the GitHub repository Tencent/WeMM-Video showing the README revision timestamped about an hour earlier, eight commits, a main branch, and a description calling it a family of omni-modal foundation models by WeChat Vision at Tencent.

Was befindet sich in einem 36,18B-Checkpoint?

Hugging Faces eigene Metadaten beziffern den Checkpoint auf 36.177.564.536 Parameter – 36,18 Mrd. gegenüber einer Bezeichnung „35B-A3B“. Die Bezeichnung ist nicht falsch, sie zählt nur etwas anderes als die Dateigröße, und die Diskrepanz zwischen beiden ist das praktisch Wichtigste an diesem Modell.

• Sprachturm — 40 Schichten bei einer Hidden-Breite von 2.048, 16 Query-Heads gegenüber 2 Key-Value-Heads, Head-Dimension 256, Vokabular 248.320. Die Attention ist hybrid: Jede vierte Schicht ist Full Attention und die anderen drei sind Linear Attention, weshalb jeder Serving-Befehl im Repository ein float32-SSM-Cache-Flag trägt.

• Experten — 256 geroutete Experten pro Schicht bei einer Zwischenbreite von 512, Top-8-Routing, plus ein gemeinsamer Experte mit Breite 512. Über 40 Schichten hinweg ergibt das 10.240 geroutete Experten.

• Vision-Tower — 27 Blöcke bei versteckter Breite 1.152, Patch-Größe 16, räumliche Zusammenführung 2, zeitlicher Patch 2, Projektion auf 2.048.

• Audio — Whisper-förmig, mit 32 Encoder- und 32 Decoder-Schichten bei einer Breite von 1.280, die einen Q-Former auf Fensterebene speisen, der jedes 0,1-Sekunden-Fenster zu einem einzelnen Token komprimiert. Das ergibt 10 Audio-Tokens pro Sekunde aus einem 16-kHz-Eingang, der in 30-Sekunden-Abschnitte aufgeteilt ist.

• Herkunft — der Bericht besagt, dass das MoE auf Qwen3.6-35B-A3B basiert und dass die Audio-Encoder von Qwen2.5-Omni initialisiert werden. Videoframes tragen textuelle Zeitstempel, und visuelle und Audio-Tokens sind in chronologischer Reihenfolge verschachtelt statt in getrennte Streams gepoolt.

• Training — etwa 1,2 Billionen multimodale Tokens durch progressives Pretraining, dann Multi-Teacher-On-Policy-Distillation, eine Anti-Wiederholungs-Präferenzphase, die die Autoren MrDPO nennen, und spezialistisches Reinforcement Learning.

• Lizenz — Apache 2.0 für die gesamte Sammlung, mit einer Ausnahmeregelung für Komponenten von Drittanbietern, die „weiterhin ihren jeweiligen ursprünglichen Bedingungen unterliegen“. Die Ausnahmeregelung wird genannt, aber nicht einzeln aufgeführt.

Neben dem BF16-Checkpoint werden vier quantisierte Varianten veröffentlicht, und ihre Manifestdateien sind lesenswert, weil sie so offen gekennzeichnet sind. AWQ W4A16 umfasst insgesamt 22,69 GiB, und sein Manifest gibt quantized_unvalidated an. NVFP4 W4A16 ist eine einzelne safetensors-Datei mit 24,11 GiB, deren Manifest lediglich cpu_NVFP4_weight_artifact_independently_reread nennt – die Gewichte wurden auf der CPU erneut gelesen, was einer Prüfsumme entspricht, nicht einer Evaluierung. Das GGUF-Q4_K_M-Bundle besteht aus drei Dateien (22,61 GiB Sprache, 0,84 GiB Vision-Projektor, 1,99 GiB Audio), und sein Manifest gibt exported_unvalidated an, wobei die Datei zum Per-Tensor-Geltungsbereich quantized_candidate_not_validated angibt.

Die fünfte Variante fehlt. Sowohl die Modellkarte als auch die GitHub-Modellzoo-Tabelle verlinken ein FP8-Block128-Repository; der Hub liefert dafür 401 zurück, dieselbe Antwort, die er für einen Repository-Namen gibt, der nie existiert hat, während jedes aktive Schwester-Repository 200 zurückgibt. Die Hugging-Face-Collection hat ein Loch an Position 1, genau dort, wo dieses Repository eigentlich hingehören sollte. Dies ist ein Release, das gerade in dem Moment zusammengestellt wird, in dem Sie es lesen.

Eine gemessene Zahl – und zwar Audio.

Die Modellkarte berichtet genau eine Evaluierung, die der Anbieter selbst durchgeführt hat: MMAR1000 bei 72,7 %, 727 von 1.000. Die Bedingungen sind vollständig angegeben, was der gute Teil ist – nur Audio, vollständiges Audio dekodiert bei 16 kHz, Instruct-Modus, Greedy-Decoding, höchstens 256 Ausgabe-Tokens, gepatchtes vLLM 0.18 auf zwei H20-GPUs mit Tensor-Parallelität.

Alles andere auf dieser Karte ist die Aussage, dass etwas geladen wurde. Gepatchtes vLLM lud den Checkpoint auf H20 und absolvierte Generierungsprüfungen für Text, Bild, Audio und Video mit Tonspur; der lokale Checkpoint bestand einen direkten Transformers-Ladevorgang und eine CPU-Textgenerierungsprüfung. Das ist das Mindeste, was eine Deployment-Entscheidung braucht, und Tencent gibt nicht vor, dass es anders wäre.

Es gibt einen lockeren Faden, den es sich lohnt zu ziehen. Der Serving-Leitfaden im selben GitHub-Repository enthält eine Validierungstabelle, deren letzte Zeile lautet: „Die GPU-Generierung nach dem Herunterladen eines Checkpoints vom Hub ist ausstehend.“ In der Modellkarte steht, dass der H20-Lauf, der vom Hub lädt, die Generierung für alle vier Modalitäten abgeschlossen hat. Zwei Dokumente, die vom selben Team geschrieben wurden, widersprechen sich darin, wie viel bereits nachgewiesen wurde. Die Aussage in der Modellkarte ist die spezifischere und wahrscheinlich die aktuellere; der Widerspruch ist ein guter Grund, einen Tag für eigene Smoke-Tests einzuplanen statt eine Woche für die Integration.

Die Audiotabelle des Berichts führt für diesen Checkpoint außerdem 73,6 auf MMAR auf; dies ist eine andere Testumgebung als der MMAR1000-Lauf der Karte und sollte nicht von 72,7 abgezogen werden, um eine „echte“ Zahl zu erhalten. Die einzig ehrliche Lesart ist, dass die eigene Audiokennzahl von T​encent im unteren Siebzigerbereich liegt und keine zweite Partei sie gemessen hat.

28 von 30 gegen Q​wen's omni flash

Tabelle 1 des Berichts ist der Fall des Flaggschiffs, und es ist ein großer. Bei den 30 Single-Value-Benchmarks in dieser Tabelle – gemeinsame audio-visuelle Aufgaben, audio-visuelle Halluzination, Musikverständnis, Interaktion, Captioning – liegt WeMM-Video-35B-A3B im Thinking-Modus bei 28 vor {{1}}Qwen3.5-Omni-Flash{{/1}} und bei 2 dahinter. Gegenüber {{2}}Seed2.0-Mini-0428{{/2}} liegt es bei 26 vorn und bei 4 zurück. Gegenüber {{3}}Gemini-3.0-Flash{{/3}} liegt es bei 9 vorn und bei 21 zurück.

Die Siege, die am meisten zählen, sind nicht die ordentlichen:

• Video-MME mit Audio — 86,4 für WeMM-Video-35B-A3B, 79,3 für Qwen3.5-Omni-Flash, 83,6 für Seed2.0-Mini-0428, 88,6 für Gemini-3.0-Flash.

• Video-MME v2 mit Audio — 54,9 gegenüber 36,6 und 51,7, wobei Gemini-3.0-Flash bei 63,2 liegt. Ein Vorsprung von achtzehn Punkten vor dem nächsten offenen Konkurrenten im schwierigeren Teil desselben Benchmarks.

• AV-SpeakerBench — 72,6 gegenüber 65,2 und 68,5, weiterhin hinter G​emini mit 75,9. Zu unterscheiden, wer über Video gesprochen hat, ist die Aufgabe, die echte audiovisuelle Fusion von einem Sehmodell mit nachträglich angeflanschtem Transkript trennt.

• SciVideoBench und EvaOmni — 69,4 gegenüber 51,3 und 57,8 gegenüber 30,4. Beide sind stark reasoning-lastig; in beiden Bereichen neigt ein schwächeres Omni-Modell dazu, einzubrechen.

Die Verluste sind ebenso konkret und es lohnt sich, sie zu benennen, denn eine Tabelle, die nur Gewinne zeigt, ist genau das, was dieser Blog vermeiden will:

• JointAVBench — 65,9, hinter Qwen3.5-Omni-Flash mit 69,0 und Gemini-3.0-Flash mit 68,4, nur vor Seed2.0-Mini-0428 mit 64,7.

• MUSIC-AVQA — 79,5 gegenüber Q​wens 82,1, allerdings vor G​eminis 76,2. Musik ist der Bereich, in dem Q​wens Audio-Stack noch die Nase vorn hat.

• Im Vergleich zu Seed2.0-Mini-0428 — OmniCompass-AV 46,3 gegen 47,9, OmniVChat 48,9 gegen 49,8, O-IN-Bench 49,0 gegen 49,4, video-SALMONN 2s Testset 28,3 gegen 32,7. Drei dieser vier liegen innerhalb eines Punktes.

• Gegen Gemini-3.0-Flash — die Lücke ist bei langen und zukunftsorientierten Videos am größten: MMOU 74,5 gegenüber 84,7, FutureOmni 56,2 gegenüber 65,3, OmniVideoBench 55,3 gegenüber 63,3, LVOmniBench 52,6 gegenüber 59,8. „Verkleinert die Lücke“ ist eine faire Beschreibung; „schließt sie“ wäre es nicht.

Jede der oben genannten Zahlen stammt von T​encent. Der Bericht sagt es selbst – „Bei bestehenden Modellen berichten wir offizielle Ergebnisse, wo verfügbar, und ansonsten unsere eigenen Bewertungen“ – und wechselt je nach Tabelle zwischen dem Instruct- und dem Thinking-Modus, was er ebenfalls angibt. Kein Drittanbieter hat irgendetwas davon reproduziert, und weder Artificial Analysis noch LMArena führt ein WeMM-Modell auf.

A two-column scoreboard headed 'WeMM-Video-35B-A3B vs Qwen3.5-Omni-Flash — the scoreboard', with six shared rows: Video-MME with audio 86.4 against 79.3, Video-MME v2 with audio 54.9 against 36.6, AV-SpeakerBench 72.6 against 65.2, SciVideoBench 69.4 against 51.3, JointAVBench 65.9 against 69.0, and MUSIC-AVQA 79.5 against 82.1.

Das Hinzufügen von Ohren beeinträchtigte die Vision-Werte kaum.

Die Behauptung in dieser Veröffentlichung, die mehr Aufmerksamkeit verdient als der Benchmark aus der Schlagzeile, ist eine leisere: dass das Anflanschen eines Audio-Stacks an ein Vision-Language-Modell es nicht viel Sehvermögen gekostet hat. Omnimodales Training kostet normalerweise etwas – das Modell verteilt Kapazität über Modalitäten und verliert bei stillem Video an Boden.

Der Bericht prüft das direkt, indem er WeMM-Video-35B-A3B bei 31 Benchmarks für stille Videos gegen seinen eigenen Backbone Qwen3.6-35B-A3B antreten lässt. Das Flaggschiff liegt bei 20 vorn und bei 11 zurück, und die meisten der elf liegen innerhalb eines Punktes.

• Wo es zulegte — TimeLens-Charades 54,8 gegenüber 47,4, F-16-NBA 89,9 gegenüber 82,8, CrossVid 50,2 gegenüber 45,2, OVO-Bench 63,9 gegenüber 61,0, TemporalBench 45,9 gegenüber 43,3.

• Wo es verloren hat — EgoSchema 74,2 gegenüber 77,2, Video-MME 80,4 gegenüber 82,5, MVBench 73,1 gegenüber 74,6, MLVU 85,3 gegenüber 86,2. Der Rest sind Bruchteile eines Punktes.

Lies das Muster statt die Anzahl: Die Zugewinne ballen sich bei zeitlicher Verankerung und Langvideo-Assoziation, die Verluste bei egozentrischem Video aus der Ich-Perspektive. Das ist ein plausibler Kompromiss für ein Modell, das auf Video mit Ton abgestimmt wurde. Gegenüber Qwen3.5-Omni-Flash liegt es in derselben Tabelle für stille Videos bei 30 von 31 vorn und verliert nur bei VideoVista, 83,5 zu 84,1.

Die Bild- und Texttabellen zeigen dasselbe Muster. Gegenüber Qwen3.5-Omni-Flash gehen 26 von 28 Bild-Benchmarks an WeMM, mit RefCOCO (89,5 gegen 92,6) und TallyQA (80,7 gegen 81,2) als Ausnahmen. Gegenüber seinem eigenen Backbone ist die Bildtabelle ein nahezu Gleichstand – 13 vorn, 14 zurück –, und in der Texttabelle zeigt sich der Preis: MMLU-Pro 84,7 gegen 85,2, GPQA 83,8 gegen 86,0, IMOAnswerBench 74,8 gegen 78,9, SuperGPQA 63,4 gegen 64,7. Ein paar Punkte beim anspruchsvollen Schlussfolgern für ein funktionierendes Paar Ohren aufzugeben, ist ein normaler und vertretbarer Kompromiss, aber es ist ein Kompromiss, und jeder, der Text auf Graduierten-Niveau durch diesen Checkpoint leitet, sollte wissen, dass es ihn gibt.

36B Arbeitsspeicher, 3B Rechenoperationen

Hier ist die Rechnung, die entscheidet, ob dieses Modell für Sie einsatzfähig ist, und sie ergibt sich aus der Konfiguration statt aus dem Fließtext. Von den 36,18B Parametern stecken etwa 32,2B in gerouteten Experten: 40 Schichten mal 256 Experten mal drei Projektionen bei einer Breite von 2.048 mal 512. Das Top-8-Routing berührt pro Token ein Zweiunddreißigstel davon, etwa 1,0B Parameter, und die Angabe „3B aktiv“ ist stimmig, sobald Attention, der geteilte Experte und die Embedding-Tabelle mitgezählt werden.

Die Rechenkosten sind also gering, die Speicherkosten hingegen nicht:

• BF16 — 67,39 GiB auf siebzehn Shards verteilt. Tencent eigene Validierung nutzte Tensor-Parallelität über zwei H20. Es gibt keine veröffentlichte Tensor-Parallelitätszahl für größere Konfigurationen; der Serving-Leitfaden sagt nur: „Planen Sie Speicher für die vollständigen Expertengewichte ein und setzen Sie --tensor-parallel-size nach Bedarf.“

• NVFP4 W4A16 — 24,11 GiB, was in eine einzelne 48-GB-Karte passt, mit Platz für den Cache. Das Rezept ist eine separate gepatchte vLLM-0.31.0-Umgebung mit ModelOpt-Mixed-Precision und Marlin, und es läuft mit --max-num-seqs 1.

• AWQ W4A16 — 22,69 GiB auf gepatchtem vLLM 0.18.0 unter Verwendung der eigenen compressed-tensors-Konfiguration des Checkpoints.

• GGUF Q4_K_M — ein dreiteiliges Bundle mit 24,6 GiB, allerdings für die eigene native Runtime von Tencent, nicht für llama.cpp oder Ollama. Sein Manifest weist es als exportiert und unvalidiert aus.

Hier läuft nichts auf einer ungepatchten Engine. Das Repository enthält ein Patch-Verzeichnis: Quell-Overlays mit SHA-256-Manifesten für genau vier Upstream-Releases – vLLM 0.18.0 und 0.31.0, SGLang 0.5.16 und 0.5.19 –, die jeweils an eine bestimmte Kombination aus PyTorch, Transformers und CUDA 12.9 gebunden sind, wobei Python 3.12 und FFmpeg erforderlich sind, TorchCodec CUDA 12 NPP im Linker-Pfad benötigt und SGLang beim ersten Einsatz CUDA-Kernel kompiliert. Eine Suche im vLLM-Issue-Tracker fördert keine Upstream-Anfrage für diese Architektur zutage. Dies ist ein Self-Host-Job, bei dem ein Overlay auf die Inferenz-Engine von jemand anderem angewendet wird.

A screenshot of the Hugging Face model page for tencent/WeMM-Video-35BA3B showing an Image-Text-to-Text pipeline tag with Transformers and Safetensors, English and Chinese language tags, the wemm_qwen3_5_moe architecture tag, an apache-2.0 licence, and a 36B-parameter BF16 model size.

Zwei Konfigurationsdetails begrenzen, was Sie ihm tatsächlich zuführen können. Die Textkonfiguration deklariert 262.144 Positionen, aber der vLLM-Befehl der Karte übergibt --max-model-len 8192, und jedes SGLang-Rezept begrenzt den Kontext ebenfalls auf 8.192 – die lange Zahl ist Reserve, keine unterstützte Einstellung. Beim Frame-Sampling ist es dasselbe: Der Prozessor verwendet standardmäßig 2 fps und bis zu 128 Frames, während das veröffentlichte Rezept auf 16 Frames und ein Budget von 262.144 Pixeln überschreibt. Bei 10 Audio-Tokens pro Sekunde sind 8.192 Tokens Kontext etwas mehr als dreizehn Minuten Audio und sonst nichts.

OrcaRouter bietet WeMM-Video-35B-A3B nicht an, und der Katalog führt überhaupt keinen WeMM-Checkpoint, es gibt also keinen gehosteten Preis zu nennen. Was wir anbieten, ist das Modell, auf dem dieses basiert: Qwen3.6-35B-A3B ist auf der Plattform für 0,25 $ pro Million Eingabe-Token und 1,48 $ pro Million Ausgabe-Token bei einem Kontext von 262.144 Token verfügbar, mit Text-, Bild- und Videoeingabe. Wenn der Teil dieser Aufgabe, den Sie brauchen, darin besteht, „den Clip anzusehen und darüber nachzudenken“, statt darin, „den Clip anzusehen und den Raum zu transkribieren“, dann ist das ein gehosteter Ersatz, der heute Nachmittag verfügbar ist – statt eines 67-GiB-Downloads und eines Patches auf Quellcodeebene. Der Listenpreis des Anbieters wird mit 0 % Aufschlag durchgereicht, und jedes Modell steht hinter einem OpenAI-kompatiblen Schlüssel mit automatischem Failover, sodass der Versuch einer zweiten Meinung nur eine Konfigurationsänderung statt eines zweiten Vertrags kostet.

Was niemand außerhalb von WeChat überprüft hat

Vier Dinge, die ein Käufer normalerweise bei einem Launch bekommen würde und hier nicht bekommen kann.

• Unabhängige Evaluierung. Keine. Die Evaluierungs- und Reproduktionspipeline ist öffentlich, was das Nächstbeste ist und nicht dasselbe.

• Evaluationsbedingungen. Die für die Benchmark-Läufe verwendeten Frame-Anzahlen, Pixel-Budgets und Kontextlängen werden im Bericht nicht angegeben, und das mitgelieferte Rezept entnimmt 16 Frames, während der Prozessor standardmäßig 128 verwendet. Eine Stichprobe von 16 Frames aus einem langen Clip ist eine andere Eingabe als eine Stichprobe von 128 Frames aus demselben Clip.

• Die Bereitstellungsbehauptung. Der Bericht gibt an, die Familie sei „über mehrere zentrale Videodienste innerhalb von WeChat hinweg bereitgestellt“, und nennt dabei Live-Stream-Commerce, Kurzdrama-Analyse und interaktives Video. Das ist eine gewichtige Behauptung, wenn sie stimmt – Produktionsverkehr ist die eine Bewertung, über die niemand streiten kann – und sie ist von außen vollkommen unüberprüfbar. In der Veröffentlichung werden nirgends Werte zu Latenz, Durchsatz, Nebenläufigkeit oder Speicher veröffentlicht.

• Die quantisierten Artefakte. Drei der vier veröffentlichten Varianten beschreiben sich in ihren eigenen Manifesten als unvalidiert. AWQ, GGUF und NVFP4 werden angeboten, nicht verbürgt.

Nichts davon ist ein Grund, die Veröffentlichung abzutun. Es ist ein Grund, sie als das zu lesen, was sie sichtbar ist: eine gut dokumentierte Forschungsveröffentlichung, deren Flaggschiff-Gewichte erst wenige Stunden alt sind, deren Paper zuerst erschien, deren FP8-Repository noch nicht erstellt wurde und deren Benchmark-Vorsprung gegenüber dem besten offenen Omni-Konkurrenten groß genug ist, dass es sich lohnt, sie zu reproduzieren, statt sie anzuzweifeln.

Was die Sache entscheiden würde, ist dieselbe Liste wie immer. Ein Upstream-Merge in vLLM würde das Patchen beenden. Eine erste unabhängige Reproduktion auf Video-MME v2 mit Audio würde den Abstand von achtzehn Punkten bestätigen oder widerlegen. Ein Hosting-Preis oder das fehlende FP8-Repository würde zeigen, ob T​encent beabsichtigt, dass dies genutzt oder lediglich zitiert wird. Bis eines davon eintritt, lautet die ehrliche Zusammenfassung, dass WeMM-Video-35B-A3B der interessanteste offene omni-modale Checkpoint des Monats ist, dass seine Vision-Werte den Zusatz des Hörens offenbar überstehen und dass alle seine Zahlen derzeit von den Leuten stammen, die es trainiert haben.