
WeMM-Video-35B-A3B: llegan los pesos, las puntuaciones son de Tencent
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 182 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 356 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 · 147 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 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 · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 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
Durante tres días, el repositorio de Hugging Face tencent/WeMM-Video-35BA3B contuvo un solo archivo: un .gitattributes de 1,5 KB. El informe técnico que describe WeMM-Video-35B-A3B se publicó en arXiv el 19 de noviembre, y calificaba el checkpoint como un nuevo estado del arte de código abierto para la comprensión audiovisual conjunta, por delante de Qwen3.5-Omni-Flash y Seed2.0-Mini-0428 y acercándose a Gemini-3.0-Flash. Un lector que creyó el informe y hizo clic para ir a los pesos no encontró nada que descargar. Los 67,39 GiB de tensores BF16 solo aparecieron a las 03:57 UTC del 20 de noviembre —esta mañana. El buque insignia se anunció un día antes de que existiera, y cada cifra que se le asocia hasta ahora procede del equipo que lo entrenó.
Ese momento no es un escándalo, es un lanzamiento de investigación normal con los pasos fuera de orden. Pero sí significa que la pregunta útil sobre WeMM-Video-35B-A3B no es «¿es bueno?» —el informe responde a eso a favor del propio equipo, a lo largo de siete tablas—, sino «¿qué puedes verificar tú mismo hoy y qué estás aceptando por fe?». El repositorio responde a la primera parte mejor que la mayoría de los lanzamientos.
Los pesos llegaron esta mañana, no el día 17.
Las marcas de tiempo de Hugging Face hacen que la secuencia sea inusualmente legible. Los diecinueve repositorios WeMM-Video de la colección de Tencent se crearon dentro de una ventana de seis minutos el 17 de noviembre, entre las 08:53:50 y las 08:59:06 UTC —la firma de un script de carga y no de una persona haciendo clic en publicar. Para el repositorio 35B-A3B, el commit titulado initial commit a las 08:53:50 contiene exactamente un archivo, y no es un peso. El commit titulado Upload WeMM-Video-35BA3B BF16 release, que contiene diecisiete fragmentos de safetensors, tiene fecha 2026-11-20T03:57:36Z.
Los tamaños más pequeños se completaron esa misma mañana: 2B a las 01:41, 4B a las 04:08 y 9B a las 05:08. El repositorio de GitHub Tencent/WeMM-Video se creó el 17 de noviembre a las 02:29 UTC y su README todavía se estaba revisando a las 05:09 del 20 de noviembre. El informe de arXiv, 2611.26409, se envió el 19 de noviembre a las 16:58 UTC.
Nada de eso es inusual para un laboratorio que lanza una familia. Lo que cambia es la posición de cualquiera que lea sobre el modelo esta semana: el informe describe un checkpoint que fue, durante aproximadamente treinta y seis horas, una promesa. Si leíste la cobertura el 19 de noviembre e intentaste ejecutarlo, el fallo no fue tu cadena de herramientas.

¿Qué hay dentro de un checkpoint de 36,18B?
Los propios metadatos de Hugging Face sitúan el checkpoint en 36.177.564.536 parámetros, es decir, 36,18B frente a la etiqueta "35B-A3B". La etiqueta no es incorrecta: simplemente cuenta algo distinto del tamaño del archivo, y la diferencia entre ambos es lo más importante en la práctica de este modelo.
• Torre de lenguaje — 40 capas con ancho oculto de 2.048, 16 cabezas de consulta frente a 2 cabezas de clave-valor, dimensión de cabeza 256, vocabulario 248.320. La atención es híbrida: cada cuarta capa es de atención completa y las otras tres son de atención lineal, por lo que cada comando de servicio del repositorio incluye un indicador de caché SSM de tipo float32.
• Expertos — 256 expertos enrutados por capa con una anchura intermedia de 512, enrutamiento top-8, además de un experto compartido de 512 de ancho. A lo largo de 40 capas, eso supone 10.240 expertos enrutados.
• Torre de visión — 27 bloques con un ancho oculto de 1.152, tamaño de parche 16, fusión espacial 2, parche temporal 2, proyectando a 2.048.
• Audio — con forma de Whisper, 32 capas de codificador y 32 de decodificador con una anchura de 1.280, que alimentan un Q-Former a nivel de ventana que comprime cada ventana de 0,1 segundos en un único token. Eso equivale a 10 tokens de audio por segundo, a partir de una entrada de 16 kHz dividida en fragmentos de 30 segundos.
• Procedencia — el informe indica que el MoE se basa en Qwen3.6-35B-A3B y que los codificadores de audio se inicializan a partir de Qwen2.5-Omni. Los fotogramas de vídeo llevan marcas de tiempo textuales, y los tokens visuales y de audio se intercalan en orden cronológico en lugar de agruparse en flujos separados.
• Entrenamiento — aproximadamente 1,2 billones de tokens multimodales mediante preentrenamiento progresivo, luego destilación on-policy con múltiples maestros, una etapa de preferencia antirrepetición que los autores llaman MrDPO, y aprendizaje por refuerzo especializado.
• Licencia — Apache 2.0 en toda la colección, con una excepción para los componentes de terceros que "quedan sujetos a sus respectivos términos originales". La excepción se enuncia, pero no se desglosa.
Junto al checkpoint BF16 se publican cuatro variantes cuantizadas, y merece la pena leer sus archivos de manifiesto por lo francos que son sus etiquetados. AWQ W4A16 suma 22,69 GiB y su manifiesto dice quantized_unvalidated. NVFP4 W4A16 es un único archivo safetensors de 24,11 GiB cuyo manifiesto solo afirma cpu_NVFP4_weight_artifact_independently_reread — los pesos se releyeron en CPU, lo cual es una suma de comprobación, no una evaluación. El paquete GGUF Q4_K_M son tres archivos (22,61 GiB de lenguaje, 0,84 GiB de proyector de visión, 1,99 GiB de audio) y su manifiesto dice exported_unvalidated, mientras que el archivo de alcance por tensor dice quantized_candidate_not_validated.
Falta la quinta variante. La tarjeta del modelo y la tabla del model-zoo de GitHub enlazan ambas a un repositorio FP8 Block128; el Hub devuelve 401 para él, la misma respuesta que da para un nombre de repositorio que nunca ha existido, mientras que cada uno de sus hermanos activos devuelve 200. La colección de Hugging Face tiene un hueco en la posición 1, exactamente donde debía ir ese repositorio. Se trata de un lanzamiento que todavía se está ensamblando mientras lo lees.
Un único número medido, y es audio
La ficha del modelo informa exactamente una evaluación que el proveedor ejecutó por sí mismo: MMAR1000 al 72,7 %, 727 de 1000. Las condiciones se detallan por completo, que es la parte buena: solo audio, audio completo decodificado a 16 kHz, modo Instruct, decodificación voraz, como máximo 256 tokens de salida, vLLM 0.18 parcheado en dos GPU H20 con paralelismo tensorial.
Todo lo demás en esa tarjeta es una declaración de que algo se cargó. La versión parcheada de vLLM cargó el checkpoint en H20 y completó las pruebas de generación para texto, imagen, audio y vídeo con banda sonora; el checkpoint local superó una carga directa con Transformers y una prueba de generación de texto en CPU. Eso es el mínimo que necesita una decisión de despliegue, y Tencent no pretende lo contrario.
Hay un hilo suelto que vale la pena tirar. La guía de serving del mismo repositorio de GitHub incluye una tabla de validación cuya última fila dice: «La generación en GPU después de descargar un checkpoint del Hub está pendiente». La tarjeta del modelo afirma que la ejecución en H20, que carga desde el Hub, completó la generación para las cuatro modalidades. Dos documentos escritos por el mismo equipo no coinciden sobre cuánto se ha demostrado. La afirmación de la tarjeta es la más específica y probablemente la más actual; la discrepancia es una razón justificada para reservar un día de tus propias pruebas de humo en lugar de una semana de integración.
La tabla de audio del informe también incluye 73,6 en MMAR para este checkpoint, que es un sistema de evaluación distinto del usado en la ejecución MMAR1000 de la ficha y no debería restarse de 72,7 para obtener un número «real». La única lectura honesta es que la propia cifra de audio de Tencent se sitúa en los setenta y pocos y ningún tercero la ha medido.
28 de 30 contra Qwen's omni flash
La Tabla 1 del informe es el caso del buque insignia, y es un caso amplio. En los 30 benchmarks de valor único de esa tabla —tareas conjuntas de audio y vídeo, alucinación audiovisual, comprensión musical, interacción y generación de descripciones—, WeMM-Video-35B-A3B en modo Thinking supera a Qwen3.5-Omni-Flash en 28 y queda por detrás en 2. Frente a Seed2.0-Mini-0428, supera en 26 y queda por detrás en 4. Frente a Gemini-3.0-Flash, supera en 9 y queda por detrás en 21.
Las victorias que más importan no son las limpias:
• Video-MME con audio — 86,4 para WeMM-Video-35B-A3B, 79,3 para Qwen3.5-Omni-Flash, 83,6 para Seed2.0-Mini-0428, 88,6 para Gemini-3.0-Flash.
• Video-MME v2 with audio — 54.9 frente a 36.6 y 51.7, con Gemini-3.0-Flash en 63.2. Una ventaja de dieciocho puntos sobre el competidor abierto más cercano en la partición más difícil del mismo benchmark.
• AV-SpeakerBench — 72,6 frente a 65,2 y 68,5, todavía por detrás de Gemini con 75,9. Distinguir quién habló, en vídeo, es la tarea que separa la verdadera fusión audiovisual de un modelo de visión con una transcripción añadida a la fuerza.
• SciVideoBench y EvaOmni — 69,4 frente a 51,3, y 57,8 frente a 30,4. Ambos están centrados en el razonamiento; ambos son los escenarios en los que un modelo omni más débil suele desplomarse.
Las pérdidas son igual de concretas y merecen nombrarse, porque una tabla que solo muestra victorias es justo lo que este blog existe para evitar:
• JointAVBench — 65,9, por detrás de Qwen3.5-Omni-Flash con 69,0 y de Gemini-3.0-Flash con 68,4, solo por delante de Seed2.0-Mini-0428 con 64,7.
• MUSIC-AVQA — 79,5 frente al 82,1 de Qwen, aunque por delante del 76,2 de Gemini. La música es donde el stack de audio de Qwen todavía tiene la ventaja.
• Frente a Seed2.0-Mini-0428 — OmniCompass-AV 46,3 frente a 47,9, OmniVChat 48,9 frente a 49,8, O-IN-Bench 49,0 frente a 49,4, el conjunto de pruebas de video-SALMONN 2 28,3 frente a 32,7. Tres de esos cuatro están a menos de un punto.
• Frente a Gemini-3.0-Flash — la brecha es más amplia en vídeos largos y orientados al futuro: MMOU 74,5 frente a 84,7, FutureOmni 56,2 frente a 65,3, OmniVideoBench 55,3 frente a 63,3, LVOmniBench 52,6 frente a 59,8. «Reduce la brecha» es una descripción justa; «cerrarla» no lo sería.
Todas las cifras anteriores son de Tencent. El propio informe lo afirma —«Para los modelos existentes, presentamos los resultados oficiales cuando están disponibles y, en caso contrario, nuestras propias evaluaciones»— y alterna entre los modos Instruct y Thinking según la tabla, algo que también indica. Ningún tercero ha reproducido nada de ello, y ni Artificial Analysis ni LMArena incluyen un modelo WeMM.

Añadir orejas apenas mermó las puntuaciones de visión.
La afirmación en este lanzamiento que merece más atención que el benchmark destacado es una más silenciosa: que añadir un stack de audio a un modelo de visión-lenguaje no le costó mucha visión. El entrenamiento omnimodal normalmente sí suele tener un costo: el modelo reparte capacidad entre modalidades y cede terreno en video silencioso.
El informe lo comprueba directamente comparando WeMM-Video-35B-A3B con su propio backbone, Qwen3.6-35B-A3B, en 31 benchmarks de vídeo sin audio. El modelo insignia va por delante en 20 y por detrás en 11, y la mayoría de esos once están dentro de un punto.
• Dónde mejoró — TimeLens-Charades 54,8 frente a 47,4, F-16-NBA 89,9 frente a 82,8, CrossVid 50,2 frente a 45,2, OVO-Bench 63,9 frente a 61,0, TemporalBench 45,9 frente a 43,3.
• Dónde perdió — EgoSchema 74,2 frente a 77,2, Video-MME 80,4 frente a 82,5, MVBench 73,1 frente a 74,6, MLVU 85,3 frente a 86,2. El resto son fracciones de punto.
Lee el patrón en lugar del recuento: las ganancias se concentran en el anclaje temporal y la asociación de videos largos, y las pérdidas, en el video egocéntrico en primera persona. Es un intercambio plausible para un modelo ajustado con video con sonido. Frente a Qwen3.5-Omni-Flash en la misma tabla de video silencioso, está por delante en 30 de 31, perdiendo solo en VideoVista, 83,5 frente a 84,1.
Las tablas de imagen y de texto muestran la misma forma. Frente a Qwen3.5-Omni-Flash, 26 de los 28 benchmarks de imagen se los lleva WeMM, con RefCOCO (89.5 frente a 92.6) y TallyQA (80.7 frente a 81.2) como excepciones. Frente a su propio backbone, la tabla de imagen es casi un empate —13 por delante, 14 por detrás—, y es en la tabla de texto donde se nota el costo: MMLU-Pro 84.7 frente a 85.2, GPQA 83.8 frente a 86.0, IMOAnswerBench 74.8 frente a 78.9, SuperGPQA 63.4 frente a 64.7. Renunciar a unos pocos puntos de razonamiento difícil a cambio de un par de oídos que funcionan es un intercambio normal y defendible, pero es un intercambio, y cualquiera que dirija texto de nivel de posgrado a través de este checkpoint debería saber que existe.
36B de memoria, 3B de aritmética
Esta es la aritmética que decide si este modelo es desplegable para usted, y surge de la configuración, no de la prosa. De los 36,18B parámetros, aproximadamente 32,2B residen en expertos enrutados: 40 capas por 256 expertos por tres proyecciones de anchura 2.048 por 512. El enrutamiento Top-8 toca un treintaidosavo de eso por token, unos 1,0B parámetros, y el "3B activos" de la etiqueta es coherente una vez que se cuentan la atención, el experto compartido y la tabla de embeddings.
Así que la factura de cómputo es pequeña y la de memoria no:
• BF16 — 67.39 GiB en diecisiete fragmentos. La propia validación de Tencent utilizó paralelismo tensorial en dos H20. No hay una cifra publicada de paralelismo tensorial para configuraciones más grandes; la guía de servicio solo dice "planifique la memoria para los pesos completos de los expertos y configure --tensor-parallel-size según sea necesario."
• NVFP4 W4A16 — 24,11 GiB, que cabe en una sola tarjeta de 48 GB con espacio para caché. La receta es un entorno separado de vLLM 0.31.0 parcheado con precisión mixta de ModelOpt y Marlin, y se ejecuta con --max-num-seqs 1.
• AWQ W4A16 — 22.69 GiB en vLLM 0.18.0 parcheado usando la propia configuración compressed-tensors del checkpoint.
• GGUF Q4_K_M — un paquete de tres archivos de 24,6 GiB, pero para el entorno de ejecución nativo propio de Tencent, no para llama.cpp ni Ollama. Su manifiesto lo anuncia como exportado y sin validar.
Aquí nada se ejecuta sobre un motor sin parches. El repositorio incluye un directorio de parches: superposiciones de código fuente con manifiestos SHA-256 para exactamente cuatro versiones upstream —vLLM 0.18.0 y 0.31.0, SGLang 0.5.16 y 0.5.19—, cada una fijada a una combinación específica de PyTorch, Transformers y CUDA 12.9, con Python 3.12 y FFmpeg requeridos, TorchCodec, que necesita CUDA 12 NPP en la ruta del enlazador, y SGLang, que compila kernels de CUDA en el primer uso. Una búsqueda en el rastreador de problemas de vLLM no revela ninguna solicitud upstream para esta arquitectura. Se trata de un trabajo de autoalojamiento con una superposición aplicada al motor de inferencia de un tercero.

Dos detalles de configuración delimitan lo que realmente puedes darle como entrada. La configuración de texto declara 262.144 posiciones, pero el propio comando de vLLM de la tarjeta pasa --max-model-len 8192, y todas las recetas de SGLang limitan también el contexto a 8.192; la cifra larga es margen disponible, no un ajuste compatible. El muestreo de fotogramas es la misma historia: el procesador usa por defecto 2 fps y hasta 128 fotogramas, mientras que la receta publicada lo sobrescribe a 16 fotogramas y un presupuesto de 262.144 píxeles. A 10 tokens de audio por segundo, un contexto de 8.192 tokens es un poco más de trece minutos de audio y nada más.
OrcaRouter no sirve WeMM-Video-35B-A3B, y el catálogo no incluye ningún checkpoint de WeMM, así que no hay ningún precio alojado que cotizar. Lo que sí servimos es el modelo sobre el que se construyó este: Qwen3.6-35B-A3B está en la plataforma a $0,25 por millón de tokens de entrada y $1,48 por millón de salida con un contexto de 262.144 tokens, con entrada de texto, imagen y vídeo. Si la mitad de este trabajo que necesita es «ver el clip y razonar sobre él» en lugar de «ver el clip y transcribir la sala», se trata de un sustituto alojado disponible esta tarde en lugar de una descarga de 67 GiB y un parche a nivel de código fuente. El precio de lista del proveedor se aplica con un 0 % de margen, y todos los modelos están detrás de una única clave compatible con OpenAI con conmutación por error automática, así que probar una segunda opinión cuesta un cambio de configuración en lugar de un segundo contrato.
Lo que nadie fuera de WeChat ha comprobado
Cuatro cosas que un comprador normalmente obtendría de un lanzamiento y que aquí no puede conseguir.
• Evaluación independiente. Ninguna. El proceso de evaluación y reproducción es público, lo cual es lo segundo mejor y no es lo mismo.
• Condiciones de evaluación. Los recuentos de fotogramas, los presupuestos de píxeles y las longitudes de contexto utilizados en las ejecuciones de benchmark no se indican en el informe, y la receta distribuida muestrea 16 fotogramas cuando el procesador utiliza 128 de forma predeterminada. Una muestra de 16 fotogramas de un clip largo es una entrada distinta de una muestra de 128 fotogramas del mismo clip.
• La afirmación sobre el despliegue. El informe afirma que la familia está «desplegada en múltiples servicios de vídeo principales dentro de WeChat», y menciona el comercio por transmisión en vivo, el análisis de dramas de formato corto y el vídeo interactivo. Es una afirmación seria si es cierta —el tráfico de producción es la única evaluación con la que nadie puede discutir— y es completamente imposible de verificar desde fuera. No se publica ninguna cifra de latencia, rendimiento, concurrencia o memoria en ninguna parte del comunicado.
• Los artefactos cuantizados. Tres de las cuatro variantes publicadas se describen, en sus propios manifiestos, como no validadas. AWQ, GGUF y NVFP4 se ofrecen, pero no están avaladas.
Nada de eso es motivo para descartar el lanzamiento. Es motivo para leerlo como lo que visiblemente es: un lanzamiento de investigación bien documentado cuyos pesos insignia tienen apenas horas de antigüedad, cuyo artículo llegó primero, cuyo repositorio de FP8 aún no se ha creado y cuya ventaja en benchmarks sobre el mejor competidor omni abierto es lo bastante grande como para merecer que se reproduzca en lugar de dudar de ella.
Lo que lo resolvería es la misma lista de siempre. Una fusión upstream en vLLM pondría fin a los parches. Una primera reproducción independiente en Video-MME v2 con audio confirmaría o desmentiría la brecha de dieciocho puntos. Un precio de servicio alojado, o el repositorio FP8 que falta, te diría si Tencent pretende que esto se use o solo se cite. Hasta que se concrete uno de esos, el resumen honesto es que WeMM-Video-35B-A3B es el checkpoint omni-modal abierto más interesante del mes, que sus puntuaciones de visión parecen sobrevivir a la incorporación de la audición, y que todas sus cifras provienen actualmente de quienes lo entrenaron.
Comparados en este artículo1
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
