
WeMM-Video-2B: un modelo omni-modal de 2B que nadie anunció
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 826 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 407 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
No hay publicación de lanzamiento. No hay ficha de modelo en una página de producto, ni lista de espera, ni tabla de precios, ni tuit de benchmark de un ejecutivo de Tencent. Lo que existe es un repositorio de Hugging Face creado a las 08:58 UTC del 17 de noviembre de 2026 y un repositorio de GitHub cuyo primer commit se registró seis horas y media antes, y ambos describen WeMM-Video-2B como el checkpoint denso de 2B dentro de una familia de modelos de vídeo omnicomodales chino-inglés de WeChat Vision en Tencent. Seis días después, el repositorio tiene dos «me gusta», cero descargas y cuatro modelos hermanos cuantizados que se crearon en los once minutos posteriores a los pesos base. Así que la primera frase honesta de cualquier artículo sobre este modelo es una frase sobre su empaquetado: es público, se puede descargar y nadie ha dicho una palabra sobre él.
Esa brecha merece tomarse en serio en lugar de tratarla como un día de pocas noticias. Una familia de modelos que publica pesos, un artículo, cuatro formatos de cuantización, recetas parcheadas para vLLM y SGLang, un runtime nativo en C++ y un archivo Docker Compose en la misma semana no es un volcado de investigación que alguien olvidó anunciar: es un lanzamiento que se preparó y luego se publicó sin la capa de marketing. Lo que sigue separa lo que los artefactos demuestran de lo que solo Tencent puede confirmar, y deliberadamente no pretende decidir si el modelo es bueno.
Lo que realmente contiene el repositorio
El checkpoint base es tencent/WeMM-Video-2B, Apache 2.0, 6.12 GiB de safetensors BF16 en dos fragmentos. El archivo de índice informa de un total de 3,283,624,264 parámetros, lo que revela algo que el nombre no: "2B" es el modelo de lenguaje, no el sistema. La columna vertebral de texto es un decodificador de la familia Qwen3.5 —24 capas, tamaño oculto de 2048, 8 cabezas de atención frente a 2 cabezas KV, un vocabulario de 248,320 tokens y una incrustación de posición máxima de 262,144 tokens— con una disposición de atención híbrida que coloca una capa de atención completa después de cada tres capas de atención lineal. Delante de él hay un transformador de visión de 24 capas con un tamaño oculto de 1024, y una pila de audio construida a partir de un codificador Whisper de 32 capas que alimenta a un Q-Former de dos capas con un tamaño oculto de 4104. Los parámetros restantes residen en esos dos codificadores.

Esa arquitectura responde a la pregunta que plantea el nombre. Esto no es un generador de vídeo. Recibe vídeo —fotogramas y, opcionalmente, la banda sonora original— y produce texto. Los propios IDs de token de la configuración lo confirman: un token de vídeo, un token de audio, un token de imagen y un modelo de lenguaje que genera. Si llegaste con la esperanza de encontrar otra entrada en la carrera de texto a vídeo, el repositorio te decepcionará en la primera lectura de la etiqueta del pipeline, que es image-text-to-text.
• Tamaños de la familia — 2B, 4B, 9B densos y una mezcla de expertos 35B-A3B, todos publicados juntos el 17 de noviembre.
• Cuantizaciones para el 2B: FP8 Block128, AWQ W4A16, GGUF Q4_K_M y NVFP4 W4A16, cada una en su propio repositorio, cada una creada dentro de los once minutos posteriores a los pesos base.
• Rutas de servicio — Transformers 5.2.0, vLLM 0.18.0 o 0.31.0 parcheado, SGLang 0.5.16 o 0.5.19 parcheado, y un entorno de ejecución nativo para la compilación GGUF que se ejecuta en CPU o CUDA.
• Límites de entrada en las recetas incluidas: hasta cuatro imágenes, dos videos y dos elementos de audio por solicitud, con una longitud de contexto de 8.192 tokens.
• Licencia — Apache 2.0 sobre los pesos, con un archivo separado de avisos de terceros que abarca los componentes LAVIS, vLLM y SGLang.
El detalle del servicio parcheado es lo que distingue esto de un lanzamiento típico de pesos abiertos. Tencent no publicó un repositorio que «funciona en teoría»; publicó parches superpuestos para versiones específicas de vLLM y SGLang, archivos de dependencias bloqueados, imágenes de Docker etiquetadas para CUDA 12.9 y una nota de validación que indica que el checkpoint se cargó y completó la generación en hardware L20 y H20 en texto, imagen, audio y vídeo con banda sonora. Si esos parches se sostienen fuera del propio clúster de Tencent es exactamente el tipo de pregunta que responde una semana de desconocidos ejecutándolos, y esa semana aún no ha ocurrido.

Lo que afirma el artículo y quién lo comprobó
El informe técnico es arXiv 2611.26409, fechado el 19 de noviembre de 2026 —dos días después de que aparecieran los pesos— y es un artículo sobre la familia de modelos, no sobre el 2B. Doce autores, Changli Tang como primero en la lista y Jing Lyu como último, todos bajo el estandarte de WeChat Vision.
La afirmación principal se refiere al modelo 35B-A3B, no al 2B: que establece un nuevo estado del arte de código abierto en la evaluación de video omni-modal, superando sustancialmente a Qwen3.5-Omni-Flash y Seed2.0-Mini-0428 y reduciendo la brecha con Gemini-3.0-Flash. Una segunda afirmación sí se refiere al modelo del título de este artículo: que WeMM-Video-9B supera al Qwen3-Omni-30B-A3B-Instruct de código abierto más grande. El 2B aparece en la descripción de la familia y en el catálogo de modelos, pero el argumento del artículo lo sostiene su hermano mayor.
Todos esos números están reportados por el proveedor. No hay ninguna entrada de Artificial Analysis, ningún resultado de LMArena, ninguna reproducción independiente y —en el momento de escribir esto— ninguna evaluación de terceros de ningún tipo para ningún miembro de la familia. El artículo dice que los modelos se evaluaron en más de 120 benchmarks; no dice quién los ejecutó, y la respuesta es Tencent. Eso no es una acusación, es el estado normal de un lanzamiento de seis días. Pero sí significa que la descripción correcta de la posición de 35B-A3B es «Tencent informa que lidera», no «lidera».
Una salvedad más es estructural y no editorial. Un conjunto de pruebas de referencia de 120 tareas, elegido y ponderado por el laboratorio que entrenó el modelo, es una medición de ajuste: te dice que el modelo es bueno en aquello que sus autores consideraron medir. No te dice que sea bueno en lo que tú necesitas. La brecha entre esas dos afirmaciones es donde se cometen la mayoría de los errores de selección de modelos, y ninguna cantidad de lectura de tablas la cierra.
Los cuatro modos, y por qué importa la ruta de audio
La API de inferencia expone cinco formas de solicitud, y la interesante es la última. El texto y la imagen no tienen nada de particular. El audio por sí solo no tiene nada de particular. Los fotogramas de vídeo por sí solos son el caso estándar de vídeo multimodal. El vídeo con su banda sonora original es el que cambia lo que se le puede pedir al modelo, y es un tipo de contenido independiente en la API de servicio en lugar de un comportamiento implícito.
En la práctica, eso significa que puedes entregarle al modelo un clip y pedirle que describa lo que se ve en pantalla y resuma lo que se dice, en una sola llamada, y obtener una respuesta que refleje ambas cosas. Los propios ejemplos de la ficha del modelo hacen exactamente eso: transcribir habla en inglés de una grabación del Apolo 11 y después describir el mismo MP4 con y sin su pista de audio. Si el razonamiento conjunto es mejor que ejecutar un modelo de vídeo y un modelo de voz en paralelo y unir las salidas es una cuestión empírica, y es el aspecto más útil que un evaluador independiente podría poner a prueba.
La otra decisión de diseño que vale la pena mencionar es la plantilla de chat de dos modos. Pasar enable_thinking=False da una respuesta directa; enable_thinking=True da un rastro de razonamiento antes de la respuesta. Eso es un ajuste de latencia frente a calidad que se entrega como una bandera de plantilla en lugar de como dos checkpoints, lo cual es una elección razonable para un modelo de 2B: no estás pagando por un segundo conjunto de pesos para obtener el segundo comportamiento.
Ejecutándolo, y el estado honesto de la disponibilidad
La ruta de inicio rápido es un entorno de Python 3.12, una GPU NVIDIA, un controlador compatible con CUDA 12.9 y FFmpeg. Instala Torch 2.10.0, TorchVision 0.25.0 y TorchCodec 0.10.0 desde el índice de CUDA 12.9; después, Transformers 5.2.0, Accelerate, Pillow, Librosa, SoundFile, SciPy y Requests. El modelo se carga mediante AutoModelForImageTextToText con trust_remote_code=True — la arquitectura es personalizada, así que ese flag es fundamental y no decorativo, y la tarjeta te indica correctamente que leas el código personalizado antes de habilitarlo.
Si quieres un servidor en lugar de un script, la receta de vLLM fija una compilación 0.18.0 parcheada y pasa --no-enable-prefix-caching junto con --mamba-ssm-cache-dtype float32, que es una combinación que te indica que las capas híbridas de atención lineal aún no tienen una caché de prefijos funcional. Es una limitación real de rendimiento para cargas de trabajo de chat, y es el tipo de detalle que solo sale a la luz cuando alguien ha intentado realmente servir esto.
Lo que falta en todos los documentos es un precio. No hay ningún endpoint alojado por Tencent para WeMM-Video-2B, ni tarifa por token, ni despliegue gestionado. Descargas los pesos y la GPU es tuya. Por parte de OrcaRouter, la afirmación honesta es la misma: no servimos WeMM-Video-2B. Lo que sí ofrecemos de Tencent es la línea de texto Hunyuan — tencent/hy4, tencent/hy4-flash y las compilaciones de vista previa — en un único endpoint compatible con OpenAI al precio de lista del proveedor con 0% de recargo, lo cual es útil si tu pipeline necesita un modelo de texto del mismo laboratorio e inútil si necesita este. Dos productos diferentes, un solo nombre de proveedor, y confundirlos sería el error fácil de cometer con prisa.

De la curiosidad a la recomendación
Tres cosas, ordenadas según cuánto podrían marcar la diferencia.
La primera es una evaluación independiente sobre un benchmark que Tencent no eligió. Cualquier prueba ciega en una arena —comprensión de video, QA audiovisual, lo que esté más cerca— le diría de inmediato si la posición que la familia afirma resiste el contacto con un conjunto neutral de prompts. Hasta que eso exista, el "nuevo estado del arte de código abierto" del 35B-A3B es una afirmación sobre una tabla en un PDF.
El segundo es un informe de servicio de fuera de Tencent. Los parches son específicos, el hardware es específico y la nota de validación abarca dos modelos de GPU. Se desconoce si esto funciona sin problemas en un nodo H100, en un nodo A100 o en una 4090 alquilada, y la respuesta determinará si el 2B es un proyecto de fin de semana o un artefacto de investigación.
El tercero es un anuncio de un proveedor —cualquier anuncio de un proveedor. Una entrada de blog, una ficha de modelo en una página de producto de Tencent, un nivel de precios. Ahora mismo, el lanzamiento solo es legible para quienes leen las marcas de tiempo de los repositorios, y la ventana de siete días en la que eso es cierto se está cerrando. Si Tencent no publica nada, la lectura más probable es que estos pesos existan para respaldar el artículo y el 35B, y que el 2B sea un checkpoint de conveniencia en lugar de un producto.
Que es, honestamente, el fondo del asunto. WeMM-Video-2B es un modelo omni-modal real, descargable y con licencia Apache-2.0 que nadie ha anunciado, nadie ha descargado y nadie ha probado de forma independiente. Si tu trabajo implica comprensión audiovisual conjunta y tienes una GPU libre y una tarde libre, el costo de averiguar qué hace es la descarga. Si tu trabajo implica lanzar algo el mes que viene, el costo de averiguarlo es mayor que eso, y lo responsable es esperar las cifras de otra persona.
Comparados en este artículo1
Detectado en este artículo
